輔助動(dòng)力裝置(Auxiliary Power Unit，APU)作為飛機(jī)的重要裝置，不僅可以保證飛機(jī)安全啟動(dòng)，在飛機(jī)停在地面時(shí)，還為飛機(jī)供氣、供電，保證客艙舒適性。因此，對(duì)飛機(jī)APU進(jìn)行故障診斷研究顯得尤為重要。

APU故障發(fā)生時(shí)，排故人員會(huì)結(jié)合故障發(fā)生的現(xiàn)場(chǎng)和自身的相關(guān)經(jīng)驗(yàn)、故障手冊(cè)的規(guī)定等對(duì)故障情況進(jìn)行診斷和排查，這需要相關(guān)人員具有大量的相關(guān)知識(shí)、大量的運(yùn)行維護(hù)經(jīng)驗(yàn)和復(fù)雜的推理判斷能力。在大量故障信息同時(shí)出現(xiàn)時(shí)，即使經(jīng)驗(yàn)豐富的機(jī)務(wù)人員也不能很好地完成處理。為了及時(shí)、準(zhǔn)確地判斷出真正的故障源，使用科學(xué)算法對(duì)APU進(jìn)行故障診斷成了非常重要的一個(gè)課題。目前對(duì)飛機(jī)APU進(jìn)行的科學(xué)研究有：張彭等人對(duì)APU的發(fā)展和應(yīng)用現(xiàn)狀進(jìn)行了深入分析；邱亞華對(duì)B737-300機(jī)型APU啟動(dòng)時(shí)的常見故障進(jìn)行了分析和排除；施開動(dòng)等人對(duì)A319型飛機(jī)APU的啟動(dòng)故障做了可靠性調(diào)查。這些研究對(duì)搭建飛機(jī)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(duì)飛機(jī)APU進(jìn)行了故障診斷；劉鐵庚等利用數(shù)學(xué)建模和仿真對(duì)APU進(jìn)行了故障診斷?；谀Ｐ秃蛿?shù)學(xué)建模都需要獲得精確的飛機(jī)APU系統(tǒng)數(shù)學(xué)模型，模型的精確度直接影響最終的結(jié)果，具有一定局限性，并且飛機(jī)APU系統(tǒng)完整且精確的數(shù)學(xué)描述很難獲得。唐啟東等使用深度置信網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)APU故障的檢測(cè)并針對(duì)于此做了應(yīng)對(duì)策略。深度置信網(wǎng)絡(luò)缺少對(duì)歷史信息的處理，與之相比，長短期記憶網(wǎng)絡(luò)(Long Short Term Memory Networks，LSTM)更加適于處理飛機(jī)APU故障信息。

目前，應(yīng)用于飛機(jī)APU故障診斷的人工智能算法較少，常用的支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和仿生智能等單一算法均各有優(yōu)缺點(diǎn)。支持向量機(jī)思想簡(jiǎn)單能有效解決非線性分類問題，但對(duì)核函數(shù)的選擇十分敏感，無法處理大規(guī)模樣本數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)能力，且可以較快地尋優(yōu)，但隱含層數(shù)目等參數(shù)難以確定。仿生智能算法有較強(qiáng)的魯棒性，但容易陷入局部最優(yōu)。所以本文使用多個(gè)算法相結(jié)合的方法，利用改進(jìn)的量子粒子群(Quantum Particle Swarm Optimization，QPSO)算法對(duì)LSTM進(jìn)行了參數(shù)優(yōu)化，然后針對(duì)于深層網(wǎng)絡(luò)的梯度問題，利用批規(guī)范化層(Batch Normalization，BN)改進(jìn)了LSTM網(wǎng)絡(luò)模型的結(jié)構(gòu)，建立APU故障診斷模型。得到自適應(yīng)量子粒子群優(yōu)化長短期記憶網(wǎng)絡(luò)并結(jié)合批規(guī)范化(AQPSO-LSTM-BN)的故障診斷模型，對(duì)APU進(jìn)行故障診斷。

本文詳細(xì)內(nèi)容請(qǐng)下載:http://ihrv.cn/resource/share/2000003106

作者信息：高丹妮(中國民航大學(xué) 電子信息與自動(dòng)化學(xué)院,天津 300300)