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成為現代飛機上面一個不可或缺的設備。國內、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，直至出現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驗的基礎上，提出了利用數字濾波算法和BP神經網絡來建立APU故障智能診斷系統，該系統通過分析處理APU上面監控傳感器輸出的數據，以期可以盡早發現APU潛在的前期故障，進而提醒機務維修人員及早對APU進行維修。利用本實驗室與南航沈陽維修基地相關項目采集的數據，建立了基于可測信息源的APU智能故障診斷系統；并利用APS3200型APU的數據樣本進行分析診斷，結果表明該系統可以實現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

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

　　1.1 APU傳感器信號獲取與分析

　　APU性能監控參數（即傳感器輸出數據）通過進入MCDU（Main Centralized Display Unit）中的數據記憶模塊DMM獲得，在DMM中關于APU的性能監控參數多達一百多個。本文在進行故障智能診斷時根據一線APU機務維修人員經驗、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作為APU性能監控參數。本文主要選取了NPA（峰值轉速）、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故障監控數據源。

　　APU監控傳感器輸出的信號中含有豐富的、能夠反映APU實時運行狀態的有用信息，但由于APU工作時會產生高溫、高壓、強震動等惡劣環境參數，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監控傳感器輸出的信號進行數字濾波處理，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字濾波器。之后需要將采集到的數據進行消除趨勢項、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APU運行過程中產生的可測信息源數據，對其性能狀態信息進行監測、識別和預測其運行狀態變化情況。根據對傳感器輸出數據的處理，在APU發生事故之前，及時作出智能化的診斷，確保機務維修人員可以盡快查明APU故障發生的原因和可能發生的部位，以便機務維修人員可以及時采取相應決策排出故障，消除故障，減少故障保留，提高APU運行的可靠性和安全性。

　　故障智能診斷的關鍵在于找到傳感器參數變化狀況與APU故障特征參數之間的對應關系。根據機務維修人員實際維修中的經驗，APU常見的故障有：（1）整機性能衰減（1，0，0，0，0）；（2）轉軸機械卡阻（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神經網絡理論

　　人工神經網絡是由大量模仿人腦細胞處理單元組成的非線性、大規模、自適應學習系統，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系統并進行信息處理、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神經網絡。三層BP神經網絡的典型結構如圖1所示。網絡的學習過程包括網絡內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隱含層逐層處理并傳向輸出層，每一層神經元的狀態僅影響下一層的神經元狀態。如果在輸入層得不到期望的輸出，則轉入誤差反向傳播，通過修改各層神經元的連接權值，從而使得誤差最小。

　　取前向網絡神經元的激勵函數為S型函數，任一節點的輸出為Oj，輸入為netj，則為節點j與上一層節點i的連接權值，j為節點的門限值。

　　使用均方型誤差函數為目標函數，即：

3 APU故障智能診斷的BP神經網絡模型

　　3.1 APU故障診斷建模方法

　　設備故障智能診斷的實質是實現設備征兆空間到設備故障空間的映射。設xkn(k=1，2，…，j)對應APU運行狀態的第n個觀測樣本的第j個特征參數，ypn(p=1，2，…，i)對應第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)，則設備故障模式與設備特征參數之間有一定的內在關系，該映射關系可以表示為函數F，則有X=F(Y)。當N→∞時，函數F的逆函數F存在，有Y=F(X)。故設備故障智能診斷的實質就是根據有限的樣本集，確定函數F(X)的一個等價映射關系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[7-10]。

　　3.2 BP神經網絡參數的選擇

　　根據前面對APU典型故障特征的分析，選擇APS3200型APU可測信息源中的7個參數作為BP神經網絡的輸入參數，選擇APU比較典型的5種故障模式作為BP神經網絡的輸出層節點。

　　為了使系統診斷的正確率較高，將權重設置為較小的隨機數，從而避免激活函數在開始時就進入飽和區。在BP網絡進行運算時，如果學習速率?琢取值不合適，則BP網絡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絡發散，取值過小時則會使網絡收斂速度變慢。根據以往積累的經驗，本文將將學習速率設置為?琢=0.36，動量因子設置為?姿=0.56。

　　由于網絡的輸入節點物理量綱各不相同，造成各個傳感器輸出數據大小相差很大，各指標訓練樣本之間不具備可比性，無法進行綜合評估。故在將數據源導入BP神經網絡進行分析訓練診斷之前，需要對數據進行歸一化處理[11-15]。

4 APU故障智能診斷實例

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

　　將采集到的相關傳感器檢測輸出數據經過數字濾波處理，并對其進行歸一化處理后，作為系統輸入樣本數據，經基于改進BP神經網絡的故障診斷系統處理后，將APU的健康狀況打印輸出出來，供機務維修人員使用。部分故障樣本數據以及模型診斷結果如表2、表3所示。

　　根據系統診斷計算，得出的結果是該型APU出現“滑油冷卻器故障”故障，在機務人員進行檢修時，確實出現該故障。在實際使用中診斷結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 實驗結果分析

　　根據以上系統診斷結果輸出可以看出，該智能故障診斷系統診斷結果準確，可以滿足實際機務維修需求。同時系統實際應用表明，該智能故障診斷系統可以實現APU故障特征與APU故障的較好映射，可以用于解決APU這種復雜系統的故障診斷問題。該智能故障診斷系統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自動化維修水平具有重要意義，同時對提供航空公司經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].長沙航空職業技術學院學報，2012，12(3)：42-46.

　　[2] 馬洪濤.基于神經網絡的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：國防工業出版社，2013.

　　[4] 傅薈璇，趙紅.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2010.

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

　　[6] 李晗，蕭德云.基于數據驅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動機故障診斷專家系統[D].南昌：南昌航空大學，2012.

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

　　[9] 陳維興，王雷，孫毅剛，等.民航發動機狀態監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神經網絡的航空發動機整機震動故障診斷技術研究[J].儀器儀表學報，2007，28(4)：168-171.

　　[11] 卓剛.航空發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.航空發動機預測健康管理系統設計的關鍵技術[J].航空動力學報，2009，24(11)：2589-2594.

　　[13] 魯峰.航空發動機故障診斷的融合技術研究[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網絡的發動機故障診斷[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.