基于SSA-LSTM的高高原民航飞机空调系统故障预测

摘 要：在民航高高原航线的复杂气候环境下，机载设备整体性能要求更高。在低温、低压、强紫外线等条件下，飞机关键部件会加速老化。国内航空公司通常采用事后维修的方式对飞机进行维护，针对传统事后维修方法响应时间长、成本高以及存在潜在的安全风险，难以人为精准把控维修周期和维修深度的问题，提出一种大数据驱动的飞机空调系统故障预测方法。引入融合麻雀算法的长短期记忆网络（Sparrow Search Algorithm-Long Short-Term Memory，SSA-LSTM），利用无线快速访问记录器（Wireless Quick Access Recorder，WQAR）收集的数据，与其余两种预测方法进行对比研究，结果表明SSA-LSTM具有明显优势。通过预测和早期潜在故障识别，为航空公司从事后维修向预防性维修的转变提供了支持。

关键词：SSA-LSTM神经网络；WQAR；飞机空调系统；预防性维修；高高原航线；民用飞机

中图分类号：V235.13" " " " " "文献标识码：A" " " " " " "文章编号：1007 - 9734 （2024） 05 - 0036 - 07

DOI：10.19327/j.cnki.zuaxb.1007-9734.2024.05.005

0 引 言

在大数据时代，飞机机务维修正逐渐从事后维修模式转变为预防性维修模式。传统的事后维修方法需要等待飞机出现故障或机件损坏后才能采取行动，这不仅延长了停机时间，还增加了安全隐患和经济损失。相比之下，预防性维修可以提前检测和解决潜在问题，从而避免飞机故障的发生。这种维修方式依赖于大数据分析和预测模型，利用飞机的历史运行数据、传感器数据等信息，通过监测关键参数的变化趋势来预测飞机系统的健康状态和潜在故障，并优化维修计划和资源分配。

目前，在工程实践中，多数航空公司对空调系统的研究主要停留在关键参数的可视化展示和设置逻辑预警值的层面，并没有结合应用统计学、机器学习、深度学习等理论进行深入研究。而在理论研究领域，也只有少数专家和学者对民用飞机进行了详尽的分析和探讨。

纪仕鑫利用深度学习对飞机发动机故障进行高准确率预测[1]；李志鹏提出的LSTM-CNN混合模型实现了对飞机空调系统故障的精准识别[2]；余何星应用神经网络对波音737NG飞机引气系统进行故障预测[3]。此外，标准化和规范化在提升故障诊断系统可靠性方面的重要性也得到了强调，如祝青钰和魏元雷的研究[4][5]。多源数据融合和智能化技术的应用前景广阔，通过结合飞行数据、维护记录和传感器数据，可以实现更全面的故障预测[6][7]。智能预测和维护技术将显著提升民用航空维修的效率和预测准确度[8]。全面推广飞机结构和电源系统的健康管理将助力故障的早期预警和维护的主动性[9][10]。

虽然目前对飞机各系统的故障预测已经取得了一定成果，但现有研究大多采用普适性更强的方法来进行故障诊断与预测。其次，现有研究多依赖人工调参，这限制了预测模型性能的充分发挥并导致较高的误判率。最后，现有的大部分研究更关注单一化的故障特征，对噪声多、高维度的数据直接弃置，没有进一步有效挖掘出WQAR数据中的多维度特征数据对故障数据的隐含影响方式，仅针对单一已知参数进行特征分析无法满足当前的故障监控需求[11]。

针对以上问题，本文首先对WQAR采集到的原始数据集进行线性插值，WQAR数据通常包括飞机的飞行性能参数、系统状态等多种传感器数据，可能存在非线性关系和非正态分布的特点，因此本研究基于斯皮尔曼相关系数首先对原始数据进行筛选降维。随后针对数据的高维度、时序排列特点，建立了基于麻雀搜索算法改进的长短期记忆网络的飞机空调系统故障预测模型，利用群智能算法来调节LSTM的超参数可以充分发挥模型性能。利用预处理后的WQAR数据进行预测实验，并与其余两种预测方法进行对比，结果表明SSA-LSTM具有明显优势。进一步地，利用国内某航司运营过程中连续4个高高原航段的数据验证了本文所提出的方法的可靠性；最后，对本文研究内容进行了总结并提出了展望。

1 数据预处理

1.1" 线性插值

WQAR系统记录了飞机空调系统的各种运行数据，例如压气机出口温度、出口流量等。这些数据通常由多个传感器采集，如表1所示，每个传感器可能以不同的频率进行记录[7]。由于记录频率不同，导致数据的采样间隔不均匀，使得数据处理和分析变得复杂。因此，对于异频率数据，需要进行预处理以统一采样频率。本文采取线性插值的方式来填补空缺值（见表2），线性插值的插值函数为一次多项式[12]，可使得待处理数据集长度一致，以便进行后续的数据分析和建模。

1.2" 数据清洗

在同一时刻，WQAR可采集超过80种不同数据，为了使数据分析过程更为直观与简洁，筛除掉与飞机空调系统不相关数据，保留可能与飞机空调系统压气机出口温度相关的40组数据。由于数据可能存在非线性关系和非正态分布的特点，因此本文采用斯皮尔曼等级相关系数[13]（Spearman's rank correlation coefficient）来进一步清洗掉与压气机出口温度弱相关的数据，以降低SSA-LSTM神经网络训练集的维度。斯皮尔曼等级相关系数公式如下：

[ρ=1-6d2in（n2-1）] （1）

式中[di]是两个变量的等级之间的差异。[n]是数据点的数量，[d2i]表示所有等级差的平方和，输出值在-1到+1之间。[ρ]为+1时，表示两个变量之间存在完全的正相关关系。

经过计算，保留与PACK1压气机出口温度相关度最强的前5组数据，如图1所示。

由于RMSE（Root Mean Squared Error，均方根误差）对异常值比较敏感，能够量化预测值与真实值之间的误差，包括对异常值的拟合情况。这使得RMSE在故障诊断中能够直接反映出模型对异常情况的预测效果。因此本文使用RMSE作为评判标准来衡量模型的性能。其计算公式如下：

[RMSE=1mi=1m（y（i）test-y（i）test）2] （2）

其中：[m]是测试样本的数量，[yitest]是第[i]个测试样本的真实值。[y（i）test]是模型对第[i]个测试样本的预测值。

2 SSA-LSTM模型建立

2.1" 麻雀搜索算法

麻雀搜索算法（Sparrow Search Algorithm，SSA）是一种基于模拟麻雀觅食行为的优化算法[14]。相较于传统的启发式算法，麻雀搜索算法具有更强的全局探索能力和更快的收敛速度。在该算法中，麻雀种群具有发现者与加入者两种行为策略。发现者位置更新公式如下：

[Xt+1i，j=Xti，j⋅exp-iα⋅itermax （R2lt;ST）Xti，j+Q⋅L （R2≥ST）] （3）

式中[t]代表当前迭代次数，[itermax]表示最大迭代次数，[Xi，j]表示第[i]只麻雀在[j]维的位置，[α∈（0，1]]是一个随机数，[ R2]与[ST]为警戒值和安全值。[Q]为服从正态分布的随机数，[L]为一个1行d列元素全为1的矩阵，其中d表示问题的维度。这个矩阵的作用是控制位置更新的幅度。

加入者位置更新公式如下：

[Xt+1i，j=Q⋅expXtworst-Xti，ji2（igt;n2）Xt+1P+Xti，j-Xt+1PA+L" " （otherwise）] （4）

[XP]是目前发现者所占据的最优位置，[Xworst]则表示当前全局最差的位置。[A+]是一个常数，用于控制个体位置更新的幅度。

当意识到危险时，麻雀种群会做出反捕食行为，其数学表达式如下：

[Xt+1i，j=Xtbest+β⋅Xti，j-Xt+1best（figt;fg）Xti，j+K⋅Xti，j-Xtworstfi-fw+ε（fi=fg）] （5）

[β]作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数。其中[Xbest]是当前的全局最优位置。[K∈[-1，1]]是一个随机数，[fi]则是当前麻雀个体的适应度值。[fg]和[fw]分别是当前全局最佳和最差的适应度值。[ε]是非常小的常数。

2.2" LSTM神经网络

LSTM（Long Short-Term Memory）是一种循环神经网络（RNN）的变体，用于处理序列数据的建模和预测。LSTM通过引入门控机制（输入门、遗忘门、输出门），通过记忆单元和门限结构的协同工作控制梯度变换范围，有效避免梯度过快消失的问题[15]。对于处理具有时序性的数据具有很好的性能。其公式（6）到（11）如下：

[ft=sigmoid（wf⋅|ht-1，xt|+bf）] （6）

遗忘门用于控制前一时刻的单元状态[ct-1 ]中的信息有多少要被遗忘。[ht-1，xt]表示前一时刻的隐藏状态[ht-1]与当前输入[xt]的连接。[wf]和[bf]是遗忘门的权值矩阵和偏置项。sigmoid是激活函数，用于将输入转换为0到1之间的值。

[it=sigmoid（wi⋅|ht-1，xt|+bi）] （7）

输入门确定了当前输入[xt]中的哪些信息需要被纳入单元状态[ct]中。

[c′t=tanh（Wchht-1+Wcxxt+bc）] （8）

候选单元状态c[′t]使用[tanh]函数来计算，它可以生成一个介于-1到1之间的值，以表示当前的输入的候选值。

[ct=ft⊙ct-1+it⊙c′t] （9）

更新单元状态[ct]的计算由遗忘门[ft]和输入门[it]控制。通过点乘运算[⊙]，遗忘门决定了前一时刻的单元状态中保留的信息量，输入门决定了候选单元状态中的哪些信息要被加入。

[ot=sigmoid（Wohht-1+Woxxt+bo）] （10）

输出门[ot]决定了当前时刻的隐藏状态[ht]中有多少信息会被输出。

[ht=ot⊙tanh（ct）] （11）

隐藏状态[ht]的计算由输出门[ot]和当前的单元状态[ct]一起决定，通过点乘运算⊙，将单元状态的信息进行筛选和调节，生成最终的隐藏状态。

以上公式（6）到（11）为LSTM模型前向计算公式，其中的权重矩阵和偏置项用于学习输入数据的权重和偏置，以及控制门的行为。

2.3" 融合麻雀算法的LSTM网络（SSA-LSTM）

将麻雀搜索算法应用于LSTM神经网络的优化过程主要是针对LSTM模型本身的优化，本文的优化方法为LSTM的超参数调优[16]：麻雀搜索算法可以用于自动搜索和调整LSTM模型的超参数，例如学习率、隐藏层大小、迭代次数等。通过麻雀搜索算法，可以在超参数空间中进行全局搜索，寻找最优的超参数组合，以提高LSTM模型的性能，其流程图如图2所示。

在本文中，麻雀搜索算法的参数设置如下：最大迭代次数（T）为100，种群数量（pop）为50，其中种群数量的20％被设置为发现者。搜索维度（dim）为4，包括学习率、迭代次数以及两个隐含层神经元取值。根据图3、图4、图5可知，麻雀搜索算法经过80次迭代后收敛。因此，可以得出最佳的超参数组合形式为：学习率（α）为0.0016，最佳迭代次数为83次，第一和第二隐含层的大小分别为87和62个。

将SSA-LSTM预测模型分别与遗传算法优化的LSTM（Genetic Algorithm Optimized Long Short-Term Memory，GA-LSTM）和粒子群算法优化的LSTM（Particle Swarm Optimization Long Short-Term Memory，PSO-LSTM）进行对比。为评价各模型性能，选取均方根误差RMSE、平均绝对误差（Mean Absolute Error，MAE）和决定系数（Coefficient of Determination，R²）作为模型评估指标，用于衡量预测结果与实际值之间的差异程度，从而判断模型的性能和预测精度。

各预测模型与真实测量值对比图如图6所示，由各模型预测值曲线图可知，各模型均能准确反映空调系统部件1压气机出口温度的常规走势，各模型中SSA-LSTM模型反映的预测性能更高，各回归预测模型预测结果评价指标对比如表3所示。

由表3可知，SSA-LSTM的均方根误差和平均绝对误差均低于GA-LSTM、PSO-LSTM。SSA-LSTM的均方根误差相比PSO-LSTM减少了约17.77%，相比 GA-LSTM减少了约21.87%。SSA-LSTM的平均绝对误差相比PSO-LSTM、GA-LSTM分别减少了约19.45%和21.98%。SSA-LSTM模型的R²值最高，为0.982，表明其预测精度和拟合度最佳，高于GA-LSTM（0.955）和PSO-LSTM（0.948）。R²值高表示模型的预测值与实际值的方差比例更高，说明SSA-LSTM模型可以更准确地捕捉到数据的变异性。

3 模型实例验证

为了验证预测模型的可靠性，选择国内某航空公司的高高原航线运营过程中的数个正常航段的真实数据，并经过数据预处理后作为测试集输入SSA-LSTM预测模型。

结果显示，RMSE收敛于0.602—0.661之间。为了进一步验证模型的鲁棒性，选择国内某航司运营过程中连续4个高高原航段的数据（时序1至4）。将这些数据经过数据预处理后作为测试集输入预测模型，得到的RMSE分别为0.711、0.786和0.668（图7、图8、图9），均在预测模型预测其他正常航段所得到的均方根误差的收敛范围以外，其中第4个航段的RMSE为1.651（图10），显示出预测值与真实值之间明显的偏差。这表明，在第4个航段（时序4）的数据出现了异常。通过查阅维修记录，得知在当天机务人员更换了空气循环机（Air Cycle Machine，ACM），这进一步证实了故障飞机（时序4）已经在前几段航段中表现出异常。因此，建议将警戒阈值设置为RMSE=0.66。当预测模型对多段航段的预测值与真实值的RMSE均超过该阈值时，应采取必要的监控措施。

4 结束语

经过麻雀搜索算法的优化，本文成功确定了最佳的超参数组合并应用于LSTM神经网络模型中。在对航司运营过程中的高高原正常航段和异常航段的飞机空调系统压气机出口温度数据进行预测时，模型表现出了较好的性能，验证了其可靠性和鲁棒性。因此，该方法在航司的高高原航线运营中的应用具有潜在的监控价值，可帮助及早识别潜在的异常情况，并采取相应措施，以确保航班的安全和准时运行。此外，本文的研究方法不仅可用于维修安全裕度更低的普通航线中，还可以拓展至飞机上的其他系统，可针对不同的部件调整模型，为航空公司制定更灵活的维修计划提供支持。未来可进一步考虑采用机器学习模型进行数据筛选降维，充分挖掘WQAR数据中的隐含信息。

参考文献：

[1]纪仕鑫.基于深度学习的飞机发动机故障预测与应用[D].济南：山东大学，2021.

[2]李志鹏.基于LSTM-CNN的飞机空调系统故障分析研究[D].南京：南京航空航天大学，2021.

[3]余何星，周广琪，王文博.基于神经网络的波音737NG飞机引气系统故障预测[J].航空维修与工程，2022（9）：80-82.

[4]祝青钰，蒋觉义.飞机健康管理标准研究综述[J].航空标准化与质量，2021（6）：9-13.

[5]魏元雷.民用飞机健康管理标准规范体系分析[J].民用飞机设计与研究，2021（3）：101-109.

[6]马宪.飞机辅助动力装置故障预测方法研究[D].天津：中国民航大学，2022.

[7]张灵杰.基于QAR的A320系列飞机空调故障分析和预测方法研究[D].成都：电子科技大学，2022.

[8]杨鹏飞.数智新技术在民用航空维修中的应用[J].科技与创新，2021（10）：60-62，64.

[9]田家豪，宋庭新.基于维修大数据的飞机结构故障预测[J].湖北工业大学学报，2021，36（5）：14-18.

[10]艾凤明，梁兴壮，董润，等.军用飞机供配电系统故障预测与健康管理关键技术[J].航空科学技术，2023，34（2）：86-95.

[11]YING JIE ZHANG，JIAN XING XU. A novel particle swarm neural network model to optimize aircraft fuel consumption[J].Advanced Materials Research，2013，2385：694-697.

[12]马东升，董宁.数值计算方法[M].北京：机械工业出版社，2015.

[13]SPEARMAN C.The proof and measurement of association between two things[J].The America Journal of Psychology，1904，15（1）：72-101.

[14]XUE J，SHEN B.A novel swarm intelligence optimization approach：Sparrow search algorithm[J].Systems Science and Control Engineering，2020，8（1）：22-34.

[15]宋刚，张云峰，包芳勋，等.基于粒子群优化 LSTM 的股票预测模型[J].北京航空航天大学学报，2019，45（12）：2533-2542.

[16]唐可心.基于群智能算法的人工神经网络优化及在物流中的应用研究[D].武汉：武汉科技大学，2021.

责任编校：裴媛慧，陈 强

Fault Prediction of High-Altitude Civil Aviation Aircraft Air Conditioning System Based on SSA-LSTM

ZHU Xinyu，WU Peiwen

（Institute of Electronic and Electrical Engineering，Civil Aviation Flight University of China，

Guanghan" 618307，China）

Abstract：In the complex climatic environment of high-altitude airline， the overall performance requirements for onboard equipment are higher. Under conditions of low temperature， low pressure， and strong ultraviolet radiation， the aging of critical aircraft components is accelerated. Domestic airlines usually adopt a post-maintenance approach to aircraft upkeep. In response to the traditional post-maintenance method， which involves long response times， high costs， and potential safety risks， and which makes it difficult to manually control the maintenance cycle and depth accurately， a big data-driven method for predicting failures in aircraft air conditioning systems is proposed. This method introduces the Sparrow Search Algorithm-Long Short-Term Memory （SSA-LSTM） network. Utilizing data collected by the Wireless Quick Access Recorder （WQAR）， and comparing it with two other prediction methods， the results demonstrate a clear advantage of the SSA-LSTM. By predicting and identifying potential early faults， this method supports the shift from post-maintenance to preventive maintenance for airlines.

Key words： SSA-LSTM neural network；WQAR；aircraft air conditioning system；proactive maintenance；high-altitude airline；civil aviation aircraft

收稿日期：2024-04-23

作者简介：朱新宇，男，河北省献县人，教授，研究方向为飞机系统的故障预测与故障诊断技术、飞行器适航与可靠性、无人机运行与控制。

*通讯作者：吴佩汶，男，四川广汉人，硕士研究生，研究方向为飞机系统的故障预测、无人机航迹规划等。