由于发动机制造与装配水平的差异,以及在使用过程中各个部件间的磨损、腐蚀、积垢等造成的性能退化,导致根据压气机、涡轮等部件特性及设计点参数建立的航空发动机部件级标称模型往往难以匹配实际整机的性能。本论文依托中国航发涡轮研究院的“涡扇发动机控制规律研究与仿真试验”项目,针对某型涡扇发动机,提出了一种航空发动机全包线模型自适应修正方法。首先,建立一个基于神经网络的动态并行补偿器,对个体发动机与通用型数学模型进行补偿。然后,采用一种集成评价的多指标决策算法实现待修正健康因子的选择。最后,设计了一种基于智能优化算法的修正器,得到更为精确的健康因子修正数值。本文的主要研究内容和创新点如下:(1)在补偿器方面,针对航空发动机这类多入多出的典型时间序列,分别采用了全连接、循环和长短记忆神经网络建立了动态并行补偿器,仿真结果表明长短记忆神经网络能够较好的实现个体发动机与通用型数学模型间差异的补偿。(2)在健康因子的选取上,采用了一种熵权系数与TOPSIS集成评价区间数的决策方式。通过对由各个健康因子变化产生的可测参数变化区间中值和长度求解属性权重,从而实现待修正健康因子的选择。(3)对于修正器,分别采用了粒子群、萤火虫优化算法对选择的待修正健康因子进行寻优。针对两种算法的早熟、收敛于局部等缺点,分别通过改进惯性权重、自适应动态学习因子、引入混沌映射和自适应动态步长因子等方法进行改进。进一步,为了提升单一群优化算法的适应性,采用了一种PSO-FA混合优化算法,仿真证明了该方法在收敛速度与精度方面具有良好的效果。(4)通过将补偿器与修正器结合,实现了对航空发动机性能退化状态下健康因子的准确估计,且方法具有自适应性和鲁棒性。本文成果一方面有助于航空发动机控制系统设计,简化健康参数修正过程;另一方面可提高航空发动机数字仿真平台、硬件在回路仿真平台的验证精度和可靠性,从而给工程的验证环节提供有益的效果。