随着电动汽车的迅速发展,基于轮毂电机的分布式驱动技术也迅速地受到关注,相较于传统汽车的集中式驱动,该技术将驱动、制动和承载等功能集成到电机上并安装于汽车轮毂中,控制灵活,传动高效,是未来电动汽车理想的驱动方式。然而由于轮毂电机特殊的安装方式,轮毂电机的关键部件——轴承需要同时承受径向载荷以及轴向载荷,而且电动汽车复杂多变的运行环境也会加剧轮毂电机轴承受到的冲击,使其产生局部磨损性能退化从而引发故障。一旦轮毂电机轴承发生故障,轻则影响轮毂电机的运行性能,重则危及电动汽车的行车安全,因此很有必要对轮毂电机轴承开展故障诊断方法研究。针对轮毂电机驱动的电动汽车运行安全问题,本文将轮毂电机轴承作为研究对象,以故障特征提取、故障特征降维和故障状态识别三个方面为主要研究内容,提出一种基于数据驱动的轮毂电机轴承故障诊断方法,能够有效实现轮毂电机轴承故障状态的诊断识别。首先,针对实车试验难以控制变量的问题,基于电动汽车的实际运行环境,以知豆D1电动汽车为原型搭建轮毂电机轴承故障试验系统,定制带有轴承常见多发故障如外圈损伤、内圈损伤和滚动体损伤的轮毂电机并设计相对应的试验方案,为后续的故障诊断研究工作提供数据支持。其次,针对在间歇性强干扰下提取轮毂电机轴承故障特征信息较为困难的问题,提出基于优化共振稀疏分解的故障特征提取方法,将高共振分量的平滑指数与低共振分量峭度的比值作为目标函数,利用狼群算法优化得到的分解因子对试验原始信号进行分解,能够有效提取出故障特征信息。然后,针对多维故障特征参数集的降维问题,提出基于改进t分布随机邻域嵌入的故障特征降维方法,在传统的t分布随机邻域嵌入基础上,通过Barnes-Hut算法对其梯度进行加速,在保证降维特征的精度同时有效将时间复杂度从O(N~2)降至O(NlogN),大幅度提高运算速度。最后,针对轮毂电机轴承故障诊断过程中噪声数据干扰的问题,提出基于人工碳氢网络的故障状态识别方法,利用碳氢化合物封装信息的特点,对数据库中特征参数集与轮毂电机轴承状态之间的隶属关系进行监督式学习。结合试验数据,通过与其他分类器算法的比较,验证该方法不仅具有较高的故障识别率,而且处理含噪声的数据具有较强的鲁棒性。