随着陆地上不可再生资源的日益减少,海洋作为人类社会生存和发展的资源地位愈加重要,海洋资源开发受到越来越多的重视。作为唯一能够在深海环境中工作的装备,水下机器人在海洋开发中具有不可替代的作用。自主式水下机器人(AUV)无人无缆工作在海洋环境,靠自身的智能决策系统自主完成任务,安全性是AUV研究和实用化过程中的重要问题之一,作为AUV安全性的基础技术,故障诊断技术的研究具有重要的研究意义和实际应用价值。本文研究舵桨联控式水下机器人执行器故障诊断问题,重点研究水下机器人动力学建模、舵与推进器系统的故障诊断和故障分离问题。本文以“海鹢-Ⅰ”号舵桨联控式水下机器人试验样机为研究对象,为提高其动力学模型精度,提出了一种解析模型和神经网络相结合的建模方法,该方法通过改进型Elman神经网络模型拟合水下机器人动力学解析模型纵向速度、艏向角速度输出与水下机器人实际输出之间的偏差,根据神经网络模型输出的偏差修正解析模型的输出,减小了解析动力学模型由于模型简化和外界干扰等原因引起的建模误差。仿真与水池实验结果表明本文提出的“海鹢-Ⅰ”号舵桨联控式水下机器人的动力学建模方法的精度高于单独的动力学解析模型也高于单独的动力学神经网络模型。针对舵桨联控式水下机器人执行器故障诊断问题,提出了一种基于逆系统的执行器故障诊断方法。首先对舵桨联控式水下机器人及其各执行器的可逆性进行分析,确定水下机器人和各执行器系统的可逆性,然后采用改进型Elman神经网络建立各执行器的逆模型,基于执行器逆模型求出执行器实际状态对应的控制量,该控制量与水下机器人控制器输出的控制量进行比较产生控制量残差,控制量残差反映了执行器的故障情况,能够诊断时变的执行器故障。试验样机的仿真与水池实验结果验证了该方法在执行器系统故障诊断中的有效性。针对舵桨联控式水下机器人舵和推进器系统发生故障时症状相似,仅靠纵向速度残差及艏向角速度残差难以进行分离的问题,提出了一种基于逆系统的执行器故障分离方法。该方法针对单个执行器故障,通过逆模型求出每个执行器的逆模型控制量输出,由于发生故障的执行器的逆模型输出的控制量最接近对应执行器的实际状态,因此分别将前一时刻舵与推进器的逆模型输出、水下机器人的实际控制量和状态量代入水下机器人的动力学模型对当前时刻水下机器人的状态量进行求解,得到模型输出状态量与实际状态量最接近的执行器逆模型即为故障执行器的逆模型。针对多个执行器同时发生故障的并发故障分离问题,提出了一种基于逆系统的故障分离方法,该方法通过对各执行器加载预设控制量,进行各执行器的自主诊断,实现水下机器人执行器并发故障的分离。仿真与水池实验结果验证了该方法在执行器并发故障分离中的有效性。