基于失效物理的航空燃油齿轮泵滑动轴承全工况寿命预测与敏感度量化

doi:10.7527/S1000-6893.2025.32119

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于失效物理的航空燃油齿轮泵滑动轴承全工况寿命预测与敏感度量化

周德卿¹, 张文博², 郭超², 刘显为³, 符江锋³^,⁴()

^1.西北工业大学国家卓越工程师学院，西安 710129
^2.中国航空发动机研究院，北京 101304
^3.西北工业大学能源与动力学院，西安 710129
^4.四川天府新区西工大先进动力研究院，成都 610213

收稿日期:2025-04-11 修回日期:2025-05-09 接受日期:2025-07-07 出版日期:2025-10-20 发布日期:2025-10-17
通讯作者: 符江锋 E-mail:fjf@ nwpu.edu.cn;fjf@nwpu.edu.cn
基金资助:
国家自然科学基金(52372396);国家科技重大专项(JSZL2023213S001);中央高校基本科研业务费(D5000240299)

Prediction of full operating life and sensitivity quantification of sliding bearings in aircraft fuel gear pumps based on failure physics

Deqing ZHOU¹, Wenbo ZHANG², Chao GUO², Xianwei LIU³, Jiangfeng FU³^,⁴()

^1.National Elite Institute of Engineering，Northwestern Polytechnical University，Xi’an 710129，China
^2.Aero Engine Academy of China，Beijing 101304，China
^3.School of Power and Energy，Northwestern Polytechnical University，Xi’an 710129，China
^4.Advanced Power Research Institute of Northwestern Polytechnical University in Sichuan Tianfu New Area，Chengdu 610213，China

Received:2025-04-11 Revised:2025-05-09 Accepted:2025-07-07 Online:2025-10-20 Published:2025-10-17
Contact: Jiangfeng FU E-mail:fjf@ nwpu.edu.cn;fjf@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(52372396);National Science and Technology Major Project of China(JSZL2023213S001);the Fundamental Research Funds for the Central Universities(D5000240299)

摘要/Abstract

摘要：

航空燃油齿轮泵滑动轴承副的磨损失效是导致齿轮泵故障的主导因素，传统的滑动轴承寿命预测方法依赖大量试验数据，存在成本高昂、试验条件苛刻的局限性。提出了一种融合润滑磨损机理模型与主动学习的全载荷失效寿命评估方法，考虑了温度、弹性形变、粗糙表面影响，与加工和服役中的不确定性，构建了滑动轴承润滑磨损仿真模型，以表征轴承润滑特性与动态磨损行为；采用结合主动学习方法优化累积概率函数的学习预测过程，以显著降低样本需求，实现全载荷工况下失效概率与寿命分布的高效评估；通过矩独立敏感度分析给出了各不确定性因素对寿命的影响机制。研究表明：随着磨损深度的增加，磨损深度与轴承润滑特性显著关联，可以作为衡量滑动轴承性能退化程度的失效判据。主动学习方法所获取的轴承寿命分布显示，滑动轴承的失效主要发生在工作约687.88 h和859.60 h处，且其总寿命不会超过900 h。此外，分析敏感度发现轴承间隙随机公差的敏感度为0.998 201，间隙随机公差对轴承寿命的影响大于泵出口随机压力脉动。所提供的机理模型可用于燃油齿轮泵寿命预测与结构优化，能为航空燃油齿轮泵长寿命与高可靠性设计提供理论支持与工程指导。

关键词: 航空燃油齿轮泵, 磨损机理, 主动学习, 寿命预测, 矩独立敏感度

Abstract:

The lubrication and wear failure of the sliding bearing pair in aviation fuel gear pumps is the main factor leading to gear pump failures. Traditional sliding bearing life prediction methods rely on a large amount of experimental data and have limitations such as high cost and harsh testing conditions. This article proposes a full load failure life assessment method that integrates lubrication and wear mechanism models with active learning. It comprehensively considers the effects of temperature， elastic deformation， and rough surfaces， and combines uncertainty in production and service to construct a sliding bearing lubrication and wear simulation model. The lubrication characteristics and dynamic wear behavior are characterized， and the learning and prediction process of the cumulative probability function is optimized using active learning methods， significantly reducing sample requirements and achieving efficient evaluation of failure probability and life distribution under full load conditions. In addition， the impact of various uncertainty factors on lifespan was analyzed through moment independent sensitivity analysis. Research has shown that with the increase of wear， various performance indicators of sliding bearings have deteriorated， proving the rationality of using wear as a failure criterion. On this basis， the bearing life distribution obtained through active learning methods shows that the failure of sliding bearings mainly occurs at approximately 687.88 h and 859.60 h of operation， and their total life will not exceed 900 h. In addition， sensitivity analysis revealed that the sensitivity of the random tolerance of the bearing clearance was 0.998 201， which is greater than the random pressure pulsation at the pump outlet. The service life of the sliding bearing is mainly affected by the random tolerance of the bearing clearance. The method proposed in this article for predicting and evaluating the life of sliding bearings in aviation fuel gear pumps based on lubrication and wear mechanism models will provide structural optimization efficiency for friction pairs， providing theoretical support and engineering guidance for the long-term and high reliability design of aviation fuel gear pumps.

Key words: aviation fuel gear pump, wear mechanism, active learning, life prediction, moment independent sensitivity

中图分类号:

V233

周德卿, 张文博, 郭超, 刘显为, 符江锋. 基于失效物理的航空燃油齿轮泵滑动轴承全工况寿命预测与敏感度量化[J]. 航空学报, 2026, 47(2): 432119.

Deqing ZHOU, Wenbo ZHANG, Chao GUO, Xianwei LIU, Jiangfeng FU. Prediction of full operating life and sensitivity quantification of sliding bearings in aircraft fuel gear pumps based on failure physics[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(2): 432119.

图/表 16

图 1

图 2

图 3

图 4

表1

表2

图 5

图 6

表3

图 7

图 8

图 9

图 10

图 11

图 12

表4

参考文献 24

[1]	安理会，王建礼，刘意，等. 航空发动机燃油控制装置可靠性研究综述［J］. 推进技术， 2024， 45（1）： 6-22.
	AN L H， WANG J L， LIU Y， et al. Summary of reliability research on aero engine fuel control devices［J］. Journal of Propulsion Technology， 2024， 45（1）： 6-22 （in Chinese）.
[2]	BULUT D， BADER N， POLL G. Cavitation and film formation in hydrodynamically lubricated parallel sliders［J］. Tribology International， 2021， 162： 107113.
[3]	CHEN S， CAI J， XIANG G， et al. Tribo-dynamic-wear coupling analysis for Water-lubricated Bearings with journal surface imperfection under repeated start-stop cycles［J］. Tribology International， 2024， 200： 110093.
[4]	符江锋，王建礼，李文霞，等. 航空发动机长寿命、高可靠燃油齿轮泵关键技术研究综述［J］. 推进技术， 2024， 45（12）： 46-63.
	FU J F， WANG J L， LI W X， et al. Review of key technologies for long life and high reliability fuel gear pumps in aeroengine［J］. Journal of Propulsion Technology， 2024， 45（12）： 46-63 （in Chinese）.
[5]	MAZURKOW A， KALINA A. Static properties of plain journal bearing［J］. Physics for Economy， 2021， 4： 41-52.
[6]	ALLMAIER H， PRIESTNER C， REICH F M， et al. Predicting friction reliably and accurately in journal bearings—extending the EHD simulation model to TEHD［J］. Tribology International， 2013， 58： 20-28.
[7]	RANSEGNOLA T， SADEGHI F， VACCA A. An efficient cavitation model for compressible fluid film bearings［J］. Tribology Transactions， 2021， 64（3）： 434-453.
[8]	符江锋，仲世杰，罗康，等. 航空发动机燃油泵动静压滑动轴承润滑特性与参数影响分析［J］. 推进技术， 2025， 46（1）： 242-257.
	FU J F， ZHONG S J， LUO K， et al. Analysis of aeroengine fuel pump hydrostatic journal bearing lubrication and parameter influence［J］. Journal of Propulsion Technology， 2025， 46（1）： 242-257 （in Chinese）.
[9]	刘济海，孙军. 耦合轴颈轴向运动的粗糙表面径向滑动轴承热流体动力润滑分析［J］. 润滑与密封， 2024， 49（8）： 73-81.
	LIU J H， SUN J. Thermohydrodynamic Lubrication analysis of journal bearing with rough surface coupled the axial motion of journal［J］. Lubrication Engineering， 2024， 49（8）： 73-81 （in Chinese）.
[10]	SHI X， LU X， FENG Y， et al. Tribo-dynamic analysis for aero ball bearing with 3D measured surface roughness［J］. Engineering Failure Analysis， 2022， 131： 105848.
[11]	朱嘉兴，李华聪，符江锋，等. 航空齿轮泵滑动轴承接触状态流体润滑特性［J］. 航空动力学报， 2020， 35（1）： 169-177.
	ZHU J X， LI H C， FU J F， et al. Lubrication characteristics in contact state of journal bearings inside aero gear pump［J］. Journal of Aerospace Power， 2020， 35（1）： 169-177 （in Chinese）.
[12]	SHARMA A K， KUMAR N， DAS A K. A review on wear failure of hydraulic components： existing problems and possible solutions［J］. Engineering Research Express， 2024， 6（1）： 012502.
[13]	MATTHIAS F， DAVID M. Recent trends in the modeling and quantification of non-probabilistic uncertainty［J］. Archives of Computational Methods in Engineering， 2019（3）： 1-39.
[14]	PAPAIOANNOU I， BETZ W， ZWIRGLMAIER K， et al. MCMC algorithms for subset simulation［J］. Probabilistic Engineering Mechanics， 2015， 41： 89-103.
[15]	宁晓艳，夏志明. 基于矩方法的参数的分布式估计框架［J］. 应用数学学报， 2024， 47（4）： 656-671.
	NING X Y， XIA Z M， et al. Distributed parameter estimation framework based on moment method［J］. Acta Mathematicae Applicatae Sinica， 2024， 47（4）： 656-671 （in Chinese）.
[16]	赵军，陶友瑞. 基于响应面与MCMC子集模拟的滑动轴承润滑可靠性分析［J］. 机械设计， 2021， 38（9）： 31-37.
	ZHAO J， TAO Y R. Analysis on the lubrication reliability of sliding bearing based on the response surface and MCMC subset simulation［J］. Journal of Machine Design， 2021， 38（9）： 31-37 （in Chinese）.
[17]	VALDEBENITO M A， WEI P， SONG J， et al. Failure probability estimation of a class of series systems by multidomain Line Sampling［J］. Reliability Engineering & System Safety， 2021， 213： 107673.
[18]	员婉莹，李逢源，黄博，等. 可靠性分析改进元模型重要抽样算法［J］. 航空学报， 2025， 46（7）： 230738.
	YUN W Y， LI F Y， HUANG B， et al. Enhanced metamodel-based importance sampling reliability analysis method［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（7）： 230738 （in Chinese）.
[19]	WEI P， ZHENG Y， FU J， et al. An expected integrated error reduction function for accelerating Bayesian active learning of failure probability［J］. Reliability Engineering & System Safety， 2023， 231： 108971.
[20]	WANG Y， LI Y， HUANG H， et al. An AK‐MCS‐based probabilistic fatigue life prediction framework for turbine disc with a mean stress correction model［J］. Quality and Reliability Engineering International， 2024， 40（6）： 3238-3252.
[21]	ZHU D， MARTINI A， WANG W， et al. Simulation of sliding wear in mixed lubrication［J］. Journal of Tribology， 2007， 129（3）： 544-552.
[22]	SONG J， ZHANG Y， CUI Y， et al. Bayesian active learning approach for estimation of empirical copula-based moment-independent sensitivity indices［J］. Engineering with Computers， 2024， 40（2）： 1247-1263.
[23]	HUANG S P， QUEK S T， PHOON K K. Convergence study of the truncated Karhunen - Loeve expansion for simulation of stochastic processes［J］. International Journal for Numerical Methods in Engineering， 2001， 52（9）： 1029-1043.
[24]	蒋献，王言，孟敏. 失效概率矩独立全局灵敏度分析的高效算法［J］. 航空学报， 2019， 40（3）： 222414.
	JIANG X， WANG Y， MENG M. Efficient algorithm for analyzing moment-independent global reliability sensitivity［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（3）： 222414 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

参数	数值
轴承宽度/mm	25.00
轴瓦直径/mm	20.01
轴颈直径/mm	19.94
额定转速/（r·min^-1）	7 000
环境温度/℃	40
表面硬度/MPa	120
最大进口压力/MPa	8.50
最小出口压力/MPa	0.50
介质粘度/（Pa·s）	0.84×10^-3
饱和蒸汽压/Pa	6 212.80

参数	数值
转速/（r·min^-1）	6 000（±10）
进口油压/MPa	0.892（±0.002 5）
出口油压/MPa	6.000（±0.1）
进口温度/℃	54（±10）
试验时间/s	540 000（±10）
实验结果磨损深度/μm	1.7（±0.3）

编号	相对转速	相对进口压力	相对出口压力	温度/℃	时间/s
1	100.0%	100.0%	100.0%	30.0	1 200.0
2	147.0%	186.2%	163.8%	30.0	240.0
3	144.0%	95.9%	88.9%	30.0	1 140.0
4	139.0%	89.6%	79.7%	30.0	6 180.0
5	111.0%	70.4%	87.9%	30.0	600.0
6	118.0%	110.9%	104.2%	30.0	420.0
7	144.0%	142.7%	134.8%	30.0	36.0
8	100.0%	56.0%	69.5%	30.0	60.0

随机输入变量	矩独立敏感度	标准差
轴承间隙公差	0.998 201	0.000 183
泵出口压力	0.049 269	0.000 155

基于失效物理的航空燃油齿轮泵滑动轴承全工况寿命预测与敏感度量化

Prediction of full operating life and sensitivity quantification of sliding bearings in aircraft fuel gear pumps based on failure physics

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李凯尚, 范浩奇, 王润梓, 张显程, 涂善东. 基于双尺度损伤理论的高温装备寿命设计方法[J]. 航空学报, 2025, 46(5): 531706-531706.
[2]	黄蕾, 郭聪, 张小波, 孙良臣, 左迎荟, 王博, 田阔. 基于飞参-载荷-寿命数字孪生模型的飞机结构健康管理方法[J]. 航空学报, 2025, 46(21): 532382-532382.
[3]	华志广, 潘诗媛, 赵冬冬, 李祥隆, 窦满峰. 基于分解优化并行ESN的氢燃料电池寿命预测[J]. 航空学报, 2025, 46(2): 330696-330696.
[4]	龚煜廉, 张建国, 吴志刚, 褚光远, 范晓铎, 黄赢. 主动学习基自适应PC⁃Kriging模型的复合材料结构可靠度算法[J]. 航空学报, 2024, 45(8): 228982-228982.
[5]	高同州, 贺小帆, 王晓雷, 李紫光, 朱振涛, 詹志新. 基于CDM理论与SVM模型的2014-T6铝合金疲劳寿命预测[J]. 航空学报, 2024, 45(7): 228952-228952.
[6]	姜峰, 李华聪, 符江锋, 刘显为. 考虑状态模糊性的结构非概率可靠性分析[J]. 航空学报, 2024, 45(20): 229989-229989.
[7]	田贵双, 王少萍, 石健, 陶模. 模型与数据混合驱动的IGBT寿命预测方法[J]. 航空学报, 2024, 45(15): 630173-630173.
[8]	李天梅, 司小胜, 张建勋. 多源传感监测线性退化设备数模联动的剩余寿命预测方法[J]. 航空学报, 2023, 44(8): 227190-227190.
[9]	刘斌, 许靖, 霍美玲, 崔学英, 谢秀峰, 杨栋辉, 王嘉. 基于多尺度自适应注意力网络的剩余寿命预测[J]. 航空学报, 2023, 44(5): 226918-226918.
[10]	姜峰, 李华聪, 符江锋, 洪林雄. 基于RBF和主动学习的非概率可靠度求解方法[J]. 航空学报, 2023, 44(2): 226667-226667.
[11]	杨家鑫, 唐圣金, 李良, 孙晓艳, 祁帅, 司小胜. 基于多源信息的隐含非线性维纳退化过程剩余寿命预测[J]. 航空学报, 2023, 44(12): 227662-227662.
[12]	王秀锐, 李凯尚, 谷行行, 张勇, 陆体文, 王润梓, 张显程. 基于晶体塑性理论的高-低周疲劳寿命预测统一准则[J]. 航空学报, 2023, 44(10): 427300-427300.
[13]	董青, 郑建飞, 胡昌华, 余铜辉, 牟含笑. 考虑随机冲击影响的自适应Wiener过程剩余寿命预测方法[J]. 航空学报, 2022, 43(9): 225914-225914.
[14]	张晟斐, 李天梅, 胡昌华, 杜党波, 司小胜. 基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用[J]. 航空学报, 2022, 43(8): 225708-225708.
[15]	牟含笑, 郑建飞, 胡昌华, 赵瑞星, 董青. 基于CDBN与BiLSTM的多元退化设备剩余寿命预测[J]. 航空学报, 2022, 43(7): 325403-325403.