随着人类海洋开发战略的空前拓展,水下机器人技术作为人类进行海洋领域探索进程中最重要的手段,已然受到人们的重视并得到快速发展。自主式水下机器人(Autonomous Underwater Vehicle,AUV)无人无缆工作在复杂海洋环境中,安全性与可靠性是其迈向实用化过程中的重要前提。作为AUV工作负荷最重的功能部件,推进器成为了 AUV最常见也是最重要的故障源。结合AUV所工作的环境及AUV本身强非线性系统的特点,研究AUV推进器故障诊断技术,对于提高AUV安全性和智能化水平具有重要研究意义和实用价值。本文在AUV实验平台系统设计及推进器系统研究的基础上,针对AUV推进器故障诊断技术中存在的样本不均衡性、不完备性及故障辨识问题,建立推进器故障分类模型,并研究分类模型参数优化以及故障辨识技术。研究AUV载体技术及推进系统。为了能够实现对AUV推进器的状态监测与智能诊断,并验证所提出方法的可行性,本文设计AUV主控制系统及推进系统,研制水下机器人实验平台,并基于水池实验数据建立AUV推进器动力学模型。研究AUV推进器故障分类方法。由于海洋环境中存在海流等随机干扰,且AUV自身具有强非线性与大时延的特点,难以对AUV建立精确的数学模型,使得传统的基于解析模型的方法在AUV推进器故障诊断领域受到了很大的限制。针对该问题,本文提出一种基于支持向量域描述算法(Support Vector Domain Description, SVDD)的AUV推进器故障模式分类方法。该方法针对AUV各故障模式下的历史数据集,构建最小封闭超球,建立AUV推进器故障分类模型。通过水池实验所得AUV推进器正常及不同程度出力故障数据的分类结果,验证SVDD故障分类方法的有效性。研究SVDD分类模型核参数优化方法。由于核参数的介入,SVDD对数据描述的方式更加灵活,但从另一方面也使得SVDD的分类性能依赖于其核参数的选择。针对SVDD分类模型核参数优化问题,本文根据实验数据分析核参数对其分类性能的影响,提出一种描述映射数据在高维空间分布形式及规律的方法,并根据最大熵原则进行核参数的优化测度,实现SVDD分类模型的核参数优化,以提高SVDD模型的分类性能。针对水池实验条件下所得的多个SVDD分类模型,分别基于本文方法与传统交叉验证方法对核参数进行优化,通过对比结果验证本文所提出核参数优化方法的有效性。研究基于SVDD的故障辨识方法。由于故障实验所得数据的完备性有限,并且传统的SVDD方法为单分类方法,本身不具有故障辨识能力。针对以上问题,本文对已知故障超球的空间结构进行分析,提出一种基于SVDD特征空间欧式距离的未知程度故障辨识方法。通过对水池实验得到故障数据集进行辨识,验证本文所提出的AUV推进器故障辨识方法的有效性。