El sistema de combustible, que tiene como objetivo proporcionar suficiente combustible al motor para mantener el empuje y la potencia, es uno de los sistemas más críticos en la aeronave. Sin embargo, posibles modos de degradación, como fugas y bloqueos, pueden llevar a fallos en los componentes, afectar el rendimiento e incluso causar accidentes graves. Como estrategia avanzada de mantenimiento, el Mantenimiento Basado en Condición (MBC) puede proporcionar una cobertura efectiva, al combinar sensores de última generación con técnicas de adquisición y análisis de datos para guiar el mantenimiento antes de que la degradación del activo se vuelva grave. La Inteligencia Artificial (IA), particularmente el aprendizaje automático (AA), ha demostrado ser efectiva en el apoyo al MBC, para analizar datos y generar predicciones sobre la condición de salud del activo, influyendo así en los planes de mantenimiento. Sin embargo, desde una perspectiva de ingeniería, la salida de los algoritmos de AA, generalmente en forma de redes neuronales impulsadas por datos, ha sido cuestionada en la práctica, ya que puede ser no intuitiva y carece de la capacidad de proporcionar señales de ingeniería inequívocas a los mantenedores, lo que dificulta la confianza. A los ingenieros les interesa un proceso de toma de decisiones determinista y cómo se revela; los algoritmos deberían ser capaces de certificar y convencer a los ingenieros para aprobar las acciones recomendadas. La IA Explicable (IAE) ha surgido como una solución potencial, proporcionando parte de la lógica sobre cómo se deriva la salida de la entrada dada, lo que puede ayudar a los usuarios a entender el resultado diagnóstico del algoritmo. Con el fin de inspirar y asesorar a los científicos de datos e ingenieros que están a punto de desarrollar y utilizar enfoques de IA en sistemas de combustible, este documento explora la literatura de experimentos, simulaciones y diagnósticos basados en IA para el sistema de combustible para hacer una declaración informada sobre el progreso que se ha logrado en diagnósticos de fallos inteligentes para sistemas de combustible, enfatizando la necesidad de proporcionar señales de ingeniería inequívocas a los mantenedores, así como destacando áreas potenciales para futuras investigaciones.