天然气-柴油双燃料发动机的电控系统较为复杂,需要标定的被控参数数目较多,采用传统标定法工作量大,且无法在全工况内达到满足排放和油耗多目标的优化结果。而现有的发动机标定依赖于国外的标定软硬件和标定平台,缺少自主研究。针对这一问题,本文采用基于模型的标定路线,引入神经网络建立双燃料发动机数据预测模型,利用PSO算法实现双燃料发动机的多目标优化标定。首先,通过台架实验确定双燃料发动机的各输入参数边界,进行双燃料发动机的实验设计。通过双燃料发动机燃烧和排放的限制,确定各控制参数输入边界。分析并比较经典实验设计、田口实验设计、空间填充实验设计和最优试验设计四种实验设计,确定了以空间填充实验设计+V优化实验设计的混合实验设计法,模型方差的估计值PEV为0.3左右,实验设计较为合理且能够在一定程度上降低预测模型的误差。其次,建立双燃料发动机排放和油耗的预测模型。根据建模的需求,分别设置了BP和RBF两种神经网络的主要参数。对比两种神经网络模型在结构、拟合优度、泛化能力、收敛度以及训练速度间的差异。结果表明,RBF预测模型在多方面由于BP预测模型,RBF建立模型的拟合优度R~2值大于0.98,用来衡量拟合精度的MSE值为0.001,在10个工况点上验证了模型具有相对较好的泛化能力,相对预测误差百分比小于4%,能够满足预测模型的建模需求。再次,引入PSO算法实现双燃料发动机的多目标优化标定过程。将双燃料发动机多目标优化问题数学描述为求解代价函数极小值的问题,并将代价函数作为PSO算法的适应度函数。为了解决PSO稳定性差的问题,引入改进的方法。为了将各优化参数进行合理的权重分配,研究了不同权重分配对计算的优化结果的影响,并根据经验确定最终权重分配即NO_x、THC、CO与BSFC的权重分别为0.4、0.2、0.1、0.3。最后,利用改进PSO算法寻优计算并生成控制MAP图。在实机上验证了推进特性曲线下转速为800r/min到1500r/min范围间的工况点,比较原机与计算优化、实际优化的结果,实际结果与理想优化结果接近且NO_x、THC和CO的实际排放量分别平均降低了19%、25.6%和42.9%,BSFC平均降低了0.6%,实现了排放和油耗的多目标优化,推进特性排放性能指标满足IMO TierⅡ中对于NOx的限制要求。