航空涡轮风扇发动机的研制是一个复杂的系统工程,具有研制周期长、技术难度大、科研投入高、研制风险大等诸多特点。航空涡轮风扇发动机的研制之所以存在上述难度,其主要原因是必须进行大量的大尺寸试验验证。通过建立航空涡轮风扇发动机的数学模型,对航空发动机进行优化设计和性能评估,可以大大减小发动机试验费用,同时缩短发动机的研制时间,避免实际试车试验的风险,可以获得实际试验所需的全部参数,解决多参数的优化问题等。执行机构是航空涡轮风扇发动机的重要组成部分,其主要作用是控制燃油流量、静子叶片角度和尾喷口面积,使航空发动机在飞行包线内按要求输出推力。本文以航空涡轮风扇发动机执行机构为研究对象,主要运用系统辨识的方法对发动机执行机构进行建模研究。本文在对系统辨识的基本理论进行简单介绍之后,将涡扇发动机执行机构数学模型分为线性和非线性两个部分并分别进行辨识,对于线性部分,采用最小二乘法进行辨识,对于非线性部分,采用BP神经网络进行非线性辨识,将辨识出的两部分相加即为所求的执行机构数学模型。针对BP学习算法的收敛速度慢,容易陷入局部最小等的缺点。本文进一步采用小波神经网络对涡扇发动机执行机构的数学模型的非线性部分进行辨识。最后,论文使用扩展卡尔曼滤波作为小波神经网络的学习算法,将小波神经网络中各神经元之间的连接权值、伸缩量和偏移量的学习问题作为卡尔曼滤波中状态向量的最优估计问题,对涡扇发动机执行机构的数学模型的非线性部分进行辨识,并在MATLAB环境中进行仿真分析。仿真和分析的结果表明,本文所设计以扩展卡尔曼滤波为学习算法的小波神经网络,应用在涡轮风扇发动机执行机构的建模中,能够快速、准确地辨识出执行机构的数学模型。在三种系统辨识方法中,训练次数最少,得到的数学模型均方根误差最小。