随着陆地不可再生资源的日益枯竭,海洋资源开发已成为各国关注的焦点。水下机器人是目前唯一能在深海环境下工作的装备,在海洋资源开发中发挥着不可替代的作用。自主式水下机器人(AUV)无人无缆工作在海洋环境中,安全性是其重要特征,故障诊断是AUV保障安全性的基础和关键技术。推进器是AUV关键部件也是负荷最重的部件,研究推进器故障诊断技术对提高AUV安全性、加快其实用化进程具有重要的理论研究意义和实际应用价值。本文针对AUV推进器故障诊断过程中故障特征分离与故障程度辨识问题,从推进器故障特征提取与融合、推进器故障特征与外部干扰特征分离、推进器故障程度辨识、推进器故障程度时序列预测补偿四个方面进行研究。研究推进器故障特征提取与融合问题。针对基于修正贝叶斯算法(MB算法)从AUV速度信号中提取故障特征时,故障特征值、故障特征值和噪声特征值的差值和比值都较小的问题,本文提出一种小波MB算法,与MB算法从原始速度信号中提取故障特征不同,本文小波MB算法从速度信号小波近似分量中提取故障特征;针对基于证据理论算法融合速度信号特征和控制信号特征时,融合特征中故障特征曲线与噪声特征曲线的两个分类平面间隔较小的问题,本文提出一种归一映射方法,与证据理论算法在融合故障特征空间对故障特征曲线和噪声特征曲线进行分类不同,本文方法将融合故障特征归一映射到另一个特征空间,在新的特征空间中对故障特征曲线和噪声特征曲线进行分类。通过AUV实验样机水池实验结果验证本文方法的有效性。研究推进器故障特征与外部干扰特征分离问题。针对基于总体经验模态分解方法(EEMD方法)对速度信号进行通道扩展时,固有模态函数矩阵(IMFM)维数较高的问题,本文提出一种小波分解与经验模态分解(EMD)结合方法,与EEMD方法首先在速度信号中添加白噪声,然后对速度信号进行EMD不同,本文方法首先对纵向速度进行小波分解,提取小波近似分量,然后对小波近似分量进行EMD;针对基于MB算法从独立分量中提取故障特征时,推进器故障特征值和噪声特征值的差值和比值都较小的问题,本文提出一种小波细节分量辅助特征提取方法,与MB算法直接从独立分量中提取特征信息不同,本文方法首先在独立分量中添加原速度信号的小波细节分量,然后再基于MB算法从独立分量中提取特征信息。通过AUV实验样机水池实验结果验证本文方法的有效性。研究推进器故障程度辨识问题。针对融合特征模极大值方法在故障程度辨识中存在的故障特征值与故障程度之间映射关系不唯一的问题,本文提出一种波峰区域能量方法,与融合特征模极大值方法以融合故障特征最大值作为故障特征值不同,本文方法从融合故障特征能量角度出发,对融合故障特征进行卷积计算,将时域中的融合故障特征转换为卷积计算结果中的能量分布,在能量分布中以波峰区域能量最大值作为故障特征值;针对基于灰色关联分析方法辨识推进器故障程度时,故障辨识结果只能辨识到离散的不同级别的问题,本文提出一种最小二乘灰色关联度方法,灰色关联分析方法辨识故障程度时只以灰色关联度最大值对应的标准故障程度作为辨识结果,与此思路不同,本文方法辨识故障程度时同时用到灰色关联度最大值和第二大值进行第一次辨识,得到故障程度区间,在此区间内,基于灰色关联度与故障程度映射关系进行第二次辨识,得到真实故障程度的具体值。通过AUV实验样机水池实验结果验证本文方法的有效性。研究推进器故障程度时序列预测补偿问题。针对基于模糊支持向量域描述方法(FSVDD)方法建立的故障辨识模型,在相邻两个标准故障程度之间,对真实故障程度的相对拟合误差较大的问题,本文提出一种同态隶属函数方法,与FSVDD方法采用故障特征在时域内的特征值计算模糊隶属度系数不同,本文方法采用故障特征在对数域内的特征值计算模糊隶属度系数;针对基于FSVDD方法辨识的故障程度滞后于真实故障程度的问题,本文提出一种低频趋势预测方法,与FSVDD方法从当前的控制信号和速度信号中提取故障特征,进行故障程度辨识不同,本文方法对当前的控制信号和速度信号进行前向预测,从预测的控制信号和速度信号中提取故障特征,进行故障程度辨识。通过AUV实验样机水池实验结果验证本文方法的有效性。