发动机电控参数的标定处于电控系统开发流程的后端,整个研发流程的梳理和台架实验参数标定过程的优化,对电控参数标定高效率高质量地进行和完成有重要的意义。本文对电控系统开发的全生命周期,包括从供应商对客户的需求挖掘和分析到最终产品的验收测试和量产这一综合完整的开发管理流程进行总结和归纳,使项目开发按照预定的成本,预期的进度和可控的质量顺利的完成。同时,电控策略的建立过程中,工程师通过制定不同工况下电控系统的协调机制来满足特定需求,本文对管理系统在不同工况下运行时点火提前角控制参数的控制进行了讨论。其次,通过发动机台架实验得到稳态工况下的基本点火提前角数据,借助于MATLAB软件对实验过程中的电控参数数据和发动机输出数据运用插值方法得到电控控制所需要的MAP图,电控系统可以根据外界传感器的信息来协调和确定实验调节好的对应工况下的三维MAP图设定值,通过执行器(电磁阀)来完成对于需求的输出。针对电控系统的控制参数较多,且参数之间耦合程度高的特点,本文尝试以少部分在发动机台架上采集的控制参数和性能参数数据来建立输入和输出的稳态神经网络模型,通过神经网络来学习输入与输出数据之间的响应关系,模型预测结果表明:当用总数据量的1/4数据训练得到的模型来对性能指标进行预测时,模型预测的精度较低,预测误差百分比最大值达到了30%。当训练集增加到总数据量的1/2数据时,最大误差百分比有了明显的降低,预测样本的误差最大值在18%左右,但是其预测精度依然较差,稳定性依然有较大的提升空间。当用总数据量的3/4数据训练模型,预测各个性能指标的误差百分比时,最大误差百分比在5%左右,相比较于之前的两个模型,该模型优势更加明显,具备更好的预测精度和预测稳定性。通过运用粒子群优化算法对发动机运行时关键的输出指标与输入参数之间的神经网络模型进行优化,寻找到模型参数的初始最优解,粒子群算法优化后的模型预测结果表明:3/4数据量的模型对于燃油消耗的预测精度平均误差百分比从1.85%降低到了1.23%,1/2数据量的模型对于扭矩的预测稳定性得到了提升,且其预测精度在一定程度上也到了提高。基于本研究建立的神经网络模型和粒子群算法的优化,台架实验中对于点火角参数标定的效率得到提高,模型的预测结果可以给台架实验工程师以指导作用。