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；

(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：b

N(K)＝aK

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；

(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.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，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。

4.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：{u(n)}＝[u(1) u(2) … u(L)]；

(2.2)对时间序列{u(n)}＝[u(1) u(2) … u(L)]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{u1(n)}＝[u(1) u(2) … u(l)]、{u2(n)}＝[u(2) u(3) … u(l+1)]、…、{u(L‑l+1)(n)}＝[u(L‑l+1) u(L‑l+2) … u(L)]。

5.根据权利要求4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{ui(n)}进行小波分解，得到小波尺度分量{uiA(n)}＝[uiA(i) uiA(i+1) … uiA(l+i‑1)]和小波细节分量{uiD(n)}＝[uiD(i) uiD(i+1) … uiD(l+i‑

1)]，其中，i＝1、2、…、L‑l+1；

(2.4)基于灰色预测理论将小波尺度分量{uiA(n)}前向预测Q×l节拍的数据，得到预测数据序列{uiAP(n)}：{uiAP(n)}＝[uAP(i),uAP(i+1),…,uA(l+i‑1),uAP(l+i)，uAP(l+i+1)，…uAP(l+l+i‑

1)，…，uAP((Q‑1)l+i),uAP((Q‑1)l+i),…，uAP(Q×l)](2.5)在预测数据序列{uiAP(n)}中叠加原始序列的小波细节分量{uiD(n)}，得到幅值重构的预测轨迹{uiAPR(n)}。

6.根据权利要求5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：(0) (1) (1)

对原始序列x (k)进行依次累加生成新的序列x (k)，对生成的新的序列x (k)进行邻值生成：(1) (1) (1)

z (k)＝αx (k)‑(1‑α)x (k‑1)

(1)

其中，α为生成系数，α∈[0,1]；z (k)为白化背景值；

(0) (1)

建立微分方程：x (k)+βz (k)＝θ；其中，β为发展系数，θ为灰作用量；

建立灰色预测模型：Y＝Bu；其中：

通过最小二乘法求解β和θ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。

7.根据权利要求5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{u1APR(n)}、{u2APR(n)}、{u3APR(n)}、……、{u(L‑l+1)APR(n)}融合为一条路径{uF(n)}；

基于修正贝叶斯算法从融合路径{uF(n)}中提取故障特征，得到故障特征预测序列{FF(n)}＝[FF(1) FF(2) … FF(Q×l)]。

8.一种权利要求1至7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：b

N(K)＝aK

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。

9.一种计算机设备，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7中任意一项所述方法的步骤。

10.一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7中任意一项所述的方法的步骤。