智能发动机控制技术是未来航空发动机控制系统的发展方向之一,作为智能发动机控制技术分支的性能退化缓解控制技术受到了研究人员的广泛关注。本文从智能发动机的角度开展了发动机建模技术、鲁棒控制器设计、健康管理等发动机性能退化缓解控制相关关键技术的研究,并进行了数字仿真验证。论文首先研究了涡扇发动机模型的建立方法。针对状态变量建模过程中,偏导数法和拟合法的缺点,对人工蜂群(ABC)算法进行了改进,并将其用于航空发动机状态变量模型参数的优化求解。经过优化得到的状态变量模型与非线性模型具有较高的吻合度。同时,还研究了利用神经网络和改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法建立推力简化模型的方法。该方法通过飞行状态映射传感器信号,再通过传感器信号映射推力,将推力简化模型分为两个串接的子模型分别训练,弥补了直接映射推力精度不足的缺点,提高了推力简化模型的精度。其次,论文研究了航空发动机多变量鲁棒控制算法,提出了基于ABC的多目标优化算法——多目标蜂群算法(MOABC)算法,并将其用于航空发动机H2/H∞鲁棒控制器的设计。MOABC算法利用外部存储档案中的非支配最优解来产生子代食物源并与父代食物源一起进行非支配排序,然后用处在最优Parato前沿面的解来更新外部存储档案。通过与NSGA-II和SPEA-II的对比仿真表明MOABC算法具有很好的收敛性和分布性。在将MOABC算法应用于航空发动机H2/H∞鲁棒控制器设计时,将H2指标和H∞指标作为多目标优化的目标函数,得到了控制器参数的Parato前沿面,并从中确定了一组发动机控制器参数。在非线性模型上的仿真表明利用MOABC算法所设计控制器具有很好的鲁棒性和抗干扰性,且动态品质良好。再者,设计了发动机部件故障与传感器故障诊断系统。针对航空发动机传感器故障与突发性部件故障的诊断,提出了一种基于SVM-ELM-KF的诊断方法。该方法将IRR-LSSVR算法推广到分类机,用于区分识别传感器故障与部件故障。然后利用ELM算法和改进的Kalman滤波器对传感器故障和部件故障进行精确定位,并通过数字仿真验证了该方法的可行性。同时,针对传感器数目少于健康参数个数的气路部件故障诊断,提出了一种基于模型和数据驱动的融合诊断方法。对于极端学习机(ELM)随机选择输入层权值和隐含层偏置带来的缺点,提出改进的微分进化(IDE)算法对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力,实现了基于数据的部件故障诊断。论文采用基于奇异值分解(SVD)的降维Kalman滤波器(KF)实现了基于模型的部件故障诊断。然后,采用IRR-LSSVR算法对以上两种算法的估计结果在特征层进行定量融合,提高了诊断的准确性。接着,本文提出了一种改进的OS-ELM(Im OS-ELM)算法。该算法通过引入正则化因子,消除了矩阵奇异和病态的问题,提高了预测精度,并使得算法能够在初始阶段就具有预测能力。同时以泛化能力为判断依据,通过选择策略对输出权值进行选择性地更新,在很大程度上缩短了训练时间。通过在时间序列数据上验证了算法的有效性。然后,将Im OS-ELM算法应用于航空发动机传感器故障的诊断与隔离。仿真结果表明,该算法能够对航空发动机双传感器偏置故障和单传感器漂移故障进行有效地诊断与隔离,并具有较高的预测精度和实时性。最后,论文对航空发动机推力估计方法以及外环控制器的设计进行了研究。针对退化发动机,设计了基于ALQR控制器的推力估计器和基于IRR-LSSVR的推力估计器。接着,构建了航空发动机性能退化缓解控制的仿真平台,并开展了综合仿真验证研究。通过对发动机在不同状态下性能发生退化的仿真表明,性能退化缓解控制技术相对于传统的控制方法能够更好的挖掘发动机的性能潜力,实现不同退化程度发动机的推力匹配,避免了偏航现象的出现,在工程实践中具有良好的应用前景。