1.一种基于预测节拍动态调整的水下推进器故障诊断方法，其特征在于，包括以下步骤：（1）采集水下机器人的动态信号；

（2）建立灰色预测模型；获取当前时刻动态信号的时间序列，对时间序列进行灰色预测，得到预测轨迹；对动态信号进行多路径灰色预测，建立多路径灰色融合预测模型；获取当前时刻动态信号的时间序列，对时间序列进行重叠采样，得到多个单支路径序列，对每个单支路径序列进行灰色预测，得到多个单支路径预测结果，基于K均值聚类分析将多个单支路径预测结果融合为一条路径的预测轨迹；

（3）基于修正贝叶斯算法从预测轨迹中提取故障特征，得到故障特征预测序列；

（4）获取故障特征预测序列的斜率K，选取故障特征预测序列中第N个预测节拍的特征值，N的计算公式为：，

其中，a、b为实验得到的常数，从故障特征预测序列选取一个预测节拍的特征值，作为当前时刻的故障特征值；

（5）将选取的故障特征值带入到故障辨识模型，所述故障辨识模型通过水下推进器故障试验建立，进行水下推进器故障辨识，得到水下推进器当前时刻的故障程度；建立故障辨识模型的具体内容为：进行水下推进器故障试验，获取水下机器人动态信号，基于修正贝叶斯算法从动态信号中提取故障特征，基于模糊支持向量域描述算法利用故障特征建立故障辨识模型；

（6）获取下一时间节拍的时间序列，重复步骤（2）至步骤（5），得到推进器下一时间节拍的故障程度。

2.根据权利要求1所述的水下推进器故障诊断方法，其特征在于，所述步骤（2）中获取当前时刻动态信号的时间序列，对时间序列进行重叠采样，得到多个单支路径序列的具体步骤为：（2.1）采用长度为L的时间窗对动态信号进行截取，从当前时刻开始，向左依次提取L个数据，得到长度为L的时间序列： ；

（2.2）对时间序列 进行重叠采样，得到多个单支路径序列，每个单支路径序列的数据长度为l，共计L‑l+1个单支路径序列，即、 、…、。

3.根据权利要求2所述的水下推进器故障诊断方法，其特征在于，所述对每个单支路径序列进行灰色融合预测的具体步骤为：（2 .3）对每个单支路径序列 进行小波分解，得到小波尺度分量和小波细节分量

，其中， ；

（2.4）基于灰色预测理论将小波尺度分量 前向预测 节拍的数据，得到预测数据序列 ：；

（2.5）在预测数据序列 中叠加原始序列的小波细节分量 ，得到幅值重构的预测轨迹 。

4.根据权利要求3所述的水下推进器故障诊断方法，其特征在于，所述灰色预测理论具体为：对原始序列 进行依次累加生成新的序列 ，对生成的新的序列 进行邻值生成：

，

其中， 为生成系数， ；  为白化背景值；

建立微分方程：  ；其中， 为发展系数， 为灰作用量；

建立灰色预测模型： ；其中：

， ， ， ；

通过最小二乘法求解 和 的最小估计值 ，由此可得相应的白化微分方程为 ，对白化微分方程求解得预测方程：；

由预测方程进行累计还原得到预测序列。

5.根据权利要求3所述的水下推进器故障诊断方法，其特征在于，基于K均值聚类分析将多个单支路径预测结果 、 、 、……、 融合为一条路径 ；

基于修正贝叶斯算法从融合路径 中提取故障特征，得到故障特征预测序列。

6.一种权利要求1至5任意一项所述水下推进器故障诊断方法的诊断系统，其特征在于，包括采集模块，用于采集水下机器人的动态信号；

模型建立模块：用于建立灰色预测模型；获取当前时刻动态信号的时间序列，对时间序列进行灰色预测，得到预测轨迹；

故障特征值获取模块，用于基于修正贝叶斯算法从预测轨迹中提取故障特征，得到故障特征预测序列；获取故障特征预测序列的斜率K，选取故障特征预测序列中第N个预测节拍的特征值，N的计算公式为：，

其中，a、b为实验得到的常数，从故障特征预测序列选取一个预测节拍的特征值，作为当前时刻的故障特征值；

故障辨识模块，用于将选取的故障特征值带入到故障辨识模型，所述故障辨识模型通过水下推进器故障试验建立，进行水下推进器故障辨识，得到水下推进器的故障程度。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至权利要求5中任意一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求5中任意一项所述的方法的步骤。