目前水下机器人是唯一可以在深海工作的装备,它在海洋的开发和探索中扮演着不可或缺的角色。能够准确且有效地实现AUV的状态监测和故障诊断,是保障其安全性的关键技术。推进器作为AUV中负荷最重、使用频率最高的部件,准确地诊断出推进器可能存在的故障,可极大提高AUV的安全性。而推进器的弱故障一般多为前期故障,如果能尽早有效检测出推进器的这些前期弱故障,AUV就可及时地作出相应判断和处理,避免更大事故的发生。本文针对AUV推进器弱故障诊断问题,主要研究推进器弱故障信号的特征增强和干扰抑制的处理方法、有效提取弱故障信号中的故障特征方法以及根据信号故障特征量的故障程度辨识方法,主要研究工作如下:研究AUV推进器弱故障信号的特征增强和干扰抑制方法。为了实现信号的特征增强和干扰抑制,本文基于随机共振的方法对AUV的故障信号进行处理。在发现传统的随机共振系统对信号的特征增强效果不明显后,本文提出一种基于改进人工鱼群算法优化随机共振系统的方法,以提高随机共振系统对信号中周期性成分的增强效果。针对随机共振方法自身原理上就存在的对信号非周期性成分增强不明显的问题,本文又提出了一种从调整信号的角度出发的思路:即先对故障信号进行一定的调整,如对其进行小波分解后再重构的前处理,对其进行调制和解调滤波处理等,以进一步增强随机共振系统对故障信号中非周期性分量的特征增强和干扰抑制效果。通过实验对比AUV弱故障信号的处理结果,验证了本文提出的方法相较于传统的随机共振系统具有更好的特征增强和干扰抑制效果。研究如何提取增强后信号的故障特征方法。针对如何对经特征增强和干扰抑制处理之后的弱故障信号准确地进行故障特征提取的问题:为了避免故障特征提取不充分,本文提出了一种联合S变换、FFT变换在内的信号时域、频域、时频域多维特征提取的方法;为了提高提取出的故障特征集表征故障特征的能力,针对本文对特征量要重点突出故障程度大小的要求,本文对一些特征量的计算公式进行了改进,以提高其表征故障程度的能力。通过实验对比验证,本文提出的联合S变换、FFT变换在内的多维特征提取方法能在时域、频域、时频域上有效提取故障特征量,本文提出的改进故障特征量相较于修改前的特征量能更有效地表征故障特征程度。研究AUV推进器未知故障程度辨识的方法。由于本文中故障特征信号的维度跨度较大,因此传统的时域或频域特征提取方法在处理这种多维信息时会受到一定的限制。针对如何就多维故障特征量进行故障程度辨识的问题,本文提出一种基于灰色关联理论判断未知信号故障程度的方法。由于不同弱故障信号间差异较小,因此传统的关联度计算方式难以准确表征各故障程度的大小。本文发现不同类型的信号间存在相关性较小的问题,进而提出按信号类型进行分类关联的关联度计算方式。本文还发现了因某些特征量变化值相对较小导致的这部分特征量利用不充分问题,进而提出一种用相对特征量代替绝对特征量的计算方法。考虑到AUV稳定运行的一段时间内各项信号值符合统计学上的正态分布理论,本文提出一种建立各参考故障信号的关联度正态分布模型的方法。通过实验对比验证,本文提出的分类关联方法较传统关联度计算方式更准确,本文提出的相对特征量较传统的绝对特征量对微弱特征量的利用更充分,本文基于灰色关联理论判断未知信号故障程度的方法方法相较于传统的关联度计算方法对AUV弱故障信号故障程度的辨识结果更准确。