1.一种基于多核模型的水下机器人推进器状态监测方法，其特征在于，包括以下步骤：(1)从水下机器人监测信号中提取推进器故障特征x1,x2,…,xN，故障特征构成故障样本，X＝[x1 x2 … xN]，获得M种故障级别的故障样本，故障等级分别为I、II、III、…、M，对应的故障程度分别为λI、λII、λIII、…、λM，并将其分为训练样本与测试样本；

(2)计算不同故障等级故障样本第一特征x1的最大值、平均值和最小值；

(3)以故障等级I对应的训练样本作为目标样本，以其余故障等级对应的训练样本作为非目标样本，建立模糊隶属度函数；

(4)根据模糊隶属度函数S(X)计算所有训练样本的模糊隶属度系数sIi，根据目标样本及其模糊隶属度系数sI1训练超球模型I，得到球心CI和半径RI，计算非目标样本到球心CI的广义距离DIi，根据非目标样本的广义距离DIi计算监测系数，计算故障等级I～M对应的训练样本监测系数的平均值εI1A～εIMA，建立监测系数和故障程度的映射函数，即得到以故障等级I对应的训练样本为目标样本建立的单核辨识模型I；

(5)依次以故障等级II，III，IV，…，M对应的训练样本为目标样本，建立模糊隶属度函数，根据步骤(4)得到分别以故障等级II，III，IV，…，M对应的训练样本为目标样本建立的单核辨识模型II，III，IV，…，M，多个单核辨识模型I～M共同构成一个多核辨识模型；

(6)建立测试样本XU＝[xU1 xU2 … xUN]，测试样本故障程度为λU，将测试样本模糊隶属度系数siU以及超球模型I～M中的模糊隶属度系数sij都设置为零，计算测试样本到超球模型I～M的广义距离DiU，根据获得的广义距离DiU和与对应超球模型的半径的比值确定测试样本故障程度为λU＝λi；

(7)根据测试样本第一特征xU1确定故障程度区间；

(8)在故障程度区间内，将测试样本第一特征xU1带入相应模糊隶属度函数S(X)计算测试样本的模糊隶属度系数siU，计算测试样本到超球模型I～M的监测系数εIU,εIIU,…,εM，将监测系数带入相应的单核辨识模型I～M，得到多个故障程度辨识结果λIU,λIIU,…,λMU，求取λIU～λMU的平均值得到最终辨识结果。

2.根据权利要求1所述的基于多核模型的水下机器人推进器状态监测方法，其特征在于，所述步骤(1)中第一特征x1是对故障程度最敏感的故障特征，故障等级I对应的是推进器正常工作。

3.根据权利要求1所述的基于多核模型的水下机器人推进器状态监测方法，其特征在于，所述步骤(2)中故障等级I，故障样本第一特征xI1的最大值为xI1H，最小值为xI1L，平均值为xI1A；故障等级II，故障样本第一特征xII1的最大值为xII1H，最小值为xII1L，平均值为xII1A；……；故障等级M，故障样本第一特征xM1的最大值为xM1H，最小值为xM1L，平均值为xM1A。

4.根据权利要求1所述的基于多核模型的水下机器人推进器状态监测方法，其特征在于，所述步骤(3)中建立模糊隶属度函数如下：其中，L＝xI1H，H＝xM1L。

5.根据权利要求1所述的基于多核模型的水下机器人推进器状态监测方法，其特征在于，所述步骤(4)具体为：基于目标样本及其模糊隶属度系数sI1训练超球模型I，得到球心CI和半径RI，计算非目标样本到球心CI的广义距离DIi，计算监测系数εIi＝(DIi-RI)/RI，计算故障等级I对应的训练样本监测系数的平均值εI1A，分别计算故障等级II～M对应的训练样本监测系数平均值εI2A～εIMA，由此得到(εI1A,λI)，(εI2A,λII)，…，(εIMA,λM)；

将(εI1A,λI)，(εI2A,λII)，…，(εIMA,λM)视为平面内的点，根据两点确定一条直线，在两个故障等级之间建立监测系数到故障程度的映射函数，得到以故障等级I对应的训练样本为目标样本建立的单核辨识模型I，映射函数如下：当λI≤λ＜λII时，λ＝kI1×ε+bI1；

当λII≤λ＜λIII时，λ＝kI2×ε+bI2；

……；

当λM-1≤λ＜λM时，λ＝kI(M-1)×ε+bI(M-1)；

其中，kI1＝(λII-λI)/(εI2A-εI1A)，bI1＝λI-εI1A(λII-λI)/(εI2A-εI1A)，kI2＝(λIII-λII)/(εI3A-εI2A)，bI2＝λII-εI2A(λIII-λII)/(εI3A-εI2A)，……，kI(M-1)＝(λM-λM-1)/(εIMA-εI(M-1)A)，bI(M-1)＝λM-1-εI(M-1)A(λM-λM-1)/(εIMA-εI(M-1)A)。

6.根据权利要求1所述的基于多核模型的水下机器人推进器状态监测方法，其特征在于，所述步骤(5)具体为：以故障等级II对应的训练样本作为目标样本，以其余故障等级对应的训练样本作为非目标样本，建立模糊隶属度函数如下，在λI≤λ＜λII区间内，L＝xI1H，H＝xII1L，

在λII≤λ＜λM区间内，L＝xII1H，H＝xM1L，

根据步骤(4)得到以故障等级II对应的训练样本作为目标样本建立的单核辨识模型II，进而得到以故障等级III，IV，…，M-1对应的训练样本作为目标样本建立的单核辨识模型III，IV，…，M-1；

以故障等级M对应的训练样本作为目标样本，以其余故障等级对应的训练样本作为非目标样本，建立模糊隶属度函数如下：其中，L＝xI1H，H＝xM1L，根据步骤(4)得到以故障等级M对应的训练样本作为目标样本建立的单核辨识模型M。

7.根据权利要求1所述的基于多核模型的水下机器人推进器状态监测方法，其特征在于，所述步骤(6)中根据获得的广义距离DiU和与对应超球模型的半径的比值确定测试样本故障程度为λU的公式如下：若DIU/RI≤1，则λU＝λI；

若DIIU/RII≤1，则λU＝λII；

……，

若DMU/RM≤1，则λU＝λM；

若测试样本不满足上述条件，则执行步骤(7)。

8.根据权利要求1所述的基于多核模型的水下机器人推进器状态监测方法，其特征在于，所述步骤(7)中根据测试样本第一特征xU1确定故障程度区间，具体如下：若xU1＜xI1A，则λU＝λI；

若xI1A≤xU1＜xII1A，则λI≤λU＜λII；

若xII1A≤xU1＜xIII1A，则λII≤λU＜λIII；

……；

若x(M-1)1A≤xU1＜xM1A，则λM-1≤λU＜λM；

若xM1A≤xU1，则λU＝λM。