模糊故障诊断方法[17-18]是通过某些征兆的隶属度来求出各种故障原因的隶属度，根据故障原因与征兆之间的模糊关系判断故障是否发生。模糊诊断类似于人的思维方式，运用相关知识诊断信息模糊的系统。

神经网络[19-21]模拟人脑功能，仿效生物智能处理信息的能力，是一种并行分布式系统。通过对大量故障样本的学习使其在面对新的故障时能够做出正确的判断，

信息融合[22-23]是利用计算机对来自多传感器或多源的信息和数据按照一定准则进行自动分析和综合的数据处理的过程，完成所需决策。

多传感器信息技术融合，解决了复杂系统故障诊断的不确定性问题，提高了诊断准确率，因此信息融合多与其他两种方法共同使用。

1。2。3 水下机器人故障诊断方法研究现状

目前，水下机器人故障诊断方法[24]可分两种：基于模型的水下机器人故障诊断法和无模型的水下机器人故障诊断法。

（1）基于模型的水下机器人故障诊断法论文网

基于模型的水下机器人故障诊断法也可分为状态估计法、参数估计法和等价空间法。状态估计法是重构被控制状态，产生出残差序列，再构建适当的模型利用统计检测法从残差序列中检测出故障；参数估计法则利用参数变化的统计特性检测系统是否发生故障，不需要检测残差序列；等价空间法就是把测量信息分类，得到最一致的冗余数据子集，再识别最不一致的冗余数据（可能产生故障的数据）来判定故障。

基于模型的水下机器人故障诊断法虽然原理简单，但是实现较为困难。它过于依赖被测对象的数学模型，而水下机器人在大多情况下是无法精确地获得其数学模型，需要进行大量的模型简化和辨识，这就加大了该方法的复杂度。此外，外界噪声干扰信号对有些模型诊断法的影响很大，降低了诊断的准确率，这就大大限制了模型诊断法的应用效果。

（2）无模型水下机器人故障诊断法

无模型的水下机器人故障诊断法主要包括基于信号处理和基于智能的故障处理方法。

基于信号处理的水下机器人故障诊断法：利用信号处理方法可直接测得被测信号输入和输出及其变化趋势，利用提取出的幅值、频谱、相位等特征值可分析、判断、隔离故障的原理，将其应用在水下机器人传感器故障诊断中。常见的信号处理方法有小波变换、主元分析等。如文献[25]针对水下机器人多传感器故障问题，利用小波变换对传感器参数进行重构，并由此建立故障特征值检测故障；Zhu等[26]利用主元分析模型来重构水下机器人传感器信号，通过计算传感器系统的平方预测误差，检测传感器故障，并及时隔离故障源。利用信号处理方法处理水下机器人传感器故障，一般是利用复杂运算提取故障特征，剔除了各种噪声干扰的影响，因而具有较高的准确率，但缺点就是运算复杂，计算量大。

基于智能的水下机器人故障诊断法：基于智能的水下机器人故障诊断法是将人工智能技术融入故障诊断中，比较典型的人工神经网络故障诊断方法。1993年Farrell[27]等在国际上首次提出了故障诊断的自适应学习策略，之后大家广泛深入研究了基于神经网络学习的故障诊断，并将其应用在水下机器人故障诊断中。最早期的有Healey等[28]利用卡尔曼滤波器辨识AUV系统中重要参数，与多层感知器MLP结合实现故障在线检测；后来将故障分为等级，利用模式识别的方法及时诊断故障；最近，Lin等[29]将小脑神经网络[30]引入到水下机器人故障诊断中，提出基于CMAC的传感器故障诊断与容错技术。