1.一种水下机器人推进器故障诊断与容错控制方法，其特征在于，该方法包含下列步骤：(1)通过霍尔传感器实时获取推进器的工作电压与电流值，通过位姿传感器实时获取水下机器人的纵向速度，横向速度,垂向速度,横倾角速度,纵倾角速度和艏向角速度；

(2)提出改进的Elman网络对水下机器人建立运动模型，将该模型与位姿传感器结合，构成水下机器人运动状态检测子系统；

(3)基于RBF神经网络，设计了推进器电压电流预测器，将该推进器电压电流预测器与霍尔传感器结合，构成推进器电压电流状态检测子系统；

(4)将改进的Elman网络输出的数值减去位姿传感器测得的实际值，得到残差e1；将RBF神经网络输出的数值减去霍尔传感器测得的实际值，得到残差e2；通过对残差e1的分析，可以判断哪个推进器发生了故障；通过对残差e2的分析，可以得到推进器的故障类型；

(5)利用指数趋近律方法设计改进的滑模控制器，同时将积分增益引入指数趋近律中，不但可以消除外部干扰带来的稳态误差，还能够减小系统的抖振；向控制器输入期望姿态，得到期望控制输出τ；

(6)结合权重矩阵对得到的改进的滑模控制器的输出τ进行推力分配，从而实现水下机器人的容错控制。

2.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(2)中，水下机器人运动状态检测子系统的建立包括以下步骤：(2.1)提出改进的Elman网络，改进方法为在Elman网络输入层的结构单元增加一个增益系数为 的自反馈连接，则结构单元在k时刻的输出，将等于隐层在k‑1时刻的输出加上结构单元在k‑1时刻输出值的 倍，即：因此可以得到：

其中xc,l(k)和xj分别表示第l个结构单元的输出和第j个隐层单元的输出；0≤α＜1，的值越接近于1，则网络的学习收敛速度和泛化能力越强，同时，对高阶的非线性系统也可以有更好的辨识能力；

(2.2)采用改进的Elman网络对水下机器人推进系统所控制的纵向速度，横向速度,垂向速度,横倾角速度,纵倾角速度和艏向角速度进行建模，规定网络的输入输出如下：上述方程中，u为纵向速度，v为横向速度,w为垂向速度,p为横倾角速度,q为纵倾角速度,r为艏向角速度，这里我们称这些数据为水下机器人的状态量，g(k‑1)为k‑1时刻水下机器人的状态量矩阵，y(k)为k时刻水下机器人的状态量矩阵；

对改进的Elman网络输入k‑1时刻水下机器人的状态量矩阵g(k‑1)，便能通过神经网络预测出k时刻水下机器人的状态量矩阵y(k)；

(2.3)将改进的Elman网络输出的数值减去位姿传感器测得的实际值，便能够得到残差e1；

由此，我们便建立了一个可以很好地反映了水下机器人运动状态的水下机器人运动状态检测子系统；这也为水下机器人的推进器故障诊断提供了可信的分析依据。

3.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(3)中，推进器电压电流状态检测子系统的构建具体有以下步骤：(3.1)将RBF神经网络结构设计为多输入多输出形式，构成推进器电压电流预测器，其网络结构设计为：Input为k时刻水下机器人的状态量，Output为k时刻4个推进器的预测工作电压与预测工作电流；

(3.2)对推进器电压电流预测器输入机器人状态量，我们便可以得到推进器在当前状态下的预测工作电压与预测工作电流；

(3.3)将得到的Output中的数值减去霍尔传感器测得的实际值，我们可以获得残差e2，这便构成了推进器电压电流状态检测子系统。

4.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(4)中，故障诊断系统的建立具体有以下步骤：(4.1)残差e1中，包含有6个残差分量，它们分别是纵向速度残差eu，横向速度残差ev,垂向速度残差ew,横倾角速度残差ep,纵倾角速度残差eq和艏向角速度残差er；为减小环境噪声对残差的干扰，将采用如下的方法进行残差处理：记录一组残差，去掉最大值和最小值，然后对余下的残差求平均值，此时得到的残差将被用来进行故障诊断，故障分类如下：当ev>0，er<0时，判定为左主推故障；

当ev<0,er>0时，判定为右主推故障；

因此，通过水下机器人运动状态观测子系统我们可以判断哪个推进器发生了故障；

(4.2)残差e2中，包含有8个残差分量，它们分别是前垂推的电压残差ev1，后垂推的电压残差ev2，左主推的电压残差ev3，右主推的电压残差ev4，前垂推的电流残差eI1，后垂推的电流残差eI2，左主推的电流残差eI3，右主推的电流残差eI4；

对电压残差设定阈值b1，对电流残差设定阈值b2，因此推进器的故障诊断分类如下：当|evi|＜b1 |eIi|＜b2 i＝1,2,3,4时推进器正常运转；

当evi＜‑b1 eIi＞b2 i＝1,2,3,4时推进器空转；

evi＞b1 eIi＜‑b2 i＝1,2,3,4时推进器卡死；

|evi|＜b1 |eIi|＞b2 i＝1,2,3,4时推进器缠绕；

因此，通过推进器电压电流状态检测子系统，我们可以得到推进器的故障类型。

5.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(5)中，改进的滑模控制器趋近律的建立具体有以下步骤：(5.1)设计了新型的指数趋近律，并将积分增益引入指数趋近律中，如下：式中 为新型的指数趋近律，s为滑模面，式中 为对s进行求导，ε>0，q1>0，q2>0，K1>0；ρ为积分函数， K1，K2为待调参数；

将积分增益引入指数趋近律中，不但可以消除外部干扰带来的稳态误差，还能够减小系统的抖振；

新型指数趋近律的系统如下所述：

式中x为状态空间模型，为对x进行求导；

将系统的滑模面函数定义为：

s＝Cx                      (8)式中A、B和C为系统系数矩阵；C满足滑膜稳定条件且CB>0；

定义李雅普诺夫函数：

因此：

式中 为对V进行求导；

为实现滑模控制需有滑动模态，而李雅普诺夫函数型滑模面有滑动模态的前提条件是：滑模面以外的任意点在有限时间达到滑模面，即：系统到达最优滑模控制时，系统在滑动模态内的同等控制为ueq；

‑1

ueq＝‑(CB) CAx    (11)

引入积分型增益，系统控制律如下：

u＝ueq+ud       (12)

2 3

ud＝‑εsgn(s)‑q1s‑q2ssgn(s)‑K1|ρ|s   (13)根据李雅普诺夫函数型达到滑动模态的前提，把设计的控制律代入 后，可得：根据李雅普诺夫稳定定理可知，该新型的指数趋近律可以使系统进入滑动模态；

(5.2)向改进的滑模控制器输入水下机器人的期望姿态，可以得到控制器的期望控制输出τ；

式中：B为推进器布置矩阵，T1为前垂推产生的推力矢量，T2为后垂推产生的推力矢量，T3为左主推产生的推力矢量，T4为右垂推产生的推力矢量；l为螺旋桨3和螺旋桨4与重心间的水平距离；τu为纵向期望推力，τv为横向期望推力，τw为垂向期望推力。

6.如权利要求1所述的水下机器人推进器故障诊断与容错控制方法，其特征在于，所述步骤(6)中，容错控制具体有以下步骤：(6.1)得到滑模控制器的输出τ后，需要进行推力分配，由建立的主动容错推力分配器将τ分配到每个推进器上；

(6.2)引入权重矩阵W＝diag(ω1，ω2，ω3，ω4)来描述故障时不同推进器的分配权重，权重矩阵与推进器的故障程度相关，当推进器无故障时，ωi＝1，各推进器权重相等；当推进器出现部分或完全故障时， si为实际推力与无故障时输出推力之比；若某推进器完全故障，则此时si＝0；

(6.3)结合权重矩阵，对控制输出τ进行分配如下：‑1 T ‑1 T ‑1

c＝Bωτ＝[W B(BW B) ]τ                                             (16)‑1 T ‑1 T ‑1式中，Bω＝W B(BW B) ，c为各推进器的推力矢量；

(6.4)由于在任务期间，推进器除卡死情况，仍能通过调整电压来进行控制；因此在检测到故障后，结合权重矩阵，修改改进的滑模控制器的输出来调整推进器的输出，使其恢复正常；

结合故障信息，修正后的控制器输出τF定义为：

τF＝Wτ     (17)

将式(17)代入式(16)，可以得到修正后各推进器的推力矢量cF：因此，当推进器出现缠绕等故障，并仍然可控时，通过调节权重矩阵可以对故障导致的残差进行补偿，恢复推进器输出，实现容错控制。