论文部分内容阅读
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,针对APU故障诊断开展如下研究:首先,提出了一种优化的LSTM飞机APU故障诊断模型,LSTM存在人工选择参数的较大不确定性和随机性,严重影响到故障诊断结果,改进粒子群算法对LSTM的隐含层节点数进行优化。改进粒子群算法先以聚类思想重新规划粒子群,划分学习小组,将粒子分为普通学生粒子和学习小组组长粒子,以传统更新方式更新普通学生粒子,以各学习小组组长粒子的信息权重和来指导更新组长粒子,增加了各学习小组的信息交互,并加入修正向量对局部最优粒子批判继承,避免陷入局部最优解,对得到的自适应粒子群算法进行性能测试,结果表明自适应粒子群算法比传统粒子群算法效果更佳。将LSTM隐含层节点作为自适应粒子群算法中的班级粒子,初始化后对其进行寻优,将得到的最优值代入LSTM网络模型,用得到的APSO-LSTM故障诊断模型对飞机APU进行故障诊断,实验结果表明与人工选取节点的LSTM以及其它相关算法相比,APSO-LSTM模型具有良好的故障识别能力。其次提出一种以量子态代替种群粒子更新的自适应量子粒子群算法,先将以速度、位置更新的种群粒子转换为以空间位置更新的量子态形式,使得参数减少、寻优速度更快,再对量子粒子群的收缩扩张系数进行改进,得到自适应量子粒子群算法,性能测试结果显示自适应量子粒子群算法比自适应粒子群算法更接近理想值。将LSTM的隐含层节点数作为自适应量子粒子群算法的量子粒子,初始化后对其进行寻优,将得到的最优隐含层节点数代入LSTM网络模型,此外针对于深层网络的梯度消失,梯度爆炸问题,提出将批规范化思想加入网络模型,即将批规范化层设置在LSTM网络模型隐含层上方,最终搭建AQPSO-LSTM-BN故障诊断模型,用得到的AQPSO-LSTM-BN故障诊断模型对飞机APU进行故障诊断。仿真结果表明AQPSOLSTM-BN故障诊断模型对故障的识别率和模型训练速度都有所提高,且更加稳定,能达到较好的故障诊断效果。