民用航空发动机可调静子叶片系统通过调节高压压气机的可调静子叶片的角度,进而改变气流的方向,使流入高压压气机转子叶片的气流的相对速度与转子叶片的弦线间的夹角在设计值内,防止发动机发生喘振。民用航空发动机工作的外部环境变化大,为防止发动机喘振,需要频繁的调节可调静子叶片的角度,这就容易引起可调静子叶片的故障。建立可调静子叶片的控制模型,能够更加方便的检测可调静子叶片是否发生故障、分析故障产生的原因,还可利用模型分析影响可调静子叶片控制的参数对静子叶片调节的影响。为建立可调静子叶片的控制模型,本论文采用黑箱建模的方法,选取对可调静子叶片调节影响较大的参数数据,使用机器学习算法建立可调静子叶片的控制模型。通过对模型的评估,选择性能更加优越的模型,分析了高压压气机换算转速对可调静子叶片控制的影响。在本论文中,首先分析了影响可调静子叶片角度调节的参数。然后从快速存取记录器中获取相关参数的数据,使用随机森林算法对参数进行特征重要性排序,选取对可调静子叶片角度调节影响最大的参数数据。接着根据发动机的工作状态,将数据划分为发动机过渡态加速数据、发动机稳态工作数据、发动机过渡态减速数据,然后对数据进行降噪、归一化处理。分别使用支持向量机算法和集成学习算法对发动机各状态的数据进行学习,获得的支持向量机模型的训练集的精度分别为97.71%、98.29%、95.85%,获得的集成学习模型在训练集的精度分别为99.15%、99.99%、98.26%。最后,分别对两种算法建立的模型进行评估。评估结果表明:集成学习算法建立的模型比支持向量机算法建立的模型更加优越,通过对全新数据的进行预测对比,集成学习算法的模型也有着更好的预测效果。利用建立的集成学习算法模型,分别使用各阶段模型分析了高压压气机换算转速对可调静子叶片的影响。