航空发动机是一种结构复杂的热力机械系统，具有飞行包线范围宽、非线性强、不确定性和时变性强等特点。本文分别以某型涡扇发动机和某型微型涡喷发动机为控制对象，开展基于增强学习的控制算法研究。首先，对增强学习理论及算法进行了相关研究，为后续控制算法设计打下了基础。其次，以某型涡扇发动机为研究对象，基于其T-MATS部件级模型，并用自动代码生成技术生成模型的动态链接库。再次，建立了发动机的状态空间和动作空间表示，并设计发动机基于目标的回报函数，建立了控制算法，控制算法包含动作（Actor）网络、目标动作（Target Actor）网络、评价（Critic）网络及目标评价（Target Critic）网络四个深度神经网络，采用深度确定性策略梯度（DDPG）训练技术和批规范化技术。对算法进行了仿真实验验证，仿真结果表明该控制算法具有自适应性，响应快，超调小，控制精度满足要求。针对微型涡喷发动机的转速控制，提出了一种基于预训练的微发实时控制算法。通过对Actor网络进行预训练，可加快训练过程中网络的收敛速度，减少试错的次数。同时，利用多线程技术，将控制主线程与更新线程相互独立运行，控制器参数定时进行更新，避免了因小批次样本训练时间较长造成的实时性问题。最后，通过实物在回路仿真实验验证了该控制算法的有效性。
NETL
