輔助動力裝置(Auxiliary Power Unit，APU)作為飛機的重要裝置，不僅可以保證飛機安全啟動，在飛機停在地面時，還為飛機供氣、供電，保證客艙舒適性。因此，對飛機APU進行故障診斷研究顯得尤為重要。

APU故障發生時，排故人員會結合故障發生的現場和自身的相關經驗、故障手冊的規定等對故障情況進行診斷和排查，這需要相關人員具有大量的相關知識、大量的運行維護經驗和復雜的推理判斷能力。在大量故障信息同時出現時，即使經驗豐富的機務人員也不能很好地完成處理。為了及時、準確地判斷出真正的故障源，使用科學算法對APU進行故障診斷成了非常重要的一個課題。目前對飛機APU進行的科學研究有：張彭等人對APU的發展和應用現狀進行了深入分析；邱亞華對B737-300機型APU啟動時的常見故障進行了分析和排除；施開動等人對A319型飛機APU的啟動故障做了可靠性調查。這些研究對搭建飛機APU故障診斷模型提供了有力的理論支持。GORINEVSKY D使用基于模型的方法對飛機APU進行了故障診斷；劉鐵庚等利用數學建模和仿真對APU進行了故障診斷。基于模型和數學建模都需要獲得精確的飛機APU系統數學模型，模型的精確度直接影響最終的結果，具有一定局限性，并且飛機APU系統完整且精確的數學描述很難獲得。唐啟東等使用深度置信網絡實現了對APU故障的檢測并針對于此做了應對策略。深度置信網絡缺少對歷史信息的處理，與之相比，長短期記憶網絡(Long Short Term Memory Networks，LSTM)更加適于處理飛機APU故障信息。

目前，應用于飛機APU故障診斷的人工智能算法較少，常用的支持向量機、神經網絡和仿生智能等單一算法均各有優缺點。支持向量機思想簡單能有效解決非線性分類問題，但對核函數的選擇十分敏感，無法處理大規模樣本數據。人工神經網絡具有很強的自學習能力，且可以較快地尋優，但隱含層數目等參數難以確定。仿生智能算法有較強的魯棒性，但容易陷入局部最優。所以本文使用多個算法相結合的方法，利用改進的量子粒子群(Quantum Particle Swarm Optimization，QPSO)算法對LSTM進行了參數優化，然后針對于深層網絡的梯度問題，利用批規范化層(Batch Normalization，BN)改進了LSTM網絡模型的結構，建立APU故障診斷模型。得到自適應量子粒子群優化長短期記憶網絡并結合批規范化(AQPSO-LSTM-BN)的故障診斷模型，對APU進行故障診斷。

本文詳細內容請下載:http://m.jysgc.com/resource/share/2000003106

作者信息：高丹妮(中國民航大學 電子信息與自動化學院,天津 300300)