张典范，栗子豪，程淑红

(1.燕山大学 车辆与能源学院，河北 秦皇岛 066004；2.燕山大学 电气工程学院，河北 秦皇岛 066004)

1 引 言

近年来，汽车轻量化的发展带动了低压铸造行业，低压铸造工艺中铸件液固成型温度场控制和利用计算机软件模拟分析模具关键部位的温度曲线是其核心[1，2]。模具温度在铸件成型过程中起着关键作用，以铸造生产中模具温度建立模型[3]，精准预测模温，可优化温度控制系统，提高铸件质量[4]，并可为铸造成型模温自动控制提供保障。

随着神经网络的出现，传统的大数据预测方法几乎均采用了BP神经网络[5～7]，其对模具温度预测模型的应用也较为广泛[8]，然而，BP模型更适合小规模的样本数据，难以寻找大规模数据中变量的变化规律，从而导致大规模数据预测准确度低。长短时记忆网络(long and short term memory network，LSTM)具有独特的记忆性能特点[9]，该模型在语义分割[10，11]、目标识别[12]、机器翻译[13]等领域应用前景广泛。

模具温度是低压铸造生产中影响铸件质量的一个重要指标，针对BP神经网络对模具温度预测准确度低的问题，本文结合铸造工艺生产方式和灰度关联分析方法(grey relation analysis，GRA)[14，15]，分析出影响模具温度关联度高的变量，建立了低压铸造模温预测的影响因子变量集合，采用烟花算法(fireworks algorithm，FWA)[16]优化LSTM模型的超参数，将建立的FWA-LSTM模型应用于模具温度预测建模中，并进行了仿真实验。

2 模具温度的影响因子变量选取

低压铸造中模具温度主要取决于合金液液固成型和冷却系统的冷却状况。……