1.一种机电设备故障诊断与健康趋势预测方法，其特征在于，该方法包括以下步骤：S1、通过传感器采集机电设备单元中的机电设备的实时运行数据及历史故障数据；

S2、对机电设备单元中的每个机电设备的影响力进行评估；

S3、基于机电设备的影响力对机电设备单元中的机电设备进行故障诊断；

S4、根据历史故障数据及机电设备的影响力，预测每个机电设备的未来健康状况；

S5、根据机电设备的影响力及健康状况预测结果，对每个机电设备进行维护；

所述对机电设备单元中的每个机电设备的影响力进行评估包括以下步骤：S21、根据机电设备的结构及功能，确定各个机电设备之间的关联度，该关联度表示机电设备对机电设备单元运行状态的影响程度；

S22、根据关联度，构建机电设备的网络加权图；

S23、基于动态规划算法计算机电设备的网络加权图中任意两个机电设备之间的最短路径；

S24、计算机电设备的初始影响力，该初始影响力表示机电设备的故障概率及故障严重程度；

S25、根据机电设备处于其它机电设备到本身故障源的最短路径上的频率，分配每个机电设备的影响力权值；

S26、迭代更新机电设备的影响力，直到收敛，并得到最终的机电设备的影响力排名；

所述根据机电设备的结构及功能，确定各个机电设备之间的关联度包括以下步骤：S211、对用于评估两个机电设备关联度的各项评价指标进行确定；

S212、对于每一对机电设备，基于评价指标建立模糊评价矩阵，且该模糊评价矩阵的元素表示模糊隶属度，并描述两个机电设备在某个特定评价指标下的关联度；

S213、对评价指标进行权重的设定；

S214、使用模糊矩阵与权重矩阵进行相乘得到综合评价矩阵；

S215、从综合评价矩阵中提取具体的数值作为两个机电设备的关联度，且对关联度进行标准化处理；

所述根据历史故障数据及机电设备的影响力，预测每个机电设备的未来健康状况包括以下步骤：S41、使用k-means聚类算法对历史故障数据进行离散化，并构建离散数据集D；

S42、使用BIC评分函数和贪婪搜索算法，从离散数据集D中得到初始网络结构及前后两个时间片之间的转移结构；

S43、用最大似然估计法来获取动态贝叶斯网络的参数；

S44、基于初始网络结构、转移结构及参数，构建动态贝叶斯网络模型；

S45、调用联合树推理引擎将动态贝叶斯网络模型转换为1.5DBN联合树；

S46、根据机电设备的影响力为机电设备在1.5DBN联合树中分配不同的权重，并将历史故障数据输入1.5DBN联合树；

S47、计算机电设备的健康状况对应的后验概率，并根据后验概率计算每个机电设备未来的健康状况预测均值。

2.根据权利要求1所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据关联度，构建机电设备的网络加权图包括以下步骤：S221、使用有向图G(V，E)表示机电设备网络加权图，其中V表示机电设备集合，E表示关联度集合；

S222、使用邻接表进行数据结构存储。

3.根据权利要求2所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述计算机电设备的初始影响力时，若某一机电设备的故障概率越高，则该机电设备越重要，且初始影响力越大；

若具有特定初始影响力的机电设备指向另一个机电设备，则被指向的机电设备具有相同的初始影响力。

4.根据权利要求3所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据机电设备处于其它机电设备到本身故障源的最短路径上的频率，分配每个机电设备的影响力权值包括以下步骤：S251、根据任意两个机电设备之间的最短路径，统计出每个机电设备在所有最短路径中出现的次数；

S252、根据每个机电设备的故障源的数目，并计算出每个故障源贡献给某一机电设备的比例值，得到转移矩阵F；

其中，转移矩阵F为一个n×n的方阵，n表示机电设备的个数；

F(i，j)表示故障源i贡献给机电设备j的比例值；

转移矩阵F的计算公式为：

F(i，j)＝t(i，j,k)/t(i，j)；

式中，t(i，j，k)表示网络加权图中其它任意机电设备i经过机电设备j达到机电设备k的最短路径数目；

t(i，j)表示网络加权图中其它任意机电设备i到机电设备j的最短路径数目。

5.根据权利要求4所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述迭代更新机电设备的影响力，直到收敛，并得到最终的机电设备的影响力排名时，更新影响力的公式为：UIA-PSP(k+1)＝(1-d)e+dF×UIA-PSP(k)；

式中，UIA-PSP(k+1)表示第k+1次迭代后的机电设备的影响力向量；

d表示阻尼系数，e表示单位向量，F表示转移矩阵；

UIA-PSP(k)表示第k次迭代后的机电设备的影响力向量；

迭代终止条件为：

[UIA-PSP(k+1)]-[UIA-PSP(k)]＜ε；

式中，ε表示阈值。

6.根据权利要求1所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述使用BIC评分函数和贪婪搜索算法，从离散数据集D中得到初始网络结构及前后两个时间片之间的转移结构包括以下步骤：S421、初始化动态贝叶斯网络，并使用BIC评分函数计算当前动态贝叶斯网络结构的BIC评分；

S422、基于贪婪搜索算法更新BIC评分，且为两个连续时间片之间的转移关系建立依赖性。

7.一种机电设备故障诊断与健康趋势预测系统，用于实现权利要求1-6任一项所述的机电设备故障诊断与健康趋势预测方法，其特征在于，该系统包括采集模块、影响力评估模块、故障诊断模块、预测模块及维护模块；

其中，所述采集模块与所述影响力评估模块连接，所述影响力评估模块与所述故障诊断模块及所述预测模块连接，所述预测模块与所述维护模块连接；

所述采集模块，用于通过传感器采集机电设备单元中的机电设备的实时运行数据及历史故障数据；

所述影响力评估模块，用于对机电设备单元中的每个机电设备的影响力进行评估；

所述故障诊断模块，用于基于机电设备的影响力对机电设备单元中的机电设备进行故障诊断；

所述预测模块，用于根据历史故障数据及机电设备的影响力，预测每个机电设备的未来健康状况；

所述维护模块，用于根据机电设备的影响力及健康状况预测结果，对每个机电设备进行维护。