辅助动力装置(Auxiliary Power Unit，APU)作为飞机的重要装置，不仅可以保证飞机安全启动，在飞机停在地面时，还为飞机供气、供电，保证客舱舒适性。因此，对飞机APU进行故障诊断研究显得尤为重要。

APU故障发生时，排故人员会结合故障发生的现场和自身的相关经验、故障手册的规定等对故障情况进行诊断和排查，这需要相关人员具有大量的相关知识、大量的运行维护经验和复杂的推理判断能力。在大量故障信息同时出现时，即使经验丰富的机务人员也不能很好地完成处理。为了及时、准确地判断出真正的故障源，使用科学算法对APU进行故障诊断成了非常重要的一个课题。目前对飞机APU进行的科学研究有：张彭等人对APU的发展和应用现状进行了深入分析；邱亚华对B737-300机型APU启动时的常见故障进行了分析和排除；施开动等人对A319型飞机APU的启动故障做了可靠性调查。这些研究对搭建飞机APU故障诊断模型提供了有力的理论支持。GORINEVSKY D使用基于模型的方法对飞机APU进行了故障诊断；刘铁庚等利用数学建模和仿真对APU进行了故障诊断。基于模型和数学建模都需要获得精确的飞机APU系统数学模型，模型的精确度直接影响最终的结果，具有一定局限性，并且飞机APU系统完整且精确的数学描述很难获得。唐启东等使用深度置信网络实现了对APU故障的检测并针对于此做了应对策略。深度置信网络缺少对历史信息的处理，与之相比，长短期记忆网络(Long Short Term Memory Networks，LSTM)更加适于处理飞机APU故障信息。

目前，应用于飞机APU故障诊断的人工智能算法较少，常用的支持向量机、神经网络和仿生智能等单一算法均各有优缺点。支持向量机思想简单能有效解决非线性分类问题，但对核函数的选择十分敏感，无法处理大规模样本数据。人工神经网络具有很强的自学习能力，且可以较快地寻优，但隐含层数目等参数难以确定。仿生智能算法有较强的鲁棒性，但容易陷入局部最优。所以本文使用多个算法相结合的方法，利用改进的量子粒子群(Quantum Particle Swarm Optimization，QPSO)算法对LSTM进行了参数优化，然后针对于深层网络的梯度问题，利用批规范化层(Batch Normalization，BN)改进了LSTM网络模型的结构，建立APU故障诊断模型。得到自适应量子粒子群优化长短期记忆网络并结合批规范化(AQPSO-LSTM-BN)的故障诊断模型，对APU进行故障诊断。

本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003106

作者信息：高丹妮(中国民航大学 电子信息与自动化学院,天津 300300)