Los sistemas de servo son actuadores importantes de los aero motores. El movimiento repetitivo y recíproco del sistema de servo conduce a cambios significativos en sus características de retardo y ganancia, y la degradación aumenta la incertidumbre de estos cambios. Estas variaciones características pueden tener un efecto adverso en el rendimiento dinámico del aero motor. Por lo tanto, se propuso un método de estimación de parámetros basado en redes neuronales y un control predictivo basado en redes neuronales de múltiples lazos (ML-NNPC) para los sistemas de servo de las aletas guía de entrada (IGV) del aero motor. En este estudio, la estimación del retardo del sistema de servo se trató como un problema de clasificación, y se propuso una red SE (squeeze-and-excitation)-GRU (unidad recurrente con compuerta) para estimar el retardo utilizando los datos dinámicos seleccionados del sistema de servo. El retardo estimado se integró en una máquina de aprendizaje extremo secuencial en línea, y se diseñó un controlador predictivo de modelo no lineal para obtener una secuencia de control óptima. El lazo de control de compensación se diseñó para reducir el impacto de los problemas de desajuste del modelo y del retardo del sistema de control. El método propuesto se aplicó al control del SVS IGV de un motor turboshaft. Los resultados de la simulación demuestran que el retardo se estima con precisión y se compensa de manera efectiva. En comparación con los métodos existentes de PI y PI con predictor de Smith, el método ML-NNPC logra un mejor rendimiento de control en el control tanto del SVS como del sistema de velocidad del rotor del motor. La estabilidad y robustez del ML-NNPC también muestran superioridad. Los resultados verifican la efectividad del método de estimación de retardo propuesto y del método ML-NNPC.