随着发动机技术的发展,对其性能的需求也不断提高。性能退化缓解控制是智能发动机控制的重要研究方向,对于提高发动机的操纵性和经济性有着重要研究价值。但针对涡轴发动机性能退化缓解控制的研究较少,为此本文围绕涡轴发动机性能退化的特性,开展了涡轴发动机性能退化缓解控制研究工作。首先,本文基于涡轴发动机部件级数学模型开展研究,分析了性能退化对发动机状态参数的影响,并通过引入退化因子的方法建立了涡轴发动机退化模型,并在部件级模型基础上建立了平衡流形展开模型,为发动机模型预测控制提供了模型基础。其次,结合发动机性能退化模型,利用梯度提升决策树算法构建了发动机气路健康多分类器模型,通过特征重要度排序筛选了6个分类标签的输入特征,有效降低模型复杂度。在特征数量相同条件下,GBDT测试时间远低于支持向量机方法,误诊样本数量远低于极限学习机方法,通过特定传感器参数可以对涡轴发动机部件健康情况进行精确分类,并更进一步利用深度神经网络模型训练了一定飞行包线范围内的性能退化估计器,实现对部件性能退化的回归估计,可以准确估计出各个部件的退化量。最后,基于平衡流形展开模型开展涡轴发动机的模型预测控制,采用交替方向乘子法对燃油流量进行滚动优化以保持动力涡轮转速恒定。仿真结果表明,与串级PID相比,动力涡轮转速的下垂量和超调均大幅度减小,显示出了模型预测控制的优越性;针对发动机性能退化引起的动力涡轮出口温度升高和耗油率下降,利用FSQP算法对导叶角指令进行稳态寻优,结合发动机健康评估模块和性能退化估计器,使退化发动机性能得到大幅度的恢复。