铸钢件具有强度高、塑性和韧性好等优点，广泛应用于航空航天、汽车、泵阀、采矿机械、建筑五金及家用电器等领域，在国民经济中发挥着重要的作用。然而，铸钢件的液态凝固成形过程非常复杂，在热节处常产生缩孔、缩松等缺陷，严重影响铸钢件的质量和使用寿命。为避免产生缩松和缩孔，在工艺上通过补缩系统来消除这类缺陷，通常采用大的冒口进行补缩，导致工艺出品率过低，造成较大的资源浪费。故亟需对铸钢件补缩系统优化问题进行研究。目前，对于铸钢件补缩系统的工艺优化多是根据技术人员的经验进行反复试错，这种试错优化方式有较大的随意性和主观性，且效率低。围绕上述关键问题，本文针对铸钢件补缩系统工艺优化的近似建模技术、组合优化策略及软件集成进行了理论研究和实验验证，采用改进的BP（Back Propagation）神经网络建立优化的近似替代模型，用遗传算法对模型进行优化，并将此组合优化方法集成在同一平台。所取得的成果如下：　　首先，论文详细描述了铸钢件凝固物理过程，分析该物理过程中缩孔、缩松形成机理。鉴于该过程的复杂性，从影响铸钢件补缩的众多因素，如物性参数、浇注参数、冒口和冷铁等工艺参数中筛选出敏感性因素，采用 OED(正交试验设计）对工艺参数进行采样，构建设计变量空间。结合数值模拟结果中缩孔、缩松的定量体积大小作为响应值，用 L-M（Levenberg-Marguart）和BR（贝叶斯正则化）算法改进的BP神经网络建立输入变量和输出响应之间关系的近似替代模型，采用K折交叉验证方法获得泛化能力强的优化模型。该近似替代模型可不经过数值模拟实现对同一铸件的不同工艺参数组合的缩孔、缩松体积的定量预测。　　其次，对近似替代模型的优化策略进行研究，提出采用GA（遗传算法）和BP神经网络组合优化策略对铸钢件补缩系统工艺优化模型进行优化。首先采用GA对BP网络的初始权值与阈值进行优化，显著提高了BP神经网络近似替代模型的泛化能力；随后GA对该模型进行极值寻优，得到铸钢件补缩系统的最优化工艺，实现了铸钢件补缩系统工艺优化的组合优化策略。　　再次，为实现多样本数值模拟前处理及数值模拟结果的智能提取与反馈，研究了铸钢件CAD/CAE集成系统的关键技术，主要包括：（1）冒口、冷铁参数化模型的知识集成；（2）铸钢件补缩系统几何模型的自动获取与转换；（3）基于知识模板的CAE模型智能建模技术；（4）基于知识的CAE分析结果智能反馈技术。实现了批量建立铸造数值模拟分析模型，自动完成铸钢温度场的连续模拟以及从数值模拟结果中批量提取响应值。　　然后，构建了铸钢件补缩系统工艺优化系统框架，开发了基于UG NX和华铸CAE软件平台的铸钢件补缩系统工艺优化系统，将基于BP神经网络和遗传算法的铸钢件补缩系统工艺优化流程和工艺模型批量设计集成到该系统中。运用该集成系统，对典型铸钢件走轮案例进行了试验方案设计，批量创建CAD/CAE优化集成模型和 BP神经网络建模，最后用遗传算法进行优化。经该系统优化后，得到了铸钢件走轮的补缩系统的优化工艺方案。　　最后，在工厂对4个有代表性的方案和经系统优化后的方案共5组方案进行浇注实验。对5组方案共10个冒口进行解剖，并对剖面进行渗透探伤和超声探伤，探伤结果与模拟结果吻合较好。优化工艺方案与初始设计方案相比，在保证无缩孔缩松缺陷情况下，冒口体积由1.89×107 mm3减小到1.35×107 mm3，减小了28.9％；铸件的工艺出品率由47.7%提高到55.1%。从而验证了该铸钢件补缩工艺优化系统的实用性和有效性。