1.一种基于贝叶斯学习的执行器故障估计方法，其特征在于：包括以下步骤，(1)基于随机走步模型对执行器故障建模如下，fk为k时刻潜在的执行器故障信号；fk‑1为k‑1时刻潜在的执行器故障信号； 为白噪声；k为时间序列；

(2)基于变分贝叶斯理论，将系统状态变量和执行器故障信号的联合后验分布p(xk,fk|y1:k)用两个相互独立的假设分布q(xk|y1:k)和q(fk|y1:k)来表示，即p(xk,fk|y1:k)＝q(xk|y1:k)q(fk|y1:k)(式2)；

在k‑1时刻，将状态和故障信号的联合概率分布按照如下方式近似：

y1:k＝{y1，y2，…，yk}表示从1时刻到k时刻观测信号的合集；xk为k时刻系统状态变量；

表示系统状态在k‑1时刻的均值；Pk‑1为 方差； 为故障信号在k‑1时刻的估计值；

Δk‑1为 方差；

(3)在k‑1时刻，预测出k时刻系统的状态和故障；在k时刻，依据贝叶斯理论对预测出的系统状态和系统故障进行迭代更新，输出k时刻系统状态的估计值和该估计值的方差，以及输出k时刻系统故障的估计值和该估计值的方差。

2.如权利要求1所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：步骤(3)中，将k‑1时刻的预测值作为k时刻迭代更新的初始值，即 和这里，i表示迭代步数，其最大迭代步数设为N；其中， 为k时刻状态预测值， 为k时刻状态预测的方差， 为k时刻故障预测值， 为k时刻故障预测的方差，Θ＝τI,I为单位矩阵，τ∈(0，1]为可调参数。

3.如权利要求1所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：步骤(3)中，根据执行器所在控制回路的动态模型方程，在k‑1时刻预测出k时刻的系统状态和方差，为k时刻状态预测； 为k时刻状态预测的方差； 为k‑1时刻状态预测值； 为故障信号在k‑1时刻的估计值；uk‑1为控制回路的控制器输出；Pk‑1为k‑1时刻状态方差预测值；

Δk‑1为 方差；Qk为系统状态方差；A为状态转移矩阵；B为控制器输入矩阵。

4.如权利要求3所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：依据贝叶斯理论对预测出的k时刻系统状态和方差进行迭代更新，具体步骤为，为k时刻第i次迭代的系统状态估计值； 为k时刻状态预测； 为第i‑1迭代次数下故障信号的估计值；i表示迭代步数，其最大迭代步数设为N；K为控制回路中滤波器增益；yk为k时刻系统状态的观测值；C为状态的观测矩阵； 为k时刻第i次迭代的状态估计方差；

‑

Pk为k时刻状态估计方差的预测值；Rk为观测噪声的方差。

5.如权利要求4所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：步骤(3)中，输出k时刻系统状态的估计值及其方差为：为k时刻系统状态的估计值；Pk为k时刻系统状态的方差。

6.如权利要求1所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：步骤(3)中，根据执行器故障动态方程，在k‑1时刻预测出k时刻系统的故障和方差，为k时刻故障预测值； 为k时刻故障预测的方差； 为故障信号在k‑1时刻的估计值；Δk‑1为 方差；Θ＝τI,I为单位矩阵；τ∈(0，1]为可调参数。

7.如权利要求6所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：依据贝叶斯理论对预测出的k时刻系统故障和方差进行迭代更新，具体步骤为，‑

为k时刻第i次迭代的故障信号的估计值； 为k时刻故障信号的预测值；Δk 为k时刻故障信号的预测方差； 为k时刻系统状态方差； 为k时刻第i次迭代的系统状态的估计值； 为k‑1时刻系统状态的估计值； 为k时刻第i次迭代的故障信号的方差。

8.如权利要求7所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：步骤(3)中，输出k时刻系统故障的估计值fk及其方差Δk：

9.如权利要求1所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：所述估计方法还包括，建立包含执行器故障信号的开环控制回路动态模型和观测动态模型，并对获得的观测数据使用3δ准则进行预处理，所述预处理包括剔除奇异值。

10.如权利要求1所述的基于贝叶斯学习的执行器故障估计方法，其特征在于：所述估计方法还包括，输出k时刻系统状态和系统故障后，判断是否满足k＝step，是则结束；否则k＝k+1，并跳转至第(2)步；step为最大时间长度。