1.一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是包括以下步骤：

A、收集不同情况下的轮毂电机运行状态信息，计算每个时间片段内轮毂电机垂向加速度信号的高敏感特征参数，根据轮毂电机运行状态信息和高敏感特征参数建立单个时间片段内的初始数据训练集和单个时间片段内的贝叶斯网络模型，获得各网络节点的条件概率分布以及二时间片段之间的状态转移概率分布，将所述的条件概率分布和所述的状态转移概率分布设为动态贝叶斯网络参数，建立基于动态贝叶斯网络的单个轮毂电机运行状态识别模型；

B、采集当前时间片段中轮毂电机轴承处的垂向加速度信号、汽车质心处的垂向加速度信号、乘员载荷信息和车速信息，得到加速度信号的高敏感特征参数、路面等级、载荷等级和车速等级，将高敏感特征参数、路面等级、载荷等级、车速等级作为所述的单个轮毂电机运行状态识别模型的输入，对当前时间片段内的轮毂电机运行状态在线识别，得到当前时间片段内的轮毂电机运行状态识别结果并将高敏感特征参数，路面等级，载荷等级，车速等级以及时间片段内的轮毂电机运行状态识别结果上传至识别模型云训练中心；

C、识别模型云训练中心将接收到的信息添加进行车数据训练集合，在每月最后一天行车结束后，识别模型云训练中心将所述的初始数据训练集与所述的行车数据训练集合并成新数据训练集，对单个时间片段内的贝叶斯网络进行参数学习，得到各网络节点全新的条件概率分布，利用新数据集将二时间片段之间状态转移概率分布进行更新。

2.根据权利要求1所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤C中，识别模型云训练中心在完成更新后，删除该月的行车数据训练集合并在下一月月初的零点将更新的参数下传至集成状态识别模型的ECU中，设置成为识别模型中全新的动态贝叶斯网络参数。

3.根据权利要求1所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤A中，轮毂电机运行状态信息包括每个时间片段内的乘员载荷信息、路面等级信息、车速等级信息和轮毂电机垂向加速度信号，以2s为一个时间片段。

4.根据权利要求3所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤A中，所述的贝叶斯网络模型是将轮毂电机运行状态节点、加速度信号类型节点作为隐藏节点，乘员载荷节点、路面等级节点、车速等级节点、高敏感特征参数节点作为可观测节点，基于所述的初始数据训练集进行参数学习，获得各网络节点的条件概率分布。

5.根据权利要求1所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤B中，采集当前时间片段中轮毂电机轴承处的垂向加速度信号和汽车质心处的垂向加速度信号的采样时长为2s、采样频率100kHz；根据汽车质心处的垂向加速度信号计算得到当前时间片段k对应的路面等级，根据乘员载荷信号得到当前时间片段对应的载荷等级，根据车速信息得到当前时间片段对应的车速等级。

6.根据权利要求4所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤C中，所述的各网络节点全新的条件概率分布包括包括乘员载荷节点和加速度信号类型节点的条件概率分布、路面等级节点和加速度信号类型节点的条件概率分布、车速等级节点和加速度信号类型节点的条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、加速度信号节点的先验概率分布、轮毂电机运行状态节点的先验概率分布。