1.一种水下机器人推进器故障时频特征增强方法，其特征是依序按以下步骤：第一步：采集和记录水下机器人的动态信号；

第二步：采用时域窗函数截取当前时间节拍以及之前时间节拍的水下机器人动态信号数据，当收到新的数据时，舍弃窗函数中第一个数据并将新收到的数据放在时间窗的末尾，始终保持窗函数内的数据长度；

第三步：对时域窗函数截取的数据进行多层小波分解，得到小波近似分量；

第四步：基于修正贝叶斯方法对小波近似分量数据进行处理，先计算推进器正常工作时水下机器人小波近似分量的期望值和方差，再对推进器正常和不同故障程度时的水下机器人动态信号小波近似分量进行处理；

第五步：基于平滑伪维格纳‑威利分布对第四步得到的结果进行处理，得到时频分布；

第六步：先对时频分布取绝对值，再进行二维卷积运算，得到时频分布二维卷积运算结果，采用式 进行二维卷积运

算，C(nc,mc)为时频分布二维卷积计算结果，n＝1，2，…，L，L＝400，m为动态信号数据频率轴上的序号，m＝1，2，…，N3，N3为频率轴划分区间数，SPWVDA(n,m)为时频分布的绝对值，nc是一个变量，取值为nc＝1，2，…，(2*L‑1)，同理，mc是另一个变量，取值为mc＝1，2，…，(2*N3‑1)；

第七步：将时频分布二维卷积运算结果转换为概率密度函数；

第八步：基于概率密度函数计算香农熵；

第九步：将香农熵值作为水下机器人推进器故障时频特征值。

2.根据权利要求1所述的一种水下机器人推进器故障时频特征增强方法，其特征是：第二步中，采用长度为L＝400的时域窗函数截取当前时间节拍以及前399个时间节拍的水下机器人动态信号数据。

3.根据权利要求1所述的一种水下机器人推进器故障时频特征增强方法，其特征是：第三步中，多层小波分解时，小波基函数为db4，分解层数为3，得到小波尺度系数和小波细节系数，舍去小波细节系数，并对小波尺度系数进行小波单支重构，得到小波近似分量。

4.根据权利要求3所述的一种水下机器人推进器故障时频特征增强方法，其特征是：多层小波 分解的 公式是 ： 小 波单支 重构的 公式是 ：u(n)为水下机器人动态信号，n为动态信号数据时间轴上的序号，n＝1，2，…，L，L＝400， 为db4尺度函数，j为小波分解层数，j‑j

＝1，2，3，k为小波系数序号，k＝1，2，…，不大于2 ×L的最大整数，为db4小波函数，Dj(k)为小波细节系数，Aj(k)为小波尺度系数，uA(n)为动态信号小波近似分量，<>为内积运算符。

5.根据权利要求1所述的一种水下机器人推进器故障时频特征增强方法，其特征是：小波近似分量的期望值 方差 uA0为推进器正常工作时水下机器人动态信号小波近似分量，N1＝400。

6.根据权利要求5所述的一种水下机器人推进器故障时频特征增强方法，其特征是：采用如下公式 对推进器正常和不同故障程度时的水下机器人动态信号小波近似分量进行处理，

uA(n)为推进器正常和不同故

障程度时的水下机器人动态信号小波近似分量，i＝1，2，…，N2，N2为窗函数长度，N2＝20，duA(n)为修正贝叶斯算法处理结果。