0 引　言

水面无人艇（Unmanned Surface Vehicle, USV）是一种能够在远程操控或自主模式下航行的水面平台，应用领域广泛^{[1 − 2]}。凭借其小型化、快速响应、智能灵活等特点，USV已在海洋环境监测、水深测量、港口安防、搜救与应急响应等场景中展现出巨大价值^[3]。随着USV执行长航时、高机动性任务的需求不断增加，其系统的可靠性、健康管理水平和故障监测能力已成为关键研究方向^{[4 − 6]}。然而，在推进器发生故障或受到外界干扰时，USV的系统模型通常表现出复杂的非线性动态特性，且故障形式多样，这使得故障诊断任务面临严峻的挑战^[7]。

目前，USV的研究主要集中在路径规划、目标检测、跟踪及自主避障等领域，而针对推进器故障诊断的研究相对较少。由于USV模型存在强耦合性、高度非线性和未建模动态等问题，传统的单一模型故障诊断方法往往难以适应复杂环境。现有故障诊断研究主要包括数据驱动方法和基于滤波器的模型驱动方法。数据驱动方法依赖于大规模数据样本，通过机器学习和深度学习模型提取特征并进行故障分类。郑海心等^[8]提出一种改进的视觉Transformer(VIT)优化注意力机制，实现了无人艇交流低压电力系统短路故障的诊断；CHOO等^[9]提出了一种基于振动、电流消耗和转速特征提取的故障诊断方法，并结合主成分分析和香农熵进行故障分类；CHO等^[10]则采用小波时频图与视觉Transformer相结合的方法，实现了不同转速下USV推进器的故障识别。基于滤波器的模型驱动方法，通过比较模型估计值与传感器测量值之间的残差来进行故障检测。这些方法通常能够提供较高的理论可靠性，并适用于在线监测任务。KO等^[11]提出了迭代最优两级扩展卡尔曼滤波器，用于检测惯性测量单元和推力器的故障；ZHANG等^[12]设计了自适应卡尔曼滤波器，用于检测线性时变和线性参数变化系统的执行器故障；SKRIVER等^[13]将该方法扩展到非线性系统，并提出了增强型EKF；ZHOU等^[14]和FEI等^[15]研究了网络环境下USV执行器故障的检测方法。这些滤波器方法能够在一定程度上提高故障检测的鲁棒性，但在复杂机动条件下，单一滤波器的估计可能会受到环境不确定性因素的干扰，导致误判^[16]。

然而，现有的故障诊断方法仍然存在一定的局限性。数据驱动的方法在数据样本有限的情况下，其泛化能力较弱，可能在特定工况下出现诊断精度下降的问题，并且通常难以满足在线故障诊断的实时性要求。此外，传统的基于单一滤波器的故障诊断方法往往依赖于单一模型的残差信息，面对复杂环境中的不确定性因素，其鲁棒性和适应性均显得不足。在USV执行复杂机动任务时，单一滤波器的估计可能导致故障误判，从而降低故障诊断的可靠性^[17]。

针对上述问题，本文提出一种融合联邦无迹卡尔曼滤波（UKF）与多模型自适应估计（MMAE）的推进器故障诊断方法。该方法通过并行运行多个UKF子滤波器，分别对健康状态和不同故障模式进行建模，并利用MMAE计算模型的概率权重，从而实现对故障类型的自适应识别。在此基础上，FUKF依据MMAE计算得到的权重对所有UKF估计值进行加权融合，以提高状态估计的精度和鲁棒性。与传统的单一滤波器方法相比，该方法不仅能够适应USV系统的非线性和未建模动态特性，还能在线实时监测故障并精确估计其严重程度。

1 无人艇数学模型 1.1 无人艇坐标系

本文以水面无人艇为研究对象，结合其耦合运动特性，将其视为具有六自由度（6-DOF）的刚体运动系统，包括横荡、纵荡、垂荡、横摇、纵摇和艏摇。为描述其运动状态，假设作用中心位于水面线中心，并引入2个右手笛卡尔坐标系，惯性坐标系（x轴指向正北）和附体坐标系（x轴指向船首）。在分析中，忽略垂荡、纵摇和横摇的影响，将无人艇的运动简化为三自由度（3-DOF）水平面运动，仅考虑横荡、纵荡和艏摇。无人艇三自由度模型示意图如图1所示。

图1中：G为船舶重心；$u$为纵荡速度；$v$为横荡速度；$r$为艏摇角速度；$U$为平动总速度；$\delta $为舵角；$\psi $为航向角；$\beta $为漂角。

1.2 无人艇运动数学模型

通过向量形式描述作用于船舶的力和力矩，并基于牛顿力学与拉格朗日力学原理，可将无人艇的三自由度非线性运动方程表示为：

$ \left\{ \begin{aligned} &\dot \eta = {\boldsymbol{J}}\left( \psi \right)v ，\\ &{\boldsymbol{M}}\dot v + C\left( v \right)v + {\boldsymbol{D}}\left( v \right)v = {\tau _c}{\text{ + }}{\tau _e} 。\end{aligned} \right.$

(1)

式中：$ \eta=\left[x,y,\psi\right]^{\mathrm{T}} $为无人艇的位置向量；$ {\boldsymbol{J}}(\psi ) $为将附体坐标系转换至惯性坐标系的坐标转换矩阵；$ v= \left[u,v,r\right]\mathrm{^{\mathrm{T}}} $为速度向量；${\boldsymbol{M}}$为系统的惯性矩阵，且${\boldsymbol{M}} = {{\boldsymbol{M}}^{{{\rm{T}}}}}$；${\boldsymbol{C}}\left( v \right)$为科氏力和向心力矩阵，满足$ {{\boldsymbol{C}}=-{\boldsymbol{C}}^{\rm{T}}} $；${\boldsymbol{D}}\left( v \right)$为线性阻尼矩阵，$ {\boldsymbol{D}}\left(v\right)\ne {\boldsymbol{D}}{^{\rm{T}}}\left(v\right) $且${\boldsymbol{D}}\left( v \right) > 0$，$ \tau_c= [\tau_u,\tau_v,\tau_r]^{\rm{{T}}} $是控制输入的矢量，包括3个方向的力和力矩，$ \tau_e=[d\tau_u,d\tau_v,d\tau\mathit{_r]{^{\rm{T}}}} $为作用在无人艇上的外界干扰。${\boldsymbol{M}}$、${\boldsymbol{C}}\left( v \right)$和${\boldsymbol{D}}\left( v \right)$表达式如下：

$ {\begin{gathered}J\left(\psi\right) = \left[ \begin{array}{*{20}{c}}\cos\psi & -\sin\psi & 0 \\ \sin\psi & \cos\psi & 0 \\ 0 & 0 & 1\end{array} \right],M=\left[ \begin{array}{*{20}{c}}m_{11} & 0 & 0 \\ 0 & m_{22} & 0 \\ 0 & 0 & m_{33}\end{array} \right]，\\ D\left(v\right) = \left[ \begin{array}{*{20}{c}}d_{11} & 0 & 0 \\ 0 & d_{22} & 0 \\ 0 & 0 & d_{33}\end{array} \right],C\left(v\right)=\left[ \begin{array}{*{20}{c}}0 & 0 & -m_{22}v \\ 0 & 0 & m_{11}u \\ m_{22}v & -m_{11}u & 0\end{array} \right]。\\ \end{gathered} }$

(2)

对于双推进器无人艇，其动力输入由左右螺旋桨的推力提供，分别定义左推进器推力为$ {T_L} $，右推进器推力为$ {T_R} $，在纵荡方向上的控制输入矢量可表示为

$ \tau=[\tau_u,\tau_v,\tau_r]{^{\rm{T}}}=\left[(T_L+T_R),0,(T_L-T_R)\cdot\frac{B}{2}\right] 。$

(3)

式中：$ B $为2个推进器之间的距离。

根据式(1)，可以推导出无人艇三自由度运动学方程表达式如下式：

$ \left\{\begin{aligned} & \dot{x}=u\cos\left(\psi\right)-v\sin\left(\psi\right)，\\ & \dot{y}=u\sin\left(\psi\right)+v\cos\left(\psi\right)，\\ & \dot{\psi}=r，\\ & \dot{u}=\displaystyle\frac{m_{22}}{m_{11}}vr-\displaystyle\frac{d_{11}}{m_{11}}u+\displaystyle\frac{1}{m_{11}}\delta_T，\\ & \dot{v}=\displaystyle\frac{m_{11}}{m_{22}}ur-\displaystyle\frac{d_{22}}{m_{22}}v，\\ & \dot{r}=\displaystyle\frac{m_{11}-m_{22}}{m_{22}}uv-\displaystyle\frac{d_{33}}{m_{33}}r+\displaystyle\frac{1}{m_{33}}\delta_r。\end{aligned}\right. $

(4)

状态向量$ x(t) $和控制输入向量$ u(t) $的定义如下式：

$ \left\{ {\begin{aligned} &{x(t) = {{[x,y,\psi ,u,v,r]}^{\rm{T}}}}，\\ &{u(t) = {{[{T_L},{T_R}]}^{\rm{T}}}}。\end{aligned}} \right. $

(5)

式中：$ x $和$ y $为无人艇的位置；$ \psi $为航向角；$ u $，$ v $，$ r $分别为纵向速度、横向速度以及航向速度。

1.3 环境扰动及测量噪声模型

无人艇所处的工作环境常常会由于风、浪、流等因素引发过程扰动。然而，要对这些扰动精确建模极具挑战性。鉴于此，本文使用权重为$ \mathit{\mathit{\alpha_{{d}}}} $的零均值时变随机量来模拟环境扰动，具体表述如下：

$ \mathit{\tau_d\mathit{ }}=\left[\begin{array}{*{20}{c}}\tau_{\text{ud}} \\ \tau_{\text{vd}} \\ \tau_{\text{rd}}\end{array}\right]=\alpha_{\text{d}}\left[\begin{array}{*{20}{c}}\mathrm{rand}(t) \\ \mathrm{rand}(t) \\ \mathrm{rand}(t)\end{array}\right]。$

(6)

式中：$ \mathrm{rand}(t) $为均值为0、范围在−1～1的随机数。

2 FUKF-MMAE算法

本文提出了一种基于联邦滤波与无迹卡尔曼滤波的多模型自适应估计算法，其算法框架如图2所示。该算法采用并行无迹卡尔曼滤波（UKF）结构，能够同时估计系统的固有状态及扩展状态（即与故障推进器相关的状态），并通过信息融合获得系统状态全局估计结果，从而提高系统在不同工况下的鲁棒性和估计精度。

具体而言，该算法首先在不同的故障假设下并行运行多个UKF。其中，无故障UKF负责估计正常工况下的系统状态，而其他 UKF 则针对不同的故障模型（如左推进器故障、右推进器故障）分别进行状态估计，以实现对推进器故障的实时监测与诊断。随后，多模型自适应估计算法（MMAE）通过计算各UKF的残差及残差协方差，并基于贝叶斯公式动态更新每个故障模型的概率权重，以量化不同故障模型的可信度。最后，联邦滤波框架依据MMAE计算得到的权重，对各UKF的状态估计进行加权融合，从而获得全局最优的系统状态估计结果。

2.1 无故障UKF滤波器设计

UKF基于经典卡尔曼滤波框架，引入无迹变换（UT）以处理非线性问题，从而提高估计精度。相比扩展卡尔曼滤波（EKF），UKF无需对非线性函数进行线性化近似，也不会忽略高阶项，因此在估计精度和稳定性方面表现更优。

对于具有高斯白噪声$ w(t) $、$ v(t) $的非线性方程，其状态估计模型一般描述为：

$ \left\{ {\begin{aligned} &{\dot x(t) = f(x(t)) + u(t) + w(t)} ，\\ &{z(t) = h(x(t)) + v(t)}。\end{aligned}} \right. $

(7)

$ f( \cdot ) $和$ h( \cdot ) $分别为系统的状态转移函数和测量函数；设过程噪声$ w(t) $的协方差矩阵为$ \boldsymbol{Q} $、测量噪声$ v(t) $的协方差矩阵为$ {\boldsymbol{R}} $。

假设采样周期为T，将式(6)离散化得：

$ \left\{\begin{aligned} & x_{k+1}=f_d(x_k,n\left(k\right))+w_k，\\ & z_k=h(x_k)+v_k。\end{aligned}\right. $

(8)

1） 状态初始化

$ \left\{ \begin{array}{*{20}{l}}\hat{x}_0=E(x_0)，\\ P_0=E((x_0-\hat{x}_0)(x_0-\hat{x}_0)\mathit{^{\text{T}}})。\end{array}\right. $

(9)

式中：$ {\hat x_0} $和$ {P_0} $分别为状态预测值和协方差矩阵的初始值。

2） Sigma点生成

对于n维状态向量，根据均值和方差计算2n+1个Sigma点：

$ x_{k-1\mid k-1}^i = \left\{\begin{aligned} & \hat{x}_{k-1\mid k-1}，i=0，\\ & \hat{x}_{k-1\mid k-1}+(\sqrt{n+\lambda}\times L_i)，i=1,2\cdots,n，\\ & \hat{x}_{k - 1\mid k - 1} - (\sqrt{n + \lambda}\times L_{i-n})，i=n + 1, \cdots ,2n。\end{aligned}\right. $

(10)

计算各采样点的权重：

$ \left\{\begin{aligned} & w_m^{(0)}=\displaystyle\frac{\lambda}{n+\lambda}，\\ & w_c^{(0)}=\displaystyle\frac{\lambda}{n+\lambda}+(1-\alpha^2+\beta)，\\ & w_c^{(0)}=w_m^{(0)}=\displaystyle\frac{\lambda}{2(n+\lambda)},i=1\text{\~2}n。\end{aligned}\right. $

(11)

式中：w_m和$ {w_c} $分别为系统状态均值和协方差；$ \lambda $为缩放参数；$ \alpha $为尺度参数；$ \beta $为用于优化高阶项误差，减少非线性影响。

3）预测步骤

$ \gamma_{k|k-1}^i=f(x_{k-1}^i)，$

(12)

$ \hat{x}_{k|k-1}=\sum_{ }^{ }w_m^{(i)}\gamma_{k|k-1，}^i $

(13)

$ P_{k|k-1} = \sum_{ }^{ }w_c^{(i)}(\gamma_{k|k-1}^i - \hat{x}_{k|k-1})(\gamma_{k|k-1}^i - \hat{x}_{k|k-1})\mathit{^{\mathrm{T}}} + Q。$

(14)

式中：$ f( \cdot ) $为状态转移方程；$ Q $为状态噪声；$ {w_m} $和$ {w_c} $为权重系数，其取值见式(11)。

4） 更新步骤

将更新后的sigma点集代入测量方程：

$ z_{k|k-1}^i=h(x_{k|k-1}^i)\quad i=0,1,\cdots,2n，$

(15)

$ \hat{z}_{k|k-1}^i=\sum\limits_{i=0}^{2n}w_i^{\text{m}}z_{k|k-1，}^i $

(16)

$ \boldsymbol{P}_k^{zz}=\sum\limits_{i=0}^{2n}w_i^c(z_{k|k-1}^i-\hat{z}_{k|k-1}^i)(z_{k|k-1}^i-\hat{z}_{k|k-1}^i)^{\text{T}}+R，$

(17)

$ {\boldsymbol{P}}_k^{xz} = \sum\limits_{i = 0}^{2n} {w_i^{\text{c}}} ({\mathbf{\gamma }}_{k|k - 1}^i - \hat x_{k|k - 1}^i)(z_{k|k - 1}^i - \hat z_{k|k - 1}^i) 。$

(18)

式中：$ z_{k|k - 1}^i $为预测观测值；$ h( \cdot ) $为系统测量方程；$ R $为系统观测噪声。

5） 滤波器增益计算：

$ K_k=P_k^{xz}(P_k^{zz})^{-1}。$

(19)

6） 状态和协方差更新：

$ \begin{gathered}\hat{x}_{k\mid k}=\hat{x}_{k\mid k-1}+K_k(z_k-\hat{z}_{k\mid k-1})，\\ P_{k\mid k}=P_{k\mid k-1}-K_kP_k^{zz}K_k^{\text{T}}。\end{gathered} $

(20)

2.2 推进器故障下UKF滤波器设计

为表示推进器故障，在原状态向量式(5)中引入故障程度估计，增广后状态为：

$ x(k)=[x,y,\psi,u,v,r,\alpha_i]\mathrm{^T}。$

(21)

对于推进器推力记为$ {\bar n_i}(t) $，若故障发生，则控制量建模为：

$ n_i(t)=\alpha_i\overline{n}_i(t)。$

(22)

则故障下的无人艇非线性方程为：

$ x(t+\Delta t)=f\left(x(t),\alpha_i(t)\overline{n}_i(t)\right)+w(t)。$

(23)

根据式(7)，可得增广状态的离散形式

$ \left\{\begin{aligned} & z_{k+1}^i = \left[ \begin{array}{*{20}{c}}x_{k+1} \\ \alpha_R(k+1)\end{array} \right] = \left[ \begin{array}{*{20}{c}}f\left(x_k,\alpha_i(k)\overline{n}_i(k)\right) \\ \alpha_R(k)\end{array} \right] + \left[ \begin{array}{*{20}{c}}w_k \\ w_{\alpha}(k)\end{array} \right] \\ & y_k=h(z_k^i)+v_k\end{aligned}\right.。$

(24)

其滤波器递推过程与式(9)～式(20)类似。

2.3 概率计算

在假设测量残差服从高斯分布的前提下，各故障模型的概率可依据Bayes后验概率进行更新。通过测量残差及其协方差矩阵，计算出每个模型在时刻$ k $发生故障的概率$ {p_i}(k) $，其计算公式如下：

$ p_i(k)=\frac{f(y_k\mid\theta=\theta_i,Y_{k-1})p_i(k-1)}{\displaystyle\sum\limits_{j=0}^Nf(y_k\mid\theta=\theta_j,Y_{k-1})p_j(k-1)}。$

(25)

式中：$ f({y_k}\mid \theta = {\theta _i},{Y_{k - 1}}) $为在已知测量数据序列$ {Y_{k - 1}} $并假设故障类型为$ {\theta _i} $的情况下，满足$ \displaystyle\sum\nolimits_{i = 1}^M {{p_i}(k) = 1} $当前测量值$ {y_k} $的概率密度函数。

根据高斯分布假设，该概率密度函数可表示为：

$ f(y_k \mid \theta = \theta_i,Y_{k-1}) = \frac{1}{(2{\text{π}})^{m/2}|\Sigma_i[k]|^{1/2}}\exp \left( - \frac{1}{2}r_i^{\rm{T}}\Sigma_i^{-1}r_i \right) 。$

(26)

式中：$ {\theta _i} $为故障类型，$ {Y_{k - 1}} $为到时刻$ k - 1 $的测量数据序列。

$ {r_i} $为滤波器计算的测量残差：

$ r_i(k)=y(k)-h(\hat{x}_k^{(i)}\mid k-1)。$

(27)

$ {\Sigma _i} $为该残差的协方差矩阵：

$ \Sigma_i[k]=\boldsymbol{H}_i(k)P(k-1)\boldsymbol{H}_i^{\mathrm{T}}(k)+\boldsymbol{R}_i(k)。$

(28)

式中：$ {{\boldsymbol{H}}_i}(k) $为测量矩阵；$ P(k - 1) $为状态协方差；$ {{\boldsymbol{R}}_i}(k) $为测量噪声协方差矩阵。

最终的联合状态估计由所有UKF状态估计值的加权和计算：

$ \hat{x}(k)=\displaystyle\sum_{i=0}^Mp_i\left(k\right)\hat{x}^i(k)。$

(29)

式中：$ {\hat x^i}(k) $表示第$ i $个子滤波器在$ k $时刻的状态估计值；$ {p_i}\left( k \right) $为式(25)对应模型的归一化概率权值。

3 仿真验证 3.1 实验条件设置

为了验证所提出故障诊断算法的有效性和鲁棒性，本文采用Otter^[18]作为无人艇模型。实验中故障持续时间设定为50 s，仿真时间步长为0.05 s，总仿真时长为300 s。实验设置为无人艇执行预定的矩形路径跟踪任务，并在t=100 s时对左推进器施加60%的效率损失，在t=200 s时对右推进器施加70%的效率损失。推进器推力控制输入如图3所示。

3.2 结果分析

如图3所示，在0～100 s期间，USV正常执行轨迹跟踪任务，系统处于无故障状态。在100～150 s期间，左推进器突发推力损失，引发故障。如图4(a)所示，故障发生后，USV的航向角出现突变。在附体坐标系下，其横向速度下降，相应的速度估计如图4(b)所示。由于在模型切换过程中会产生时间延迟，因此横向速度误差曲线有跳变误差，如图5(b)。受此影响，航向角也将持续变化，USV产生明显的姿态误差，如图5(a)所示。为了更清晰地评估不同算法的状态估计精度，图5展示了故障状态下的估计误差，即估计状态与理论状态之间的差异。对比基于两种滤波算法的故障程度估计结果可见，FUKF-MMAE在估计精度方面明显优于FEKF-MMAE，具体的故障程度估计结果如图6所示。

由图7(a)可见，在0～100 s、150～200 s、250～300 s期间，系统处于无故障状态，无故障模型的概率稳定为1，而左推进器和右推进器故障模型的概率均为0。在100～150 s期间，左推进器发生故障，对应故障模型的概率迅速收敛至1，而无故障模型和右推进器故障模型的概率下降至0。同理，在200～250 s期间，右推进器发生故障，此时右推进器故障模型的概率上升至1，而无故障模型和左推进器故障模型的概率均降为0。从图7(b)可以观察到，UKF在故障诊断中的响应速度快于EKF，能够更迅速地检测到故障的发生。

4 实艇验证

为了进一步验证本文提出算法的有效性，采用自主研发的1.3 m差速双推进器无人艇进行湖试实验，实验无人艇及实验环境如图8所示。

实验设置为无人艇按照预定轨迹执行跟踪任务。在本次湖试实验中，通过在推力分配过程中人为引入推力损失来模拟推进器故障。其中，在t=170 s时，左推进器发生60%的效率损失，在t=270 s时，右推进器发生70%的效率损失。每次故障均持续50 s，以评估系统在不同故障条件下的响应与适应能力。

无人艇的推力输入如图9所示。t=170 s时，左推进器故障被引入。受此影响，航向角发生偏移，如图10(a)所示，横向速度下降，如图10(b)所示。由于左推进器提供的推力减少，系统出现不对称推力分布。同时，由于外部环境干扰及模型切换延迟，故障发生后姿态误差增大，如图11(a)所示。横向速度误差曲线出现突变，如图11(b)所示。

t=270 s时，右推进器故障被引入。与左推进器故障相比，右推进器推力损失更大，导致更剧烈的航向角变化，如图10(a)所示。横向速度降低，如图10(b)所示。同样，由于模型切换延迟，姿态误差在故障发生后增大，如图11(a)所示，横向速度误差曲线出现突变，如图11(b)所示。

上述结果表明，不同故障条件下，推进器推力损失对无人艇的运动特性影响各异。推力损失程度越大，系统的动态响应越剧烈，稳定恢复所需时间也相应延长，同时导致更大的姿态误差、估计误差波动以及模型收敛延迟，不同故障条件下系统的动态响应特性存在明显差异。

推进器故障程度估计结果如图12所示。与左推进器故障相比，右推进器70%的推力损失系统动态响应更剧烈，使得估计误差增大，但仍能较准确估计。对比基于FUKF-MMAE和FEKF-MMAE的估计结果，可以观察到FUKF-MMAE仍然在估计精度方面明显优于FEKF-MMAE，但在实际环境下，其误差波动幅度相较于仿真有所增加。

各模型概率计算结果如图13所示。相比于仿真实验，实艇实验中的模型权重收敛速度相对较慢，主要受到外部环境扰动和传感器噪声的影响。在t=170～220 s期间，系统处于左推进器故障状态，此时左推进器故障模型的概率逐渐收敛至1，而无故障模型及右推进器故障模型的概率下降至0。然而，由于外部环境扰动的影响，模型权重的收敛存在一定延迟，导致短时间内难以快速稳定。在t=270～320 s期间，系统进入右推进器故障状态，此时右推进器故障模型的概率逐渐上升并收敛1，而无故障模型及左推进器故障模型的概率进一步下降至0。从实验结果可以看出，FUKF-MMAE在实际环境下依然能够有效识别推进器故障，并提供较高精度的状态估计。然而，在模型切换和故障解除的过渡阶段，由于环境扰动和模型收敛速度的影响，系统在短时间内难以快速恢复正常状态。

5 结　语

本文提出一种结合联邦无迹卡尔曼滤波（FUKF）与多模型自适应估计（MMAE）的无人艇推进器故障诊断方法。通过并行运行多个UKF子滤波器，分别对正常状态及不同故障模式进行建模，并利用MMAE计算各模型的概率权重，实现故障类型的自适应识别。FUKF进一步基于MMAE计算得到的权重，对各UKF估计值进行加权融合，以提高状态估计的精度和鲁棒性。仿真和物理实验结果表明，该方法在故障检测的实时性、诊断精度及稳定性方面均优于传统的联邦扩展卡尔曼滤波（FEKF）。在故障发生时，该方法能够快速识别故障类型，并准确估计故障程度，同时在故障恢复后迅速调整模型权重，避免误判。未来研究可进一步优化滤波器参数调整策略，并探索在更复杂的海况环境下的适用性，以提升该方法的工程应用价值。