AUV故障类型较多,现今大量使用的AUV故障诊断方法主要是基于信号的方法,也就是通过对AUV传感器采集到的信号进行故障特征提取,基于传感器信号与AUV理论状态值的差值再进行故障分类。这种基于信号的故障诊断方法,对于故障观测器的设计专家具有较高的要求,其不仅需求扎实的信号处理技术同时对于目标载体的运动特性工作环境都要有很深入的了解,但是对于工作在深水中的AUV来说其工作环境十分复杂多变,若只依靠专家的离线设计故障观测器来进行AUV运行状态的检测,容易忽略一些新增故障与轻微故障。本文将研究重点落在了深度学习技术与AUV传感器与推进器故障诊断领域的融合应用,提出一种基于数据驱动的AUV故障诊断新思路,以增加AUV的自主性与鲁棒性。本文首先阐述了一般AUV的运动特性与运动模型的建模方法,同时提出了一种基于改进Elman神经网络的AUV动力学建模方法,并分析了该方法在AUV领域运用中的优势。分析了 AUV总体系统故障诊断的复杂程度并得出结论AUV的故障诊断思想应从分解的角度考虑,同时指出AUV推进器与传感器的典型故障类型,选定本论文的仿真故障类型为推进器的螺旋桨缠绕、磨损以及传感器TCM-5的偏差性故障和开路性故障。并以“隧洞”号AUV为基础建立了半实物仿真模型,通过半实物仿真得到AUV的推进器与传感器故障样本。其次,为了一定程度上的解决故障特征的耦合效应,本文中的所有故障样本均不是直接采用传感器实测状态值与AUV理论状态值的残差作为输入信号,而是将残差信号做FFT变换取其前2000组傅里叶系数作为输入信号。考虑到浅层网络在解决强非线性问题时容易发生的过拟合与维数爆炸问题,在AUV的推进器故障诊断中提出一种基于D-SAE深层网络的AUV推进器故障诊断方法。D-SAE算法的核心思想是自编码思想,以人为添加噪声的输入样本去拟合原始样本以此来增加网络的鲁棒性,十分适用于外部干扰较多的AUV系统,在训练的过程中加入dropout算法以此来提升网络结构抗过拟合问题的能力。并通过多组对比实验的比较,验证了本文所提出的基于D-SAE网络的AUV推进器故障诊断方法具有更高的计算速率与诊断精度。最后,考虑到AUV传感器故障信号中的局部特征具有重要信息的特性,若仅仅通过增加网络隐藏层中神经元的个数来达到提升网络对故障特征的提取能力,便容易造成网络的维数灾难以及过拟合现象。为了解决上述问题,本文中提出了一种具有局部班别能力并且训练时间相对较短的CDFL算法结构用于AUV传感器的故障诊断。本文所提出的CDFL网络其基本结构是具有卷积层与池化层的CNN网络,其特征在于卷积层中的滤波器权值由一个外部的BP网络来训练得到,并且在整个CDFL网络的后续反向传播中不改变其数值以保证其局部识别能力。所述的外部BP网络其输入层必须与卷积层中滤波器的大小相同,BP网络的隐藏层中神经元个数必须与滤波器的个数相同。并通过多组对比实验的比较,验证了本文所提出的基于CDFL网络的AUV传感器故障诊断方法具有更高的计算速率与诊断精度。