航空发动机智能控制代表着发动机控制的发展方向,该方面的研究在理论和实践上均具有较大的意义。本文以某型混合排气涡扇发动机为研究对象,建立了其非线性模型和状态空间模型,研究了3种智能控制算法:基于BP神经网络整定的PID控制、多变量神经网络自适应控制和Smith预估补偿模糊PID控制,并分别进行了计算机仿真。首先,作为控制算法研究的基础,本文采用“部件法”建立了某涡扇发动机的气动热力学模型,采用基于BP神经网络的智能方法对非线性模型的共同工作方程进行求解,结果证明该方法具有良好的求解精度、效率和收敛性。在发动机非线性模型的基础上,采用“顺数算法”建立了发动机的状态空间模型,并对其进行了相对化处理,为以后控制算法的研究奠定了基础。其次,研究了两种基于BP神经网络的发动机控制算法:基于BP神经网络整定的PID控制和多变量神经网络自适应控制。前者利用神经网络所具有的任意非线性表达能力,实现参数k p、k i和k d自学习的PID控制。而多变量神经网络自适应控制系统,由BP网络辨识器为神经网络控制器的参数调节提供Jacobin信息,神经网络控制器NNC在线修正参数值,实现对航空发动机多变量的自适应控制。仿真结果表明,这两种控制方法响应快,超调小,拥有较好的控制效果,系统具有良好的动静态性能。最后,结合Smith预估补偿控制和模糊PID控制的优点,提出一种基于BP网络辨识的Smith预估补偿模糊PID控制。该方法利用Smith预估补偿控制原理,由神经网络为Smith预估提供实时修正,由模糊PID控制器实现对发动机的控制。计算机仿真表明,由于预估补偿器的预估输出能够较准确地预测系统输出,从而使具有大时延的发动机控制系统具有良好的控制效果。