范式革命与韧性增强：面向多电分布式控制的航空发动机智能故障诊断与容错体系研究

面向未来高推重比、高可靠性、低全生命周期成本的新一代航空发动机发展需求，传统的集中式全权限数字电子控制（FADEC）系统在复杂性、重量和扩展性上面临瓶颈。以多电发动机（MEE）与分布式发动机控制（DEC）深度融合为特征的多电分布式控制系统（Multi-electric Distributed Engine Control System, M-DECS），代表了航空发动机控制技术的革命性方向。该系统通过电力作动器取代传统液压/气动作动器，并采用基于高速数字总线的分布式智能节点网络，实现了控制功能的物理分散与深度集成，显著提升了系统的模块化、轻量化和可维护性。然而，系统架构的革命性变化也引入了新的故障模式与可靠性挑战。本文旨在系统性地梳理并深入研究面向航空发动机多电分布式控制系统的故障诊断与容错关键技术。首先，从分布式控制系统、多电发动机本体、故障诊断与容错方法、以及硬件在环仿真验证四个维度，全面综述国内外研究现状与技术发展脉络。其次，深入剖析该领域亟待解决的关键科学问题与技术挑战，并重点阐述包括系统级容错架构设计、基于模型的诊断与容错、双主动冗余电机控制、基于深度学习的电力作动器智能诊断以及高保真硬件在环仿真平台构建在内的五项核心技术。最后，展望了该领域未来在复杂网络通信可靠性、模型与数据驱动融合、高性能实时仿真与标准化评价准则等方面的发展趋势。本研究为构建高可靠、高智能的新一代航空发动机控制体系提供了系统的技术参考与理论支撑。

 

一、航空发动机控制系统趋势

航空发动机被誉为现代工业“皇冠上的明珠”，其控制系统的性能直接决定了发动机的安全性、效率与可靠性。从机械液压控制到模拟电子控制，再到当前主流的全权限数字电子控制（FADEC），控制技术的每一次跃迁都深刻推动了航空发动机性能的跨越。FADEC系统通过数字计算机实现对所有发动机控制参数的精确管理，大幅提升了控制精度与效率，已成为现代民用和军用航空动力的标准配置。然而，随着“智能发动机”概念的兴起和对发动机性能极限的不断追求，发动机需要监测的参数激增，可调节部件更多，控制律日益复杂。集中式FADEC架构面临着控制器体积重量庞大、线缆布线复杂、冷却困难、系统升级换代成本高昂等固有局限，难以满足下一代自适应循环发动机等先进构型的需求。

在此背景下，航空发动机控制系统的下一次革命性变革——分布式发动机控制（DEC）应运而生。其核心思想是将原先集中于FADEC机柜中的计算、处理功能，物理分散到部署在发动机本体的各个智能传感器和智能执行器中。这些智能节点通过高可靠性的实时数字总线网络（如TTCAN、TTEthernet等）互联，构成一个分布式协同工作的控制系统。DEC架构能显著减少发动机与控制器之间的重型线束，减轻系统重量，提高推重比；同时，模块化的设计便于功能升级和维护，降低了全寿命周期成本。

 

与分布式控制并行发展的另一重大趋势是航空动力系统的“多电化”。多电发动机（MEE）旨在用电力系统取代传统的液压、气压和机械次级功率系统，例如采用电动燃油泵、电力作动器（EMA/EHA）和内置式起动/发电机。这不仅简化了发动机结构，提高了能量利用效率和系统响应速度，还因其天然的电磁兼容性和易于实现冗余配置的特点，为分布式控制提供了理想的物理载体。多电技术与分布式控制的融合，即多电分布式控制系统（M-DECS），正成为未来航空动力发展的必然选择。

然而，M-DECS的先进性也伴随着前所未有的复杂性。系统由大量电力电子设备、智能节点和实时网络构成，故障模式从传统的机械、气动故障扩展到电力电子故障、通信故障和软件逻辑故障等多重领域。任何单一节点的失效都可能通过网络传播，影响整个系统的稳定运行。因此，发展与之匹配的高效、精准、可靠的故障诊断与容错（FDA）技术，是确保M-DECS安全可靠运行、释放其全部性能潜力的前提和基石。本文即围绕这一核心命题，展开系统性、前瞻性的关键技术研究。

 

二、国内外研究现状系统性分析

2.1 航空发动机分布式控制系统（DEC）研究进展

分布式发动机控制（DEC）的概念最早于20世纪90年代被明确提出，并迅速成为国际航空强国竞相研究的焦点。1999年，英国谢菲尔德大学的Thompson与Fleming等人率先采用多目标优化方法对分布式控制结构进行设计，探索了通信协议选择、智能组件布局等基础问题。美国在这一领域布局深远，由国家航空航天局（NASA）格林研究中心、国防部及工业界联合成立的分布式发动机控制工作组（DECWG），制定了清晰的“三步走”发展路线图，旨在从集中式FADEC逐步过渡至完全分布式控制系统。通用电气（GE）等公司在美国空军项目支持下，成功研制了分布式控制演示验证系统，验证了智能执行机构（自带本地闭环控制）和智能传感器（输出数字信号并具备自监测能力）的可行性。在通信协议这一DEC的关键使能技术上，俄亥俄州立大学的Yedavalli等人系统比较了TTP/C、AFDX等多种总线，指出基于时间触发机制的协议（如TTCAN）因其传输时延确定、抖动有界和高容错能力，最符合航空发动机控制对实时性和确定性的严苛要求。

国内研究起步于21世纪初，以西北工业大学、南京航空航天大学和空军工程大学为主要研究力量。西北工业大学郭迎清教授团队是国内DEC研究的开拓者，自2003年起持续发表系列论文，系统阐述了DEC的结构、总线技术和智能装置等关键问题。该团队先后针对某涡扇发动机、超燃冲压发动机和变循环发动机，设计了部分分布式及完全分布式控制架构，并深入研究了控制器局域网（CAN）总线在发动机控制中的应用及通信时延/丢包鲁棒性问题。南京航空航天大学黄金泉团队则侧重于分布式控制系统的鲁棒控制算法设计，针对带有时延和噪声的DEC系统，成功设计了H∞鲁棒控制器。空军工程大学谢寿生团队在智能传感器/执行机构硬件设计与容错控制算法结合方面开展了富有成效的工作。总体而言，国内研究已从概念跟踪、原理验证，逐步深入到面向具体发动机型号的架构设计与关键技术攻关阶段。

 

2.2 多电发动机（MEE）与多电飞机（MEA）研究进展

多电发动机是多电飞机的核心，其发展与国际上对绿色航空、分布式电动推进（DEP）的探索紧密相连。NASA是这一领域的全球引领者，其提出的N3-X、STARC-ABL等涡轮电动分布式推进（TeDP）概念飞机，以及X-57“麦克斯韦”全电实验机，极大地推动了多电/全电动力系统技术的研究。这些研究不仅涉及高功率密度电机、电力电子变换器，更关键的是探索发动机与电力子系统（如发电机、电池、负载）的深度耦合与协同控制问题。密歇根大学等机构的研究表明，采用模型预测控制（MPC）等先进算法对发动机和电力系统进行集中或分布式协调管理，能有效处理推力与功率需求之间的耦合约束，提升整体系统效率。在故障诊断方面，针对DEP飞机冗余推进器故障，基于多变量模型预测的自适应容错控制策略被证明能有效利用推力差动补偿操纵面故障，维持飞行安全。

日本、俄罗斯等国也相继开展了MEE研究。日本IHI集团的研究人员系统分析了MEE中电机、电缆、电动泵等关键部件的失效模式，并提出了相应的容错系统架构与诊断方法。俄罗斯学者则展示了用于中小型无人机的多电涡扇发动机分布式控制架构设计。

我国在多电发动机领域的研究虽起步较晚，但进展显著。中国航空动力机械研究所等机构对MEE的研究现状和关键技术进行了系统性梳理。南京航空航天大学、西北工业大学等在电动燃油泵匹配、机电作动器（EMA）故障诊断等方面取得了具体研究成果。例如，南航团队提出了结合小波包与自组织映射（SOM）神经网络的EMA故障诊断方法，为电力作动器的智能监测提供了新思路。当前，国内研究正从部件级关键技术突破，向系统级集成验证方向稳步推进。

2.3 航空发动机故障诊断与容错（FDA）技术研究进展

故障诊断与容错控制是保障发动机安全运行的“防火墙”。传统方法主要围绕集中式FADEC系统展开，可分为基于模型、数据驱动和混合方法三大类。基于模型的方法，如基于卡尔曼滤波器系列的状态与参数估计，通过生成残差进行故障检测与隔离，物理意义明确。数据驱动方法，如支持向量机（SVM）、神经网络等，不依赖精确数学模型，擅长处理非线性、高维数据，在传感器、作动器故障诊断中应用广泛。容错控制则分为被动容错（PFTC，如鲁棒控制）和主动容错（AFTC，需结合故障诊断信息进行控制器重构或参数调整）。

随着DEC架构的出现，FDA研究呈现出新的特点。一方面，传统的诊断算法开始向分布式框架迁移。Impact Technologies公司较早提出将诊断算法分散到多个智能硬件的分布式诊断架构。俄亥俄州立大学的研究者探索了在部分分布式和完全分布式架构下基于模型的故障检测方案，并明确指出网络诱导时延是分布式诊断必须考虑的关键因素，否则残差生成逻辑将失效。另一方面，DEC本身为FDA带来了新范式。智能节点具备本地计算能力，可实现初步的自诊断和健康状态评估（如智能传感器检测自身漂移），这被称为“并行处理”的健康管理策略，将故障隔离粒度细化到部件级，极大提升了系统的可维护性。

国内学者紧跟国际前沿。空军工程大学翟旭升团队研究了具有网络时延的非线性分布式控制系统的T-S模糊模型故障诊断方法。西北工业大学余志伟等人针对涡轴发动机DEC系统，设计了基于等价空间法的传感器故障诊断滤波器组。在容错控制方面，西北工业大学、南京航空航天大学等团队在基于自适应模型、模型预测控制（MPC）以及滑模控制的发动机气路部件性能退化与故障容错方面，取得了一系列成果。

2.4 硬件在环（HIL）仿真技术研究进展

硬件在环仿真是复杂控制系统，尤其是FADEC和DEC系统研发、测试与验证不可或缺的关键手段。它通过将真实的控制器硬件（如EEC）接入由仿真机构建的实时发动机/飞机数学模型闭环中，在实验室环境下高置信度地复现实际运行环境，从而对控制律、故障诊断逻辑、容错重构策略等进行全面、高效、安全的验证。

先进的HIL仿真平台需具备多项核心能力。一是高精度实时仿真能力，能解算高保真的发动机气动热力学模型、飞机飞行动力学模型以及多电系统的电机、电网模型。二是完备的I/O信号模拟与采集能力，支持LVDT、热电偶、转速、ARINC429、以太网等航空领域各类模拟量、数字量和总线信号的仿真。三是强大的故障注入功能，能够模拟传感器漂移、短路、执行机构卡滞、总线通信时延/丢包、电源中断等多种故障模式，以充分测试控制系统的容错与重构能力。目前，国内相关企业（如华力创通）已能提供成熟的发动机控制器HIL测试系统解决方案，并应用于国产民用大涵道比发动机控制器的研制测试中。对于更复杂的M-DECS，HIL仿真平台需要进一步集成电力电子在环仿真能力，并构建包含大量智能节点的分布式网络仿真环境，其复杂度和技术要求均显著提高。

 

三、多电分布式控制系统故障诊断及核心技术

国内外研究现状表明，M-DECS的FDA研究尚处于方兴未艾的起步阶段，存在一系列交织在一起的、亟待攻克的关键问题。第一是系统级综合诊断与协同容错架构设计问题。如何设计一种分层、分布式、集散结合的FDA体系架构，既能发挥智能节点本地快速自诊断的优势，又能实现FADEC顶层对多节点信息的融合分析与系统级协同容错决策，是需要解决的首要顶层设计问题。第二是强耦合与非线性的建模与诊断问题。M-DECS中，发动机气动热力学过程、电力电子开关动态、机械传动与电磁场相互耦合，呈现强烈的非线性和时变性。建立适用于故障诊断的、兼顾精度与实时性的集成化数学模型异常困难。第三是多源异类故障的并发与传播问题。系统可能同时出现传感器偏差、执行器失效、电机绕组短路、功率器件击穿、网络堵塞等多种类型故障，且故障会在物理耦合与信息网络的共同作用下快速传播，导致故障隔离与定位（FDI）难度激增。第四是资源约束下的实时可靠通信问题。分布式节点的计算、存储和通信资源有限，而FDA算法（尤其是基于深度学习的方法）通常计算量较大。如何在资源受限条件下，设计轻量化的诊断算法，并确保诊断信息与容错指令在实时总线上的可靠、及时传输，是工程实现的巨大挑战。

针对上述关键问题，以下几项核心技术是当前研究的重点方向：

3.1 分层分布式故障诊断与容错系统架构设计

理想的M-DECS FDA架构应采用“本地自诊断+区域协同诊断+中央融合决策”的分层混合结构。在最底层，智能传感器/执行器节点嵌入轻量化的自监测算法（如基于自回归模型的残差检查、信号合理性检验），实现对器件级硬故障（如开路、短路）和性能退化（如精度下降）的快速初步检测与报警。在中间层，根据物理位置或功能关联性划分区域诊断单元（如将同一风扇导叶控制的多个EMA及其传感器划为一个区域）。区域单元利用更丰富的本地信息（如多个EMA的电流、位置反馈）运行基于简化模型或数据驱动的诊断算法，实现对区域内交叉验证、故障定位于具体部件、以及执行区域级冗余切换（如主备EMA切换）等容错操作。在最顶层，中央FADEC（或其演进的系统管理器）接收来自各区域的诊断摘要信息和关键状态数据，运行高保真发动机整体模型和基于人工智能的融合诊断算法，负责处理跨区域的复杂耦合故障（如判断是燃油泵电力故障还是燃油管路堵塞）、执行系统级容错重构策略（如发动机推力等级重规划、控制律重构），并协调全系统的健康管理任务。这种架构平衡了实时性、可靠性和诊断深度。

3.2 基于“物理-数据”混合模型的智能诊断与容错方法

为应对M-DECS建模难的挑战，融合物理先验知识与数据驱动能力的混合建模方法成为主流。对于基于模型的方法，核心是建立适用于在线诊断的降阶集成模型。例如，针对电动燃油泵系统，可建立结合电机电磁方程、泵流体力学方程和管道压力动力学的集总参数模型，并利用扩展卡尔曼滤波器（EKF）或Unscented卡尔曼滤波器（UKF）同步估计系统状态和关键健康参数（如电机效率系数、泵容积效率），通过参数估计值的突变或超阈实现故障诊断。对于执行器卡滞等故障，可设计滑模观测器等强鲁棒观测器来生成残差。

对于复杂性更高、难以精确建模的部件（如具有复杂摩擦、间隙和热效应的电力作动器），基于数据驱动的方法优势明显。深度学习技术，特别是卷积神经网络（CNN）和长短期记忆网络（LSTM），能够自动从高维时序数据（如电流、电压、位置、温度）中提取深层次故障特征。例如，可构建一维CNN模型，直接对EMA的多通道传感器时序信号进行端到端分析，实现对不同故障类型（电机绕组不对称、齿轮磨损、丝杠卡滞）和严重程度的精确分类与早期预警。为进一步提升诊断实时性和在有限样本下的泛化能力，迁移学习、深度森林等算法也受到关注。最终，将基于物理模型的解析冗余与基于数据驱动的智能感知相结合，构成数字孪生驱动的混合诊断框架，是提升诊断准确性与可解释性的重要途径。

 

3.3 面向高可靠性需求的双主动冗余电机控制及容错方案

在多电发动机中，驱动关键燃油泵和导叶作动器的电机系统可靠性至关重要。双主动冗余电机控制系统是一种有效的硬件容错方案。该系统通常采用两套完全独立的电机绕组、驱动器和控制器，共同驱动一个机械负载（共轴或通过余度齿轮箱）。在正常工作时，两套系统可平均分担负载（功率共享模式），也能一套主用、一套热备份。

其故障诊断与容错方案的核心在于：第一，基于信息融合的快速故障检测。实时比较两套系统的电流、转速、温度等关键参数，结合负载转矩观测值，通过一致性校验、方差分析等方法，在毫秒级时间内检测出绕组短路、驱动器IGBT故障、传感器失效等故障。第二，无扰平滑的容错切换策略。一旦检测到主用系统故障，必须在极短时间内（通常为一个至几个控制周期）将负载无缝切换到备用系统，避免对发动机控制回路产生大的扰动。这需要精密的转矩同步控制算法和快速切换逻辑。第三，故障后的性能保持与降级运行管理。切换后，系统需要评估剩余健康系统的带载能力，并可能调整控制策略（如限制最大转速或转矩），在保证安全的前提下维持发动机基本运行。该方案是保证M-DECS执行机构级安全性的基石。

3.4 支持深度验证的硬件在环仿真平台构建技术

针对M-DECS的HIL仿真平台构建是一项复杂的系统工程，其关键技术包括：多速率混合实时仿真技术。发动机气动热力学模型、电机电磁模型、网络通信模型等具有不同的动态特性，需采用不同的仿真步长。平台需支持多核CPU/FPGA的异构计算架构，实现多速率模型的精确同步与实时解算。高逼真度故障注入与模拟技术。除传统信号故障注入外，需能模拟电力电子器件的特定故障（如IGBT的短路、开路）、电机绕组的匝间短路、总线网络的复杂错误（如周期性时延、突发性丢包、帧错误等），并能灵活配置故障发生的时间、位置和模式。分布式节点模拟与实物接入混合技术。平台需要能够模拟数十个甚至上百个智能节点的虚拟行为（如虚拟传感器发送带噪声的数字信号），同时也要提供丰富的物理接口，支持接入真实的智能传感器、执行器原型件或商业货架产品（COTS）控制器进行半实物测试。自动化测试与评估框架。需要开发一套脚本驱动的自动化测试系统，能够按照预设的测试用例（包含各种飞行工况和故障组合）自动执行仿真、记录数据、并依据预先定义的评价准则（如故障检测时间、漏报/误报率、容错切换后的性能指标衰减度）自动生成测试报告，极大提高验证效率与规范性。

 

四、未来发展趋势展望

展望未来，航空发动机多电分布式控制系统故障诊断与容错技术将朝着更加智能化、高集成、强韧性的方向演进，以下几个趋势尤为显著：

4.1 关注复杂网络环境下诊断与容错的鲁棒性研究

未来研究将更深入地将网络属性纳入FDA算法设计。重点研究在非理想通信条件（如时变时延、数据包丢失、偶发性错码）下，诊断算法的性能保障机制。例如，开发具有通信协议感知能力的分布式卡尔曼滤波器或观测器，其增益能自适应调整以补偿网络不确定性带来的估计误差。同时，研究基于总线通信本身特征的故障诊断方法，将网络流量异常、节点响应超时等通信事件也作为系统级故障的重要征兆，实现对网络层故障和通过网络传播的应用层故障的联合诊断。

4.2 深度融合模型驱动与数据驱动方法

单纯的模型方法或数据方法都将面临瓶颈。发展 “物理信息神经网络” 等深度融合技术是必然趋势。这类方法将控制对象的物理定律（如牛顿第二定律、基尔霍夫定律）作为约束条件嵌入神经网络的结构或损失函数中，使模型兼具数据的学习能力和物理的泛化与可解释性。此外，利用联邦学习等隐私计算框架，可在各个分布式智能节点本地利用私有数据训练诊断模型，仅上传模型参数更新至中央进行聚合，从而在保护数据隐私（如单个部件的性能退化数据）的前提下，实现全局诊断知识的高效共享与持续进化。

 

4.3 发展高性能开放式硬件在环仿真与数字孪生系统

仿真平台将向更高性能、更开放和与物理系统更深交互的方向发展。一方面，利用云边协同计算，将高保真数字孪生模型部署在云端进行高精度非实时仿真和深度分析，将降阶模型部署在边缘HIL平台进行实时测试，实现仿真资源的优化配置。另一方面，推动仿真模型、接口和测试用例的标准化，建立行业公认的M-DECS FDA性能评价准则（如故障覆盖率、诊断虚警率、容错恢复时间阈值等），这对于技术的工程化应用和适航认证至关重要。

4.4 探索人工智能在系统级智能容错决策中的应用

在完成精准故障诊断的基础上，未来的容错控制将更加智能化。基于深度强化学习（DRL） 的容错决策器有望得到应用。该决策器通过与高保真数字孪生环境的大量交互学习，掌握在各种复杂故障组合及不同飞行阶段下，如何最优地协调剩余健康资源（如调整各电力作动器的出力分配、重规划发动机推力与电力负荷），以实现性能、安全、能耗等多目标综合最优的自主恢复，使系统具备从“容错”到“优容”的进化能力。

 

五、结论

航空发动机多电分布式控制系统是继FADEC之后又一次控制技术的范式革命，它通过控制功能的物理分散与能源形式的电气化变革，为未来航空发动机实现更高性能、更低重量和更优经济性开辟了全新路径。然而，这一先进架构的可靠运行高度依赖于其故障诊断与容错技术的成熟度。本文系统性地梳理了该领域国内外在分布式控制、多电技术、故障诊断方法及硬件在环验证等方面的研究进展，揭示了当前面临的核心挑战在于系统级综合容错架构设计、强耦合系统建模、多故障并发处理以及资源约束下的可靠实施。

针对这些挑战，本文重点论述了分层分布式FDA架构、物理与数据混合的智能诊断方法、高可靠双主动冗余电机控制、以及高保真硬件在环仿真平台等四项关键技术。这些技术相互支撑，共同构成了保障M-DECS安全韧性的技术体系。展望未来，该领域的研究将进一步与人工智能、数字孪生、先进通信等前沿技术深度融合，向着具备更强环境适应性、更高智能自主性和更完善验证评估能力的方向持续演进。深入开展并攻克M-DECS故障诊断与容错关键技术，不仅是学术研究的前沿热点，更是我国实现未来先进航空动力自主可控、跨越发展的战略性工程课题，具有极其重要的理论意义和工程价值。

&注：此文章内使用的图片来源于网络公开获取，仅供参考使用，如侵权可联系我们删除，如需进一步了解公司产品及商务合作，请与我们联系！！

湖南泰德航空技术有限公司于2012年成立，多年来持续学习与创新，成长为行业内有影响力的高新技术企业。公司聚焦高品质航空航天流体控制元件及系统研发，深度布局航空航天、船舶兵器、低空经济等高科技领域，在航空航天燃/滑油泵、阀元件、流体控制系统及航空测试设备的研发上投入大量精力持续研发，为提升公司整体竞争力提供坚实支撑。

公司总部位于长沙市雨花区同升街道汇金路877号，株洲市天元区动力谷作为现代化生产基地，构建起集研发、生产、检测、测试于一体的全链条产业体系。经过十余年稳步发展，成功实现从贸易和航空非标测试设备研制迈向航空航天发动机、无人机、靶机、eVTOL等飞行器燃油、润滑、冷却系统的创新研发转型，不断提升技术实力。

公司已通过 GB/T 19001-2016/ISO 9001:2015质量管理体系认证，以严苛标准保障产品质量。公司注重知识产权的保护和利用，积极申请发明专利、实用新型专利和软著，目前累计获得的知识产权已经有10多项。湖南泰德航空以客户需求为导向，积极拓展核心业务，与国内顶尖科研单位达成深度战略合作，整合优势资源，攻克多项技术难题，为进一步的发展奠定坚实基础。

湖南泰德航空始终坚持创新，建立健全供应链和销售服务体系、坚持质量管理的目标，不断提高自身核心竞争优势，为客户提供更经济、更高效的飞行器动力、润滑、冷却系统、测试系统等解决方案。