1.一种基于时频能量的水下推进器故障诊断方法，其特征在于，包括以下步骤：(1)获取时间长度为L1的水下机器人动态信号；

(2)通过平滑伪维格纳‑威利分布算法得到水下机器人动态信号的时频功率谱SPWVD(n,m)，其中，n为时间节拍，n＝1,2,3,…,L1，m为频率轴序号，m＝1,2,3,…,N3；N3为频率轴划分区间数；

(3)根据步骤(2)中时频功率谱SPWVD(n,m)得到瞬时功率谱熵曲线，并根据瞬时功率谱熵曲线得到故障能量区域的时域边界，其中，故障能量区域的时域下边界为TL，故障能量区域的时域上边界为TU；

(4)在时频功率谱中划分时域下边界TL和时域上边界TU，并计算时频功率谱中时域边界内外的能量差：其中，t为时间节拍，i和k为频率轴序号；

(5)确定时频功率谱中故障能量区域的频域边界：

根据步骤(4)得到能量差曲线，能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU，以能量差最大值所在位置为起点，沿着能量差曲线向左延伸至局部能量差极小值，局部能量差极小值对应的频率为故障能量区域的频域下边界FL；

(6)将步骤(3)得到的时域边界和步骤(5)得到的频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征：其中，F为时频能量故障特征，t为时间节拍，i为频率轴序号；

(7)重复步骤(1)到步骤(6)，得到多组不同工况样本下的多组时频能量故障特征，然后基于支持向量数据描述算法建立水下推进器故障分类模型；具体为：获取多组水下机器人动态信号，训练得到多组不同工况样本下对应的时频能量故障特征，根据有训练样本的工况得到的时频能量故障特征，对无训练样本工况进行时频能量故障特征估计，利用有训练样本工况和无训练样本工况的时频能量故障特征，基于水下推进器故障分类模型迁移学习建立新故障分类模型，具体包括以下步骤：(11)得到多组有训练样本工况下的时频能量故障特征，包括工况c1和工况c2；

(12)估计无训练样本工况下的时频能量故障特征最大值：

其中，c1、c2表示有训练样本的某一工况，cu表示无训练样本的某一工况， 表示c1工况下原始时频能量故障特征最大值， 表示c2工况下原始时频能量故障特征最大值，表示cu工况下原始时频能量故障特征最大值；

(13)估计无训练样本工况下的归一化尺度：

其中， 表示c1工况下的归一化尺度， 表示c2工况下的归一化尺度， 表示cu工况下的归一化尺度；

(14)估计无训练样本工况下的时频能量故障特征最小值：

(15)对多组有训练样本工况及无训练样本工况的时频能量故障特征进行归一化处理，利用归一化后的时频能量故障特征，基于水下推进器故障分类模型迁移学习建立新故障分类模型；

(16)根据获取的水下机器人动态信号，得到当前工况下水下推进器的时频能量故障特征，根据步骤(15)的新故障分类模型，对此时水下推进器的故障类型进行诊断；

(8)根据获取的水下机器人动态信号，得到当前工况下水下推进器的时频能量故障特征，根据步骤(7)的故障分类模型，对此时水下推进器的故障类型进行诊断。

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(7)中包括对时频能量故障特征进行归一化处理，并利用归一化后的时频能量故障特征建立水下推进器故障分类模型，时频能量故障特征归一化处理为：c c

其中，c表示某一工况，Fλnor表示c工况下归一化后的时频能量故障特征，Fλ表示c工况c下对应于故障程度为λ时的原始时频能量故障特征，Fmin表示c工况下原始时频能量故障特c c c征最小值，Fmax表示c工况下原始时频能量故障特征最大值，|Fmax‑Fmin|表示c工况下的归一化尺度。

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，所述步骤(2)中时频功率谱SPWVD(n,m)的计算公式为：其中，SPWVD(n,m)为时频功率谱，h(k)为频域方向的平滑窗函数，k为函数自变量，k＝‑(L‑1)～(L‑1)，L为不大于(N3)/4的最大整数；g(l)为时域方向的平滑窗函数，l为函数自变量，l＝‑(M‑1)～(M‑1)，M为不大于(N3)/5的最大整数；z(n)为水下推进器动态信号的解析信号，z*(n)为z(n)的共轭复数，j为复数的虚部。

4.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(3)中瞬时功率谱熵曲线的计算公式为：其中，p(n,m)为概率密度函数，H(n)是瞬时功率谱熵曲线。

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，所述步骤(3)中根据瞬时功率谱熵曲线得到故障能量区域的时域边界具体内容为：计算时间节拍的对应瞬时功率谱熵，当取n＝1，m＝1，2,3，…，N3时，计算得到H(1)，当取n＝2，m＝1，2,3，…，N3时，计算得到H(2)，以此类推，最后得到H(L1)；确定瞬时功率谱熵曲线中的最小值，以最小值所在位置为起点，分别沿着该曲线向两侧延伸至局部极大值，其中，左侧局部极大值对应时间节拍定为故障能量区域的时域下边界TL，右侧局部极大值对应时间节拍定为故障能量区域的时域上边界TU。

6.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，所述水下机器人动态信号包括水下推进器纵向速度信号和推进器控制电压变化率。

7.一种采用权利要求1所述基于时频能量的水下推进器故障诊断方法的诊断系统，其特征在于，包括：信号采集模块，用于获取时间长度为L1的水下机器人动态信号；

时域边界计算模块，用于计算得到水下机器人动态信号时频功率谱中故障能量区域的时域边界；

频域边界计算模块，用于根据时频功率谱中时域边界内外的能量差，得到水下机器人动态信号时频功率谱中故障能量区域的频域边界，得到时频功率谱中时域边界内外的能量差曲线，能量差曲线中能量差最大值对应的频率为故障能量区域的频域上边界FU，以能量差最大值所在位置为起点，沿着能量差曲线向左延伸至局部能量差极小值，局部能量差极小值对应的频率为故障能量区域的频域下边界FL；

故障特征计算模块，用于将时域边界和频域边界内的时频功率谱的和作为水下推进器故障的时频能量故障特征；

模型建立模块，用于将多组不同工况样本下对应的时频能量故障特征，基于支持向量数据描述算法建立水下推进器故障分类模型。