随着当前全球所面临的能源危机和环境污染日益严重的问题,寻找清洁能源替代传统内燃机燃料迫在眉睫。氢能源是一种可再生、无污染、热值高且储量丰富的清洁能源,用作内燃机的代用燃料优势明显。相对于传统燃料,氢燃料在内燃机中燃烧时往往伴随着早燃、回火等异常燃烧现象,严重影响系统的正常运转。优化控制其运转参数、抑制异常燃烧成为亟待攻克的关键技术。本文充分利用现有实验条件,深入研究了各类人工智能优化算法和智能故障诊断算法,将其应用于氢内燃发动机机优化控制和故障诊断中来。构建氢内燃机的优化控制模型,利用人工神经网络建立非线性优化模型。首先,利用BP网络求解其点火提前角与工况(转速、负荷)的非线性映射关系。并利用MATLAB软件进行建模仿真,进而达到优化控制点火提前角,进而优化内燃机运转。针对BP算法在计算速度和精度上的不足,提出了三种改进算法:粒子群模糊神经网络算法、L-M算法和Powell算法并分别进行仿真研究。粒子群模糊神经网络具有智能的全局搜索性,能够进行高效的并行搜索,计算效率高。L-M算法是牛顿法和梯度法两种算法的改进,拥有两种算法的优势,网络收敛快,计算效率高。Powell算法由于避免了导数的计算,加快了计算速度,是一种针对无约束优化的算法。经过试验,针对氢内燃机的点火提前角优化控制建模,L-M神经网络具有最高的收敛速度和计算精度,并且远远高于传统人工神经网络。最终采用L-M神经网络算法构建了氢内燃机点火提前角的全工况MAP图,达到了氢内燃机的优化控制的目的。利用智能算法实现了氢内燃机的早燃故障诊断。根据氢内燃机早燃和正常燃烧的缸内压力升高率信号,并选择EMD算法进行原始信号的分解与故障特征提取,选择共轭神经网络进行故障特征的识别。利用计算机信号处理的方式,并完成了对氢内燃机的早燃故障进行实时判别,并直接输出诊断结论。故障诊断正确率高且计算速度快,便于实现氢内燃机的故障状态下的修正控制。