航空发动机性能退化缓解控制,是针对发动机在运行过程中,由于磨损、腐蚀等原因导致气路核心部件的性能退化,通过实时估计关键气路健康参数以及控制器设计,充分挖掘发动机性能,满足飞机对发动机推力的需求。本文依托于某部委重点项目“XX发动机基础问题研究”,围绕着某型涡扇发动机性能监视以及性能退化缓解控制进行研究。本文主要内容包括:首先,基于涡扇发动机气动热力学原理,构建发动机部件级模型。在此基础上,采用偏导数法和最小二乘拟合法,建立了发动机稳态点处的状态变量模型。通过与发动机非线性模型对比,所建状态变量模型具有较高的精度,为后续航空发动机机载自适应模型建立奠定了基础。其次,针对涡扇发动机性能监视中,基于卡尔曼滤波器的机载自适应模型在传感器数量少于待测状态量时产生的精度下降问题,提出了一种基于随机配置网络的改进卡尔曼滤波算法。首先,设计了基于随机配置网络的发动机气路健康参数估计器。进一步,将随机配置网络对健康参数的估计结果作为惩罚项,加入到改进卡尔曼滤波算法后验估计的目标函数中,实现了改进卡尔曼滤波器估计结果与随机配置网络估计结果的融合。最后,为了解决个别健康参数估计精度不足的问题,提高普适性,使用萤火虫算法对结构参数进行寻优计算。仿真结果表明,基于随机配置网络的改进卡尔曼滤波器估计结果的均方根误差平均下降63.14%,平均误差平均下降67.79%。因此,所提方法能够实现对发动机性能退化的准确估计,提高机载自适应模型精度。最后,为了实现航空发动机在性能退化状态下,仍能满足推力需求,提出了一种基于神经网络的发动机性能退化缓解控制器设计方法。首先,为了实现发动机性能退化条件下不可测推力的估计,设计了间接推力估计器,通过基于所提随机配置网络改进的卡尔曼滤波器得到的不可测健康参数,实时更新发动机机载自适应模型,从而得到输出推力的估计值。进一步,设计线性自抗扰控制器作为内环控制器,广义回归神经网络控制器作为外环控制器,使发动机在性能退化条件下仍能输出期望推力。最后,通过硬件在回路验证平台,对所提方法进行了验证。试验结果表明,在性能退化条件下,所提方法可以有效地实现发动机推力恢复。单退化情况下,推力的平均误差为0.342%;多退化情况下,推力的平均误差为0.677%,并且动态调节时间为3s左右,具有良好的动态特性,满足控制系统实时性要求。