航空发动机性能寻优控制(Performance-Seeking Control,PSC)旨在挖掘发动机潜力以充分发挥其性能,从而提高新一代战机的综合作战能力。发动机非线性数学模型是PSC中所有相关模型的基础。精确的机载发动机模型是PSC的关键,PSC通过参数估计技术保证模型的准确。本文主要针对性能寻优控制中的两项重要技术——发动机数学模型求解算法和参数估计开展研究。论文以解决这两项技术中存在的一些实际问题为目的,通过引入新理论和新方法,取得了一定成果。建立并分析了发动机部件级解析模型。(1)根据元建模思想,应用Kriging方法建立了压气机特性元模型,在此基础上重构了未知换算转速下的压气机特性,扩充了特性数据表;(2)建立了涡扇发动机部件级模型,分析了建模中压气机特性插值和局部非线性方程(组)求解存在的问题,分别给出了通过特性变换和变量无因次化处理的解决方法;(3)建立了发动机共同工作方程组,分析了独立变量的选择方法;(4)分析了直接应用Newton-Raphson法求解模型时,算法对迭代初值要求过高,可能出现因插值超界、计算奇异导致迭代中断,以及因Jacobian矩阵条件数恶化导致计算发散等问题。研究了应用传统优化算法求解发动机数学模型。(1)基于最小二乘准则,将发动机共同工作方程组的求解问题转化为非线性最小二乘问题,提出了基于优化理论求解该等价优化问题的思想;(2)以求解一般非线性最小二乘问题的Gauss-Newton ( G-N )法为基础,分别研究了带步长因子的G-N法和Levenberg-Marqurdt(L-M)法两类改进算法;(3)将G-N法及其改进算法迭代格式中的矩阵求逆问题转化为线性方程组求解问题,采用矩阵正交分解技术,以解决因矩阵条件数恶化导致的计算发散问题;(4)设计了结合带步长因子G-N法和L-M法优点的混合迭代优化算法,根据模型求解的数值实验,应用混合算法获得了满意精度解,而单独的带步长因子G-N法或L-M法求解结果并不理想。研究了应用现代优化算法求解发动机数学模型。(1)提出了采用带边界约束的非线性最小二乘模型,以保证应用现代优化算法时求解过程不中断;(2)研究了标准粒子群(Particle Swarm Optimization,PSO)算法,选择并设计了可用于求解发动机模型的PSO算法参数;(3)研究量子粒子群(Quantum-behaved PSO,QPSO)算法,选择并设计了可用于求解发动机模型的QPSO算法收缩-扩张系数。根据合理参数设置下的模型求解数值实验,都得到了满意的计算精度,验证了这类算法用于求解发动机模型的可行性。研究了性能寻优控制中参数的线性估计技术。(1)研究了离散自适应Kalman滤波算法,以解决状态模型误差不确定的问题;(2)基于可测参数的CA(Const与估计过程的可测参数偏离量间接估计方法,并且采用分散计算式,提高精度的同时也保证了计算速度;(3)针对集中式Kalman滤波估计性能退化参数存在的问题,设计了联邦滤波器,通过分布式计算模式的子滤波器和具有信息融合与分配作用的主滤波器,充分利用了测量信息,有效降低了计算量和提高了估计精度,并提高了系统的容错性。研究了性能寻优控制中参数的非线性估计技术。(1)分析了部件性能退化原理,联立发动机共同工作方程和性能退化后的可测参数测量平衡方程,建立了发动机性能退化模型,将性能退化参数估计问题转化为解非线性方程组问题;(2)研究了应用抗差Kalman滤波对测量数据进行预处理的方法;(3)提出了应用现代优化算法求解性能退化模型,设计了引入变异操作的PSO和QPSO算法,以解决标准算法陷入局部最小的问题,完成了退化模型求解,并给出了获得满意估计结果时目标函数的收敛量级。论文将种类丰富的优化算法引入发动机数学模型求解领域,一定程度上解决了传统数值方法存在的问题;提出的两种参数线性估计方法,均采用分布式计算模式,解决了集中式Kalman滤波算法存在的不足,并且符合发动机控制系统分布式发展趋势;初步研究了基于现代优化算法的参数非线性估计技术。所做研究对性能寻优控制的发展具有一定理论意义和工程应用价值,也能够为发动机仿真及故障诊断等相关研究提供一定技术支持与参考。