辅助动力装置(Auxiliary Power Unit,APU)是飞机的重要组成部分,可以为飞机提供电源和气源并预防空中停车,对保障客舱旅客的舒适性和安全性具有重要意义。首先根据APU的工作原理确定和APU故障相关的重要性能参数,其中重点研究了与排气温度参数相关的排气超温故障和与滑油温度参数相关的滑油温度超温故障。之后对APU性能参数数据进行数据预处理,包括数据归一化和异常值检测。其次提出两种预测模型对APU排气温度参数和滑油温度参数未来值进行预测,进而分析APU对应的故障趋势。第一种模型在对APU排气温度预测中,以长短期记忆网络为基础,通过相关系数矩阵选出与排气温度相关性最强的参数-转速,结合排气温度数据输入到双向长短期记忆网络模型进行未来值预测并对排气温度超温故障趋势进行分析。第二种模型在对APU排气温度预测中,以极端梯度提升模型为基础,通过蚁狮算法优化后的近邻传播聚类方法对样本集进行聚类,之后输入到极端梯度提升模型来预测排气温度未来值并分析排气温度超温故障趋势,接着用该模型对APU滑油温度未来值进行预测并分析滑油温度超温故障趋势,以验证模型有效性。最后对两种模型进行仿真实验并分析APU故障趋势,仿真实验结果表明,样本集APU在未来七趟航班内并无排气温度超温和滑油温度超温故障趋势。通过评价指标对模型进行定量分析,两种模型训练速率和预测精度均优于传统预测模型。其中基于蚁狮算法优化的近邻传播-极端梯度提升模型预测精度高于基于相关系数矩阵的双向长短期记忆网络模型,且样本训练时间更短。论文提出的两种预测模型能够较好的对APU主要性能参数进行预测,同时对相关故障趋势进行分析,对APU视情维修具有重要意义。