随着市场需求的日益增加,注塑产品已被广泛应用在交通工具、通讯工程、医疗卫生、航空航天等领域,人们对注塑件的质量要求也越来越高。注塑成型的整个过程是非常复杂的,熔体在型腔中的流动状态和凝固,以及注塑件质量都与成型过程中的工艺参数有着重要的关系。采用实物试模来反复调整工艺参数,在数据处理方面可能会比较被动,最终也可能导致生产周期的延长。所以,研究如何优化工艺参数和快速准确寻找最优工艺参数组合,降低生产成本,减少生产周期,提高注塑件的质量是非常有意义的。本文的研究对象是某工厂制造的汽车前灯,通过优化获得了最佳工艺参数组合,改善了前灯注塑成型过程中出现的翘曲变形和缩痕深度。本文主要工作内容如下：1.分析不同工艺参数对翘曲变形量和缩痕深度的影响。建立汽车前灯的仿真模型,通过全因子实验,利用Moldflow软件对注塑件进行数值模拟仿真,获得翘曲变形量以及缩痕深度的数据,并对其进行方差分析,得到不同工艺参数对试验指标的影响程度。将翘曲变形量和缩痕深度作为优化目标,主要影响注塑件质量的工艺参数为保压压力、保压时间、注射时间、V/P转换。2.利用Taguchi实验设计扩大显著性因子水平的范围,通过信噪比分析和极差分析,确定了以翘曲变形量为主要目标时,实验因子对优化目标的影响程度按降序排列依次为：保压压力、保压时间、注射时间、V/P转换；以缩痕深度为主要目标时,实验因子对优化目标的影响程度按降序排列依次为：保压压力、V/P转换、注射时间、保压时间,并初步寻得最佳工艺参数组合。利用Moldflow软件,对初步优化后的工艺参数进行分析验证：得到优化后的翘曲变形量为1.828mm,优化后的缩痕估算为0.0412mm。3.基于神经网络建立的工艺参数与优化目标之间的非线性映射关系,利用Matlab建立神经网络的建模,以Taguchi实验设计获得的数据为训练样本,得到输入为工艺参数、输出为优化指标的人工神经网络模型。基于初步优化后的工艺参数组合,在其数值附近取不同变量,建立新的正交表,利用神经网络模型代替Moldflow软件计算翘曲变形量和缩痕深度,运用信噪比分析出不同实验因子对试验指标影响的显著性顺序,最终获得最佳工艺参数组合,使翘曲变形和缩痕深度同时达到优化目标要求。利用Moldflow软件,对最终优化后的工艺参数进行分析验证：优化后的翘曲变形量为1.278mm,优化后的缩痕深度为0.0251mm。本文在不同工艺参数对优化指标的影响下,结合正交实验、数值模拟和神经网络对注塑工艺参数进行优化,得到最佳工艺参数组合。在保证计算精度的前提下,缩短了生产周期并节约了生产成本,提高了生产效率,解决了实际生产问题。