目前为止，从原有零件中减少多余材料的汽车轻量化的方法在各个汽车产品上的应用已经接近极致，很难再以此方法减轻整车质量。所以本文从材料替换入手，选择塑料替换钢材。塑料有资源丰富，性能优越等优点。以某乘用车行李箱盖外板为例，使用玻璃纤维增强PET为替换材料，以达到轻量化的目的。依据薄板等刚度理论，计算替换后行李箱盖外板厚度近似为3mm。当然需要验证这个数值的有效性。首先是对行李箱盖主要应用的两个方向Y方向和Z方向进行校核，利用有限元模拟塑料件为外板的行李箱盖Y方向和Z方向刚度再与原钢制件行李箱盖做对比，看是否满足刚度要求。其次是模态的校核。对比两个零件的一阶模态、二阶模态是否接近，再对比两个零件的各阶模态变化趋势看是否一致。经上述模拟验证，再设计的塑料板厚度为3mm满足各验证条件，符合作为行李箱盖外板的需要。以此材料替换钢板后总体质量降低了24.1%。再设计的行李箱盖外板有如下特点：零件表面积大，厚度小等。依据上述特点和塑料成型的特点选择注塑为行李箱盖外板的成型方式。注塑有制件刚度大，质地密等特点。然而影响注塑件的主要缺陷为零件翘曲量。零件翘曲量与多种工艺参数有密切关系。其中熔体温度，模具温度，注塑时间和保压时间影响最大。PET注塑工艺参数并非某个数值，给定的适合注塑的数值范围。为了避免多次试模，寻找出翘曲量最小的工艺参数组合，利用Moldflow模拟注塑过程，得到注塑翘曲量。如何能在上述给定参数的范围中找出最佳参数组合是本文的研究重点。正交试验设计可以有效的覆盖整个实验参数组合并且减少试验次数。利用正交试验设计方法设计25组参数组合，采用Moldflow模拟25组注塑过程。找出了25组中最小翘曲量的一组注塑参数。正交试验设计中如果能将参数个数增加，细化选点范围可能得到更小翘曲量的参数组合。可以采用正交试验设计，增加试验点个数，由于本文中零件尺寸较大，一次注塑分析需要18-20小时，这样会降低优化效率，不宜在短期设计优化中使用。因此，本文采用人工神经网络的方式逼近模拟注塑参数与翘曲量之间的关系，以此来预测不同注塑参数下的翘曲量。BP神经网络在逼近非线性映射方面有很大优势，训练时间很短，逼近效果优越。利用BP神经网络模拟注塑参数和翘曲量的非线性映射。利用之前的正交试验参数及翘曲量值为学习样本对神经网络进行训练。以细化的参数为输入，以翘曲量为输出，找出了最小的参数组合。与推荐注塑参数下的翘曲量相比减小了27%。不但减少了试模成本，减少了翘曲量，且大大较少了参数优化时间。