0 引言

　　APU（Auxiliary Power Units）即輔助動力裝置，其核心部件是一個安裝在飛機尾部的小型燃氣渦輪發(fā)動機。APU除了無法為飛機提供推力外，它幾乎可以代替飛機引擎的所有功能，可以為飛機引擎的啟動、空調(diào)等提供氣源，在緊急情況下為飛機提供電源等。因此，APU成為現(xiàn)代飛機上面一個不可或缺的設(shè)備。國內(nèi)、外對飛機主引擎的運行狀況十分重視并已取得了很大成功。而對APU的性能監(jiān)控與可靠性研究基本上處于空白階段，仍然依靠事后定點維修的方法，這使得APU常常工作在亞健康狀態(tài)，直至出現(xiàn)重大故障才會對其進行維修，這不僅增大了航空公司的運營成本，也對飛機的飛行安全產(chǎn)生嚴重影響。

　　針對以上狀況，本文在借鑒對飛機引擎故障智能診斷方面經(jīng)驗的基礎(chǔ)上，提出了利用數(shù)字濾波算法和BP神經(jīng)網(wǎng)絡(luò)來建立APU故障智能診斷系統(tǒng)，該系統(tǒng)通過分析處理APU上面監(jiān)控傳感器輸出的數(shù)據(jù)，以期可以盡早發(fā)現(xiàn)APU潛在的前期故障，進而提醒機務(wù)維修人員及早對APU進行維修。利用本實驗室與南航沈陽維修基地相關(guān)項目采集的數(shù)據(jù)，建立了基于可測信息源的APU智能故障診斷系統(tǒng)；并利用APS3200型APU的數(shù)據(jù)樣本進行分析診斷，結(jié)果表明該系統(tǒng)可以實現(xiàn)APU潛在故障的診斷，且診斷正確率較高，滿足項目預期要求[1-2]。

1 APU故障智能診斷系統(tǒng)

　　如果APU在運行時發(fā)生故障，相應(yīng)的監(jiān)測傳感器輸出參數(shù)會發(fā)生變化，故障不同，傳感器輸出參數(shù)也會發(fā)生相應(yīng)的變化。因此，可以通過分析和處理這些傳感器輸出參數(shù)的變化情況，進而智能化地診斷出APU的故障（種類、嚴重程度及發(fā)生部位），這便是APU故障智能診斷系統(tǒng)。

　　1.1 APU傳感器信號獲取與分析

　　APU性能監(jiān)控參數(shù)（即傳感器輸出數(shù)據(jù)）通過進入MCDU（Main Centralized Display Unit）中的數(shù)據(jù)記憶模塊DMM獲得，在DMM中關(guān)于APU的性能監(jiān)控參數(shù)多達一百多個。本文在進行故障智能診斷時根據(jù)一線APU機務(wù)維修人員經(jīng)驗、廠家建議以及實際診斷需求分析，選取了其中幾個重要的參數(shù)作為APU性能監(jiān)控參數(shù)。本文主要選取了NPA（峰值轉(zhuǎn)速）、EGTP（峰值溫度）、STA（APU啟動時間）、EGT（排氣溫度）、PT（引氣壓力）、WB（引氣流量）、OT（滑油溫度）等作為APU故障監(jiān)控數(shù)據(jù)源。

　　APU監(jiān)控傳感器輸出的信號中含有豐富的、能夠反映APU實時運行狀態(tài)的有用信息，但由于APU工作時會產(chǎn)生高溫、高壓、強震動等惡劣環(huán)境參數(shù)，傳感器輸出的信號中會混有大量噪聲以及干擾成分。為了消除和降低噪聲及干擾的影響，在提取信號后對信號進行分析處理時，首先需要將APU監(jiān)控傳感器輸出的信號進行數(shù)字濾波處理，將信號中的野點和壞值剔除，濾掉信號中的隨機干擾噪聲。在濾波算法上，主要采用小波分析和巴特沃斯數(shù)字濾波器。之后需要將采集到的數(shù)據(jù)進行消除趨勢項、歸一化等處理[2-4]。

　　1.2 APU故障智能診斷分析

　　APU故障智能診斷，就是根據(jù)APU運行過程中產(chǎn)生的可測信息源數(shù)據(jù)，對其性能狀態(tài)信息進行監(jiān)測、識別和預測其運行狀態(tài)變化情況。根據(jù)對傳感器輸出數(shù)據(jù)的處理，在APU發(fā)生事故之前，及時作出智能化的診斷，確保機務(wù)維修人員可以盡快查明APU故障發(fā)生的原因和可能發(fā)生的部位，以便機務(wù)維修人員可以及時采取相應(yīng)決策排出故障，消除故障，減少故障保留，提高APU運行的可靠性和安全性。

　　故障智能診斷的關(guān)鍵在于找到傳感器參數(shù)變化狀況與APU故障特征參數(shù)之間的對應(yīng)關(guān)系。根據(jù)機務(wù)維修人員實際維修中的經(jīng)驗，APU常見的故障有：（1）整機性能衰減（1，0，0，0，0）；（2）轉(zhuǎn)軸機械卡阻（0，1，0，0，

　　0）；（3）起動機故障（0，0，1，0，0）；（4）滑油冷卻器故障（0，0，0，1，0）；（5）燃油組件故障（0, 0, 0, 0, 1）。

2 BP神經(jīng)網(wǎng)絡(luò)理論

　　人工神經(jīng)網(wǎng)絡(luò)是由大量模仿人腦細胞處理單元組成的非線性、大規(guī)模、自適應(yīng)學習系統(tǒng)，具有學習、記憶、并行計算以及智能處理功能，其可以在不同程度和不同層次上模仿人腦神經(jīng)系統(tǒng)并進行信息處理、存儲以及檢索功能等功能。它具有非線性、非局域性、非定常性和非凸性等特點[3-4]。

　　本文的故障智能診斷模型中用到的是BP神經(jīng)網(wǎng)絡(luò)。三層BP神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)的學習過程包括網(wǎng)絡(luò)內(nèi)部的前向計算和誤差的反向傳播計算。在前向計算中，輸入信息從輸入層經(jīng)隱含層逐層處理并傳向輸出層，每一層神經(jīng)元的狀態(tài)僅影響下一層的神經(jīng)元狀態(tài)。如果在輸入層得不到期望的輸出，則轉(zhuǎn)入誤差反向傳播，通過修改各層神經(jīng)元的連接權(quán)值，從而使得誤差最小。

　　取前向網(wǎng)絡(luò)神經(jīng)元的激勵函數(shù)為S型函數(shù)，任一節(jié)點的輸出為Oj，輸入為netj，則為節(jié)點j與上一層節(jié)點i的連接權(quán)值，j為節(jié)點的門限值。

　　使用均方型誤差函數(shù)為目標函數(shù)，即：

3 APU故障智能診斷的BP神經(jīng)網(wǎng)絡(luò)模型

　　3.1 APU故障診斷建模方法

　　設(shè)備故障智能診斷的實質(zhì)是實現(xiàn)設(shè)備征兆空間到設(shè)備故障空間的映射。設(shè)xkn(k=1，2，…，j)對應(yīng)APU運行狀態(tài)的第n個觀測樣本的第j個特征參數(shù)，ypn(p=1，2，…，i)對應(yīng)第n個樣本的i種故障模式。共有N個樣本，xkn∈RN，ypn∈RN(n=1，2，…，N)，則設(shè)備故障模式與設(shè)備特征參數(shù)之間有一定的內(nèi)在關(guān)系，該映射關(guān)系可以表示為函數(shù)F，則有X=F(Y)。當N→∞時，函數(shù)F的逆函數(shù)F存在，有Y=F(X)。故設(shè)備故障智能診斷的實質(zhì)就是根據(jù)有限的樣本集，確定函數(shù)F(X)的一個等價映射關(guān)系P(X)，使得對于任意的>0，均有：

　　||F(X)-P(X)||=||Y-Q||(8)

　　式中：Q=P(X)為模型輸出，Y=F(X)為標準輸出，||·||為定義在樣本空間R上的范數(shù)[7-10]。

　　3.2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇

　　根據(jù)前面對APU典型故障特征的分析，選擇APS3200型APU可測信息源中的7個參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，選擇APU比較典型的5種故障模式作為BP神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點。

　　為了使系統(tǒng)診斷的正確率較高，將權(quán)重設(shè)置為較小的隨機數(shù)，從而避免激活函數(shù)在開始時就進入飽和區(qū)。在BP網(wǎng)絡(luò)進行運算時，如果學習速率?琢取值不合適，則BP網(wǎng)絡(luò)達不到理想的收斂效果；而動量因子取值過大時將會造成網(wǎng)絡(luò)發(fā)散，取值過小時則會使網(wǎng)絡(luò)收斂速度變慢。根據(jù)以往積累的經(jīng)驗，本文將將學習速率設(shè)置為?琢=0.36，動量因子設(shè)置為?姿=0.56。

　　由于網(wǎng)絡(luò)的輸入節(jié)點物理量綱各不相同，造成各個傳感器輸出數(shù)據(jù)大小相差很大，各指標訓練樣本之間不具備可比性，無法進行綜合評估。故在將數(shù)據(jù)源導入BP神經(jīng)網(wǎng)絡(luò)進行分析訓練診斷之前，需要對數(shù)據(jù)進行歸一化處理[11-15]。

4 APU故障智能診斷實例

　　選擇APS3200型APU的7個傳感器的輸出數(shù)據(jù)作為測試（診斷）數(shù)據(jù)，這7個信息源如表1所示。故障診斷系統(tǒng)如圖2所示。

　　將采集到的相關(guān)傳感器檢測輸出數(shù)據(jù)經(jīng)過數(shù)字濾波處理，并對其進行歸一化處理后，作為系統(tǒng)輸入樣本數(shù)據(jù)，經(jīng)基于改進BP神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)處理后，將APU的健康狀況打印輸出出來，供機務(wù)維修人員使用。部分故障樣本數(shù)據(jù)以及模型診斷結(jié)果如表2、表3所示。

　　根據(jù)系統(tǒng)診斷計算，得出的結(jié)果是該型APU出現(xiàn)“滑油冷卻器故障”故障，在機務(wù)人員進行檢修時，確實出現(xiàn)該故障。在實際使用中診斷結(jié)果的正確性充分證明了該故障智能診斷模型的實用性和可行性。

5 實驗結(jié)果分析

　　根據(jù)以上系統(tǒng)診斷結(jié)果輸出可以看出，該智能故障診斷系統(tǒng)診斷結(jié)果準確，可以滿足實際機務(wù)維修需求。同時系統(tǒng)實際應(yīng)用表明，該智能故障診斷系統(tǒng)可以實現(xiàn)APU故障特征與APU故障的較好映射，可以用于解決APU這種復雜系統(tǒng)的故障診斷問題。該智能故障診斷系統(tǒng)具有重要的工程實踐意義與推廣價值，對于提高我國民航機務(wù)自動化維修水平具有重要意義，同時對提供航空公司經(jīng)濟效益也有重要幫助。

參考文獻

　　[1] 聶繼鋒.基于故障樹分析法的APU故障診斷研究[J].長沙航空職業(yè)技術(shù)學院學報，2012，12(3)：42-46.

　　[2] 馬洪濤.基于神經(jīng)網(wǎng)絡(luò)的APU故障智能診斷研究[J].航空維修與工程，2014(3)：76-78.

　　[3] 張金玉，張煒.裝備智能故障診斷與預測[M].北京：國防工業(yè)出版社，2013.

　　[4] 傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2010.

　　[5] 張超.基于自適應(yīng)振動信號處理的旋轉(zhuǎn)機械故障診斷研究[D].西安：西安電子科技大學，2012.

　　[6] 李晗，蕭德云.基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述[J].控制與決策，2011，26(1)：1-8.

　　[7] 李愷欽.基于改進遺傳算法的航空發(fā)動機故障診斷專家系統(tǒng)[D].南昌：南昌航空大學，2012.

　　[8] 宋漢.基于信息融合技術(shù)的航空發(fā)動機故障診斷研究[D].長沙：中南大學，2013.

　　[9] 陳維興，王雷，孫毅剛，等.民航發(fā)動機狀態(tài)監(jiān)測點故障檢測方法研究[J].自動化儀表，2014，35(9)：65-78.

　　[10] 王志，艾延延，沙云東.基于BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機整機震動故障診斷技術(shù)研究[J].儀器儀表學報，2007，28(4)：168-171.

　　[11] 卓剛.航空發(fā)動機智能建模與故障診斷研究[D].南京：南京航空航天大學，2004.

　　[12] 姜彩虹，孫志巖，王曦.航空發(fā)動機預測健康管理系統(tǒng)設(shè)計的關(guān)鍵技術(shù)[J].航空動力學報，2009，24(11)：2589-2594.

　　[13] 魯峰.航空發(fā)動機故障診斷的融合技術(shù)研究[D].南京：南京航空航天大學，2009.

　　[14] 姚華，單貴平，孫健國.基于卡爾曼濾波器及神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷[J].航空動力學報，2008，23(6)：1111-1117.

　　[15] BARABIUK R G.Compressive sensing[J].IEEE Signal Processing Magazine，2007，24(4)：118-121.