1.基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，该方法包括以下步骤：

采样获得HCCI发动机在运行过程当中的进气门关闭正时θivc、排气门关闭正时θevc、进气歧管温度Tman、进气歧管压力Pman、混合燃料中正庚烷的质量Mhe、混合燃料中异辛烷的质量Miso、混合燃料在气缸中燃烧所释放的热量Wtotal、空燃比AFR以及发动机转速N、得到原始的输入数据集；

采用Z-score标准分数算法标准化原始数据集，使原始数据集变换到同一数量级；

采用PCA主成分分析算法对标准化后的数据集进行降维；

采用数据分割对数据集进行窗口长度为L的数据分割；

将经过Z-score标准化、PCA降维以及数据分割后的数据集输入到训练好的LSTM神经网络黑箱模型中，得到模型输出；

对模型输出进行反标准化得到最终的模型估计结果。

2.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述采样获得HCCI发动机在运行过程当中的进气门关闭正时θivc、排气门关闭正时θevc、进气歧管温度Tman、进气歧管压力Pman、混合燃料中正庚烷的质量Mhe、混合燃料中异辛烷的质量Miso、混合燃料在气缸中燃烧所释放的热量Wtotal、空燃比AFR以及发动机转速N，得到原始的输入数据集；具体包括：根据HCCI发动机燃烧的化学动力学过程，确定与HCCI发动机燃烧正时相关的变量，包括：θivc、θevc、Tman、Pman、Mhe、Miso、Wtotal、AFR以及N；在各种汽车运行工况下，每个循环即曲轴转角每转过720°采集一次数据，得到原始输入数据集如下：其中n表示采样周期数即发动机燃烧循环。

3.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述采用Z-score标准分数算法标准化原始数据集，使原始数据集变换到同一数量级，公式如下：其中，下标i表示原始数据集中的变量，Zi,j表示标准化后数据输出，xi,j表示原始数据集中的第i个变量中的第j个值， 为变量i的均值， 为变量i的标准差。

4.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述PCA主成分分析算法具体包括以下步骤：输入数据集D＝{θivc,θevc,...,N}T9×1，将数据集降维到6维；

a)对所有输入样本中心化处理： 下标i表示标准化输入数据集中的变量，j＝1,2,…,n；xi,j表示第i个变量的第j个数据；mi,j为去中心化处理后对应变量的值；

n表示第i个变量中数据的总数；

b)计算数据集协方差矩阵XXT：数据集D＝{θivc,θevc,...,N}T9×1，每个变量中数据的总数为n,则标准化后的数据集组成一个9×n的矩阵；

则样本的协方差矩阵：

其中cov(cs,ct)表示随机变量cs、ct二者的协方差，且：cov(cs,ct)＝E[(cs-E(cs))(ct-E(ct))]   (5)

1≤s,t≤n；s,t,n∈N

其中E(T)表示随机变量T的期望值；

c)对XXT进行特征值分解，求出特征值λi和特征向量ωi；

d)保留最大的6个特征值对应的特征向量，构成投影矩阵W＝(ω1*,ω2*,…,ω6*)，输出PCA降维数据为D*。

5.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述采用数据分割对输入进行窗口长度为L的数据分割，具体为：经过Z-score标准化以及PCA降维处理之后得到数据为：DATA＝D*＝{X1,X2,…,X6}T＝{S}   (6)然后对其进行窗口为L的数据分割得到分割后的数据：Xseg＝{S1,S2,…,SL}   (7)

1≤p≤L；L＜n；p,L,n∈N

其中，Sp表示分割好的6×n/L数据矩阵；则与之对应的输出为：Y＝{Y1,Y2,…,YL}   (9)Yp＝[y(p+1),y(p+2),…,y(p+n/L)]1×n/L   (10)。

6.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述将经过Z-score标准化、PCA降维以及数据分割后的数据集输入到训练好的LSTM神经网络黑箱模型中，得到模型输出，具体包括：将分割好的数据X输入训练好的LSTM神经网络黑箱模型中，在经过L个按前后时刻连接的同构LSTM细胞计算之后，其输出表示为：P＝{P1,P2,…,PL}   (11)Pp＝LSTMforward(Sp,Cp-1,Hp-1)   (12)其中，Cp-1和Hp-1分别为前一个LSTM细胞的状态和输出，LSTMforward为其前向计算方式。

7.根据权利要求1所述的基于LSTM的混合燃料HCCI发动机燃烧正时估计方法，其特征在于，所述对模型输出进行反标准化得到最终的模型估计结果，公式如下：Y＝Piσ+μ   (14)。