随着发动机性能要求的不断提升，燃油控制系统服役的工况变得越来越恶劣、边界条件越来越复杂。燃油泵固有压力脉动与管路、活门的流固耦合振动，密封圈腐蚀或老化导致的泄漏，油液污染或润滑油失效而产生的磨损加剧等均会造成燃油控制系统的致命故障。同时，燃油控制系统具有少测点、变工况、强干扰及强非线性等特点，导致该领域对故障诊断技术存在迫切需求，同时也面临巨大挑战。
为推动故障诊断技术在燃油控制系统领域的发展，西安交通大学严如强教授团队总结燃油控制系统的特点与常见故障，并在此基础上介绍故障诊断技术的主要方法与分类。进一步从液压元件互换性角度，概述基于物理模型、信号处理和人工智能诊断方法在燃油控制系统关键部件中的研究现状。最后指出燃油控制系统故障诊断技术存在的挑战与机遇。
航空发动机燃油控制系统主要由一系列液压机械装置组成，包括各种燃油泵、燃油计量装置、位置控制执行机构、燃油分布器、防喘切油装置、应急放油装置、射流点火装置等。
燃油控制系统是发动机控制决策的执行系统，是决定控制品质与发动机性能的关键环节，也是保证航空发动机在各种极限工况下高效、稳定工作的关键因素。随着发动机性能逐渐提高，燃油系统在高温、高压、强振动、大过载、高转速的恶劣环境中运行，导致故障频发。
为了促进故障诊断与预测技术在燃油控制系统中的进一步发展，文中总结了三种主要的故障诊断方法：基于模型的故障诊断、基于信号处理的故障诊断和基于人工智能的故障诊断。
波音777-200ER在希思罗机场降落时由于冰阻塞燃滑油热交换器导致燃料供应不足，最终导致发动机没有推力。 波音777燃油供应软管O型环损坏引起燃油泄漏最终导致发动机起火。 波音777-300ER在孟加拉国达卡机场起飞时由于燃油喷嘴受到污染导致燃烧不正常。 波音777-300ER在新加坡降落时由于燃油泄漏导致燃滑油混合并在整个发动机中扩散，最终在发动机排气口附件点燃。 在军用发动机领域，美国空军、英国罗罗公司及我国某四型发动机的燃油控制系统故障率均较高，典型故障包括燃油系统主泵气蚀、尾喷管液压作动筒卡滞、泄漏、管路泄漏等。
故障诊断技术
基于模型的故障诊断方法：利用物理知识或系统识别技术构建仿真模型，进行故障监测与诊断。基于模型故障诊断的基本结构如图2所示。
基于信号处理的故障诊断方法：通过压力、振动、温度等信号分析进行故障特征提取，早期主要采用时域计算统计量，现采用时频分析和非线性理论方法。图3为燃油控制系统压力信号时频分析。
基于人工智能的故障诊断方法：使用深度学习、机器学习等先进方法进行故障诊断，提升诊断的准确性和鲁棒性。智能诊断方法如图4所示。
燃油控制系统故障机理建模
1离心泵故障机理建模
主要故障类型：转子不平衡、转轴不对中、叶片缺陷、叶轮松动、轴承故障、水锤故障、气蚀故障等。 研究方法：奇偶方程、平衡滤波器、模态动力学方法、有限元模型、动态模态分解方法等。
2齿轮泵外特性与故障机理建模
研究内容：动力学特性和故障机理。
研究方法：非线性集中参数-弹性动力学模型、CFD方法、组合模型（集中参数模型、有限元模型和边界元模型）、动态网格技术等。图5为齿轮泵压力脉动模型。
3柱塞泵动态特性建模
建模方法：基于质量守恒的内部流场压力特性分析、基于运动特性的声振特性分析、多物理场耦合建模分析。图6为基于欧拉法的柱塞泵内部流场控制体划分图。
4电液伺服阀故障与控制特性建模
研究内容：电液伺服阀的物理特性和失效机理。
研究方法：有限元模型、数学模型、控制模型等。图7为SAF-RTOS算法流程图。
燃油控制系统故障特征提取
✦基于信号处理的故障诊断方法不依赖于系统的数学模型，采用时频分析方法开展相应部件的故障诊断研究。提高信号处理算法的鲁棒性、可扩展性，实现从部件到系统的迁移诊断是具有挑战性的工作。航空发动机燃油系统由众多部件组成，存在耦合关系，系统故障解耦、准确隔离、定位及诊断是巨大的挑战。
离心泵故障特征提取方法：振动、气蚀空化等故障特征常会体现在压力、振动、声信号中。 齿轮泵故障特征提取方法：内磨损空化类故障影响供油性能，产生与转频相关的信号成分。 柱塞泵故障特征提取方法：部件多，振动信号传递路径复杂，压力信号调制特性明显。 电液伺服阀特征提取方法：直线往复运动信号，信号不具备旋转机械特征。 液压作动筒信号特征提取方法：泄漏与卡滞类故障特征蕴含在压力信号与位移信号中。 管路信号特征提取方法：压力信号与振动信号进行时频域离散分析，实现缺陷识别与定位。
燃油控制系统故障智能诊断
✦
1基于人工智能的故障诊断方法
数据驱动的智能诊断方法：摆脱了对专业背景与专家知识的依赖，简化了分析过程。传统机器学习方法和深度学习方法在特征提取和故障模式识别上各有优势，特别是深度学习在复杂非线性映射方面表现突出。图8为机器学习智能诊断一般流程。
深度学习应用：深度学习在航空发动机燃油系统故障诊断中得到了大量应用，能完成从数据预处理到故障模式的复杂映射。
2离心泵智能诊断
研究概况：学者们利用各种方法对离心泵的健康状态进行分类，包括小波变换、支持向量机、CNN、遗传算法、自学习方法等。
结合信号处理和深度学习：多种方法结合信号时频成像技术、Sobel滤波器、斯托克韦尔变换、时间尺度分解等进行故障分类和健康状态评估。
3齿轮泵智能诊断
寿命预测方法：使用深度卷积自编码器、Bi-LSTM网络、深度稀疏自编码器、Robust-ResNet模型等进行齿轮泵寿命预测。
故障诊断方法：结合信号处理与机器学习，使用集成经验模态分解、贝叶斯网络、径向基函数神经网络、因子分析法、卷积自编码器、变分模态分解等进行故障分类。
4柱塞泵故障智能诊断
故障诊断方法：研究了多种故障诊断算法，包括联合混沌理论、分层聚类算法、卷积神经网络、贝叶斯网络、随机森林、粒子群优化、深度迁移学习、物理信息神经网络等。
多源信息融合：多源信息融合增强了故障诊断的鲁棒性和准确性，特别是在处理噪声干扰和非平衡数据方面表现突出。
5电液伺服阀智能诊断
深度学习模型应用：卷积神经网络和循环神经网络广泛应用于液压阀故障特征提取和诊断。 注意力机制和图网络模型：研究了多种新兴模型，包括注意力机制网络、图网络模型、对抗网络模型、多传感器信息融合、谱图小波卷积层、半监督学习方法等。 云服务器上的故障诊断：结合主成分分析和极限梯度提升树模型，实现了液压阀的精确诊断。
3结 论
随着现代发动机性能逐渐提高，迫使燃油控制系统的工作环境更加恶劣，恶劣的服役环境导致燃油泵、伺服阀和液压作动筒等部件故障频发。另外，燃油控制系统本身具有少测点、变工况、强干扰和强耦合等特点。因此，研究燃油控制系统故障诊断技术既有工程意义又有科学意义。
首先，根据不同的建模策略，将故障诊断技术归纳为基于模型的故障诊断技术、基于信号处理的故障诊断技术和基于人工智能的故障诊断技术，并结合燃油控制系统的特点对离心泵、齿轮泵、柱塞泵、伺服阀、作动筒及管路等关键元件分别进行研究现状综述。
其次，基于燃油控制系统高温、高压、强振动等恶劣工况对关键元件服役性能的影响，分析了现有故障诊断技术应用于燃油控制系统时存在鲁棒性较低、可靠性较差及时效性不足等问题。
最后，针对上述问题分别从以下四个方面进行技术展望，即多物理场耦合建模、稀疏时频特征提取、知识数据双驱动的可解释智能诊断、模型轻量化与部署。
来源：机械工程学报
作者：严如强，许文纲，王志颖，朱启翔，周峥，赵志斌，孙闯，王诗彬，陈雪峰（西安交通大学机械工程学院）
张军辉，徐兵（浙江大学流体动力与机电系统国家重点实验室）
文献网址：
http://www.cjmenet.com.cn/CN/10.3901/JME.2024.04.003
