均质充气压缩点燃(Homogeneous Charge Compression Ignition,HCCI)发动机以其低污染气体排放和高燃油利用率等优点,成为了当前内燃机领域的研究热点。然而,HCCI燃烧过程中缸内均质混合气体的燃烧完全取决于气体自身的化学动力学。这导致了表征其性能的量——燃烧正时难以确定,进而无法对燃烧正时进行控制。因此,对燃烧正时进行准确估计是对其进行精确控制的重要前提。近年来,神经网络的出现,使利用黑箱模型对燃烧正时进行估计成为了可能,并取得了一定的成果,但是仍然存在未考虑HCCI发动机实际工作时工况的复杂性、使用混合燃料时燃料辛烷值对燃烧正时的影响以及燃烧循环间的耦合关系造成的估计不准的问题。因此,本文针对上述问题,利用长短期记忆(Long Short-Term Memory,LSTM)神经网络搭建黑箱模型对燃烧正时进行估计,并使用振动加速度信号对上述模型进行修正,确保了估计结果的准确性。本文主要工作总结如下:1.燃烧正时影响变量的研究本文在发动机仿真软件GT-POWER中搭建HCCI发动机仿真模型,将其与MATLAB/SIMULINK环境进行联合,搭建联合仿真平台,并在此基础上研究了各变量对混合燃料HCCI发动机燃烧正时的影响,讨论分析其原因,为后续模型搭建提供数据和理论支撑。2.基于LSTM的复杂工况下混合燃料HCCI发动机燃烧正时估计的研究针对现有模型未考虑混合燃料HCCI发动机实际工作工况的复杂性、混合燃料辛烷值对燃烧正时的影响以及发动机燃烧循环间的耦合关系导致无法对燃烧正时进行准确估计的问题,本文将发动机转速变化和混合燃料辛烷值加入输入变量中,利用LSTM神经网络搭建黑箱模型对其进行估计。Federal Test Procedure(FTP)工况下的对比实验结果表明,本文所提出的模型能够对复杂工况下混合燃料HCCI发动机的燃烧正时进行准确估计。3.基于振动加速度信号优化LSTM黑箱模型的研究针对现实当中燃烧正时无法测量,而利用其它方法得到的燃烧正时可能因为存在干扰或计算误差等不够准确,从而导致LSTM神经网络黑箱模型的估计结果无法保证的问题,本文利用振动加速度信号与燃烧正时具有的相关性,建立反向传播神经网络(Back Propagation Neural Network,BPNN)和支持向量回归(Support Vector Regerssion,SVR)模型对振动加速度信号进行辨识,并将辨识过程中的损失用于对LSTM黑箱模型进行修正。实验结果表明,本文所搭建的模型能够保证其估计结果的有效性和稳定性。