随着时代的发展和生活水平的提高,飞机出行变得普遍,新闻报道的飞机事故也时有发生。因此,飞机在不同领域特别是机械设备的安全问题越来越受到重视,在故障分析与预测领域的研究变得尤为重要。对飞机维护中设备的故障分析和预测进行深入研究分析有着非常重要的研究价值和现实意义,比如通过对飞机设备的故障分析可以帮助维护部门了解各个设备之间相关性,以及通过对飞机设备的故障预测可以帮助维护部门在可控的范围内及时发现问题,这些维护检测方法在提高工作效率的同时,还最大可能地避免了意外事故的发生。传统的飞机设备故障检测技术仅能对单一设备进行故障检测,不仅消耗了大量的人力和物力资源,还存在着维护工作时间长和发现隐藏问题不及时的缺点。因此,飞机的设备故障分析与预测技术已成为飞机维护研究课题中的热门趋势。通过使用计算机技术来分析和预测飞机设备的隐藏故障问题,不仅可以在真实数据上进行实时模拟,还能够为飞机维护方案提供更加合理有效的意见和建议。本文的主要工作及创新点概括如下:目前现存的飞机设备故障检测技术存在着一些技术上的不足,无法完全高效率的检测各个飞机设备的安全隐患。为了解决本领域现有的不足之处,本文提出了一种基于关联规则和BP神经网络的飞机设备故障分析与预测算法,并将其应用到真实数据中。该算法通过将飞机设备相关性和飞机故障预测方法相结合的方式,改善了两种飞机维护方法单独应用于飞机设备检测和预测故障时的不足。飞机设备的故障分析方法是基于前缀路径图的Apriori算法(A-PPG),是在原始的Apriori算法的基础上,加入前缀路径图对该算法进行改进。通过对飞机设备故障数据库进行运算,将候选项集以特定形式构造到前缀路径图中,并且通过分解前缀路径图获取所有频繁项和特定的关联规则。通过加入前缀路径图使算法结构优化的方法,不仅可以获取以支持度高为前提的关联规则的能力,还能使遍历候选项集的速度加快以提高算法的运算速度以及提高获取关联规则的精准度。飞机设备的故障预测方法是利用基于Weibull分布的BP神经网络算法对设备首次故障时间数据库分析推演出设备故障预测模型。将两种方法相结合能够有效地使检测和预测飞机设备故障的效率提高,保障了在飞机维护过程中快速有效的寻找和发现隐藏的安全问题,便于设备故障检测方案的设计和实施,为真实的飞机维护工作提供指导和帮助。本文提出的基于关联规则和BP神经网络的飞机设备故障分析与预测算法用来进行多个设备的故障预测,可以为飞机维护提供一种快速的预测检索方案,不仅使维护资金的使用更加合理,还大大缩短了飞机维护的时间。