热熔自攻丝作为一种新型连接工艺,广泛应用于钢铝混合车身连接中,其连接质量关系到汽车的安全性能。传统方式对热熔自攻丝接头质量的检测,需要测量接头剖面特征参数以及对接头进行力学性能试验,成本高、效率低。本文提出利用BP神经网络建立钢铝热熔自攻丝接头质量预测模型,而从减少热熔自攻丝工艺评定试验环节,并为接头的设计提供参考。首先,通过分析热熔自攻丝工艺原理,总结影响接头质量的因素,并通过试验探究各个因素对接头质量的影响规律。对于工艺过程参数,设计正交试验,使用极差法、方差法分析其对接头质量影响。对于结构胶,分析结构胶的加入对接头工艺过程的影响,并通过对比纯胶接头、涂胶接头以及普通接头的剖面特征参数以及剪切力-位移曲线,分析结构胶对接头质量和失效形式的影响规律。对于上层板件预开孔,分析了开孔和不开孔接头在质量以及失效形式上的变化。对于板材性质,采用控制变量法,分析不同的板材性质对接头质量的影响。通过对上述四类影响因素进行探究,从而优化工艺,并为BP神经网络算法确定相关参数。其次,针对传统BP神经网络随机初始化权值和阈值,容易收敛于局部极值的不足,并结合粒子群算法和遗传算法的优点,提出了一种改进的PSO-GA算法。该算法以粒子群算法为主,遗传算法提供选择、交叉以及变异的能力,并引入了自适应的交叉概率、变异概率以及惯性权重,使得该算法在迭代初期具有良好的全局寻优能力,后期具有良好的局部寻优能力。最后,搭建热熔自攻丝接头板间间隙和最大剪切力预测模型。通过对比分析,改进后的PSO-GA-BP神经网络模型对板间间隙的预测平均误差为0.0625 mm,对最大剪切力的预测平均误差为0.664 k N,均要好于传统BP神经网络模型以及PSO-BP神经网络模型,并基于改进的PSO-GA-BP神经网络开发了接头质量预测GUI用户窗口,为钢铝热熔自攻丝工艺的研究提供便利。