1. 课程导入与PHM全景

水下机器人一旦下潜，就进入了一个“通信受限、维修不可达、环境不确定”的工作域。无论是执行海底地形测绘的无人潜航器（AUV），还是依靠脐带缆由母船操控的遥控潜航器（ROV），其任务成败往往取决于几个关键子系统能否在长时间、高压、强腐蚀、弱观测的条件下持续正常工作：推进器与舵机、电池与配电、惯性导航与多普勒计程仪、深度与泄漏传感器、脐带缆与接插件、以及主控与通信链路。理解PHM，首先要理解这些系统“坏起来有多贵”。

故障代价可以从三个层面看。第一是任务代价：AUV在测绘中途因电池单体异常或推进器卡滞而中断，意味着数小时的船时、重新布放回收的风险，以及测绘条带拼接失败。第二是装备代价：ROV在近底作业时推进器密封失效进水，轻则电机烧毁，重则整机报废，而深海打捞本身成本极高。第三是安全与环境代价：深度控制失效、压载异常或泄漏未被及时发现，可能导致潜航器失联甚至污染敏感海域。正因如此，水下机器人的维护策略不能停留在“坏了再修”，而需要向“提前知道它要坏、知道还能撑多久、知道该不该继续任务”演进——这正是PHM要解决的问题。

把PHM拆开看，它包含一条清晰的能力闭环。起点是数据获取：通过振动、电流、温度、压力、深度、姿态、电压、绝缘电阻、泄漏开关等信号，建立装备运行状态的观测面。第二步是状态监测与特征提取：从原始信号中提取能反映退化或异常的特征，例如推进器电流的谐波分量、电池充电曲线的内阻变化趋势、姿态控制误差的方差。第三步是故障诊断：判断“是否异常、异常在哪、属于哪类故障”，输出故障模式与置信度。第四步是故障预测：估计剩余使用寿命（RUL）或未来一段时间内的失效概率，回答“还能用多久”。第五步是健康管理与决策：结合任务剖面、风险等级与维护资源，给出继续任务、降级运行、返航或安排维护的建议。最后，维护执行结果与新增数据回流，修正模型与阈值，闭环才真正成立。

这张图把PHM的闭环与落地边界放在一起看，能避免两个常见误区。第一个误区是把PHM等同于“故障诊断”：诊断只回答“现在坏没坏、坏在哪”，而PHM还必须回答“接下来会怎样、该怎么办”。第二个误区是忽视平台差异：AUV与ROV的PHM实现方式并不相同。

对AUV而言，能源与通信是硬约束。它大部分时间处于自主航行状态，无法把高频振动原始数据实时传回母船，因此机载端通常只做轻量化的特征计算与阈值判断，例如对推进器电流做滑动窗口均方根与谐波能量统计，对电池组做单体电压离散度与温升速率监测；完整数据在回收后再做深度诊断与寿命建模。一个合理的教学示例是：某AUV推进器电流在相同转速指令下的滑动窗口均方根由基线约3.2 A缓慢升至3.6 A，同时该路电流的二倍频分量占比上升，机载端据此给出“推进器负载异常，建议缩短本航次剩余测绘里程”的降级建议——这类数值属于示例假设，用于说明判断逻辑，而非实测结论。

对ROV而言，脐带缆提供了电力与实时通信，母船端可以持续获得更完整的信号，因此PHM可以把更多计算放在水面侧：实时监测推进器电流与振动、液压系统压力、绝缘电阻、舱内湿度与泄漏开关状态，并结合作业工况（定深悬停、近底平移、机械手作业）做上下文相关的异常判断。例如在近底作业时推进器负载天然升高，若仍用固定阈值就会误报，因此需要按工况分段的阈值或残差模型。ROV的决策输出也更偏“可干预”：提示操作员降低推进器占空比、切换备份推进器、提前结束本次下潜。

无论AUV还是ROV，PHM落地都要面对几个现实边界。其一是传感器可得性：耐压舱内空间、穿舱件数量、功耗与成本都限制测点密度，不能照搬陆上旋转机械的完整测点方案。其二是故障样本稀缺：真实失效数据极少，模型更多依赖机理分析、加速寿命试验与仿真数据，因此预测结果必须带置信度与不确定性区间，不能给出“精确到小时”的假精确。其三是可解释与可追责：水下作业决策影响安全，PHM输出需要能说明依据，例如“哪一路特征越限、越限多少、对应哪种故障模式”，而不是一个黑箱分数。其四是与现有体系的衔接：PHM不是替代原有下潜前检查与维护规程，而是把检查记录、维护记录、运行数据统一到同一健康档案中，让历史维护信息成为预测的先验。