挤压模具设计是一个复杂的、综合性、反复进行的过程,目前正以模型化、最优化为特征,向集成化、智能化、自动化方向发展。模具寿命是一个综合性的技术问题。磨损是影响模具寿命的决定性因素,尤其在高温成形过程中模具寿命因磨损而失效的情况超过70%。因此,在热挤压过程中,如何减少磨损、避免局部磨损过大是设计人员最关心的问题之一。 本文提出了一种集数值模拟、BP神经网络和遗传算法于一体的挤压模具优化设计模型。首先基于修正的Archard磨损模型,用数值模拟计算模具的磨损,然后将人工神经网络与有限元分析相结合,用有限元模拟数据作为学习样本,训练BP神经网络模型,在训练结束和仿真测试验证了神经网络模型反映实际问题的可靠性后用来作为优化计算的知识源,以多层BP神经网络的推广能力来预测优化所需的目标函数值,实现了遗传算法优化迭代过程中个体适应度值的实时求解,解决了有限元模拟时间长、磨损计算量大的缺陷,为挤压模具的优化设计提供了一种方法。由于数值模拟、人工神经网络和遗传算法属于非耦合算法,通用性较强,该模型适用于金属塑性成形领域的优化设计。