谷丽花，辛 勇

（南昌大学机电工程学院，江西 南昌330031）

0 前言

随着汽车、电子仪表、家用电器等行业中的注塑件生产朝着轻量化、复杂化及薄壁化的方向发展，对注塑件性能、外观要求越来越高，增加了成型难度。复杂薄壁件注射成型过程中所产生的翘曲仍是生产中的难题，尤其是复杂薄壁精密塑件在有尺寸配合要求的场合、塑件的形状尺寸精度往往很高，要求达到精密甚至超精密。因此，如何选择合适的工艺模型来优化塑件成型过程具有重要的意义。

目前，许多学者将CAE 技术与正交试验、田口实验、Kriging模型等科学统计试验方法相结合，研究注塑产品成型质量与不同注射成型参数的内在关系，对工艺参数及模拟计算结果进行系统的分析，优化注射成型工艺参数［1－7］。然而，塑件注射成型过程中各因素之间存在高度非线性关系，塑件的成型过程的能量损耗、填充时间、成型质量等物理指标与注塑机的性能、注射成型工艺等因素都有密切的关系，难以采用常规的统计实验分析的数学函数进行描述，同时CAE 分析技术与统计实验分析相结合的方法难以描述成型工艺参数之间的耦合作用对注射成型质量及其他技术指标的影响规律，同时缺乏集成化及智能化特点。

人工神经网络技术具有强大的非线性函数逼近能力，利用它可以对非线性特征很强的注射成型工艺和塑件翘曲变形量关系进行拟合。遗传算法是基于自然选择和群体遗传机理的随机优化算法，是一种适用于复杂形态函数的全局寻优方法［8－9］。……