多电飞机技术已经日益成为航空工业发展的主流趋势，机上用电设备也随之增多，从而使得飞机对航空电源的电能供应系统稳定性要求越来越高。作为航空电源系统的主电源，航空发电机的可靠性将直接影响各机载用电设备的能量供应与安全。主发电机出现故障时，可能会对整个飞机系统的安全性产生严重影响。旋转整流器作为三级式发电机的一个关键部件，其可靠性直接关系到整个发电机的健康状况。该文研究一种基于深度置信网络(deep belief network，DBN)的改进方法，并将其用于航空发电机旋转整流器故障特征提取及诊断操作中。利用粒子群算法(particle swarm optimization，PSO)对深度置信网络进行训练，用于优化和确定深度置信网络的结构，并设计一个基于数字信号控制器(digital signal controller，DSC)的紧凑型实时诊断系统，成功实现了算法的移植工作，并取得了理想的诊断效果。

旋转整流器为三相不可控整流电路，其结构如图1所示。图中：L_a,b,c、R_a,b,c和i_a,b,c分别为交流励磁机的绕组、自身阻值和各相绕组上产生的电流；D₁—D₆分别为旋转整流器整流桥上的6个整流二极管；i_f为旋转整流器整流后的整流电流(即主发电机的励磁电流)。

图1  旋转整流器电路的等效模型

论文利用DBN提取旋转整流器故障特征。针对DBN模型的隐含层节点数通常由经验或者实验试凑来确定，容易造成网络结构冗余问题，论文利用PSO算法对每个隐含层的神经元节点数分别进行寻优，从而使模型可以将原始信号映射到不同特征空间时，在尽量减少特征信息损失的情况下，得到最佳隐含节点数。PSO-DBN网络的构建过程如图2所示。为了验证本文所提出方法的实际运行性能，将PSO-DBN网络移植到TMS320C28346的DSC系统中实现。该DSC运行主频为300MHz，内部存储资源为512K RAM，可以满足系统在存储和实时性的运行要求。该系统的照片如图3所示，本文将该故障诊断系统运用于平台的旋转整流器在线故障检测中。

图2 PSO-DBN网络结构图

图3 基于DSC的诊断系统

论文分析和探讨了以下3方面问题：

（1）利用DBN提取发电机旋转整流器故障特征方法；

（2）利用PSO改进DBN方法；

（3）DSC故障诊断系统的设计与实现；