近几年高分子材料尤其是塑料工业随着国民经济的整体稳定实现了突飞猛进的发展,总产值居轻工行业第三位,成为国民经济持续发展重要的支柱产业之一。塑料拥有优良的机械加工性能,以及质量轻、耐腐蚀、电绝缘性能好等特点,在汽车零配件、家电、医疗卫生、包装、建材、航空航天等领域已取得广泛应用。随着注塑产品的推广使用,人们对于塑料制品外观质量和使用性能的要求越来越高。影响产品质量的缺陷有很多,其中翘曲变形是我们在注塑成型过程中重点关注的对象之一,它将会影响产品的外形美观度和强度等,因此,对翘曲变形缺陷的控制成为学者关注的目标。成熟的有限元理论和数值优化方法,将数值模拟技术与注塑成型过程结合起来,使得通过数学模型来模拟注塑成型成为现实,为研究如何控制翘曲量缺陷提供了良好工具。同时,处于不断完善中的数值优化算法,为控制翘曲量提供了新的途径。本文在上述技术背景下,对注塑件翘曲量的控制进行了研究,以某监控设备外壳零件的翘曲量为目标参数,选取开模时间、注射温度、模具温度、保压压力、保压时间和注射速率六个工艺参数作为实验因素,建立正交试验方案。根据实验方案安排的数据,借助于Moldflow软件进行注塑成型仿真。利用仿真得到的数据,通过信噪比分析的方法找出工艺参数的对目标参数的影响因子,同时获得了工艺参数的最佳组合；通过回归分析的方法,借助sPSs工具预测每一组工艺参数组合所产生的翘曲量,并与仿真实验得到的翘曲量做出对比。针对回归分析方法预测精度低的缺陷,建立基于BP神经网络的翘曲预测模型,以六个工艺参数作为网络的输入,翘曲量作为输出,采用含有一个隐含层的BP神经网络对翘曲量进行预测。BP算法固有的初值不稳定和易陷入局部最优解缺陷,为了提高神经网络模型的预测精度,本文设计了一种基于模拟退火遗传算法优化的BP神经网络模型,将遗传算法的并行搜索结构和模拟退火算法的概率突跳特性结合神经网络的泛化性能,对翘曲量做出预测。将优化后的网络与BP网络的预测精度对比,结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时能够加快收敛速度,增强全局搜索能力。本文的研究内容为翘曲量的预测提供了一个新的方法,具有重要的应用价值,可在此基础上开展进一步的学术研究。