论文围绕智能航空发动机性能优化控制进行了研究,针对其中的关键技术:推进系统一体化模型、机载推进系统自适应模型、稳态性能寻优控制、加速优化控制以及性能恢复控制进行了深入研究。论文的主要贡献及创新点如下:首先,建立并完善了包含进气道与涡扇发动机在内的推进系统一体化模型,该模型能够准确反映进气道和尾喷管内外流特性、风扇和压气机的变导叶特性、涡轮叶尖间隙变化特性。在涡轮叶尖间隙的计算中,由于热传导方程中常用的半无限平面法不符合使用条件,提出了一种通过热传导方程提取外表面微分方程的方法,对衬环、叶片的外表面温度进行预测,提高了计算精度。为验证进气道放气调节的可行性,对进气道放气过程进行了二维流场模拟仿真。通过仿真实验验证了推进系统一体化模型的准确性。其次,开展了机载推进系统自适应模型研究。在机载推进系统稳态模型方面,提出了一种新的相似准则,对基点样本数据进行了更有效压缩,提高了相似换算后的模型输出参数精度;对机载推进系统模型中的简化发动机模型部分,提出一种泰勒展开余项建模修正的方法,将二阶余项加入线性模型展开式中,得出含二阶余项的推进系统矩阵;利用无约束优化算法对推进系统矩阵进行优化,进一步提高了其精度。在机载推进系统动态模型方面,提出一种修正动态系数的平衡流形方法,通过预先构建系数多项式,并在各样本点进行优化,得到全局优化的系数多项式,解决了常规动态系数线性插值精度偏低的问题。在机载自适应模型参数估计方面,提出一种联邦卡尔曼分布式滤波方法,相比传统的集中式卡尔曼滤波方法具有更高的计算效率。再次,进行了稳态性能寻优控制研究。建立最大推力、最小耗油率和最低涡轮前温度三种性能寻优模式;提出了一种人工蜂群优化算法,该方法具备微分进化算法的双种群进化策略、满足柯西分布的随机数以及更灵活的邻域定义,使算法更易跳出局部最优解,最终搜索到最优解,并将其应用于发动机稳态性能寻优控制中。仿真结果表明,该方法能够在发动机满足约束的情况下,相比常规方法能得到更优的性能。然后,开展了加速优化控制研究。以高压转速及涡轮前温度为目标函数,通过罚函数转为无约束加速优化问题,提出一种求解复杂度低、收敛快速的无约束响应面算法,该方法具有实时性高、全局搜索能力强等优点;针对用于加速优化的实时模型建立问题,提出了张量积-单纯形B样条建模方法,具有建模精度高且算法复杂度与样本量无关,仅与B样条系数有关的优点。针对张量积-单纯形B样条模型维数难以进一步增加的难题,提出了最小批量梯度下降法神经网络,该方法能够对发动机大包线、变状态、多变量的大样本数据建模。数字仿真验证了上述方法的有效性。最后,提出了一种全包线推力估计器设计方法:首先对输入参数基于留一法及稀疏编码器进行优选,再基于泰勒原理合理压缩采样样本,最后基于稀疏自动编码器建立推力估计器并进行集成学习,该方法可提高推力估计精度及泛化性能。设计了基于线性自抗扰控制器的内环传统控制器及外环推力控制器。该双环结构充分利用了传统控制本身的优点,外环控制属于慢时间常数环节,对推力估计器实时性要求更低,有助于工程实现。设计了一种性能退化恢复控制律,可以估计出部件性能变化引起的推力性能退化,并能够进行快速有效恢复。仿真验证了所设计方法的可行性。