高强韧铝合金型材等温挤压生产是一种精密的变形铝塑性加工技术,传统依靠合金制备标准化体系和现场试验相结合,再依据生产经验来确定挤压和热处理工艺窗口。然而,当原材料质量波动或新合金开发时,需要通过现场试挤来调整工艺,导致低产量、低效率和高成本。为了解决这些问题,研究人员提出了将人工智能专家系统引入挤压加工技术,人工智能专家系统可以形成挤压加工系统知识库,并通过知识推理实现自动决策,提高挤压加工的智能化水平。该项技术正成为挤压生产的核心驱动机制,推动传统制造业向智能制造转型升级。在此背景下,本研究旨在将数值模拟和人工智能专家系统相结合,通过将挤压加工经验知识的融入,构建了一个基于机器学习预测模型的反向等温挤压工艺优化方法,通过数值模拟预测型材质量,优化挤压加工参数,提高生产效率,降低材料浪费和能源消耗。以实现高强度铝合金挤压加工的柔性化定制。本论文的主要工作如下:对铸态7055铝合金进行60%变形量的单向热压缩试验,得到了不同温度和变形速率下的真应力-应变曲线,分析了其热变形行为,并基于Arrhenius方程建立了该铝合金的本构模型。随后将材料本构方程导入到有限元数值计算中,针对7055铝合金棒材的反向挤压过程,建立了有限元模拟仿真模型,分析了其挤压过程的材料流变与组织演化行为,通过有限元模拟获得了不同挤压工艺参数下的速度场和应力应变场,研究了挤压参数对于挤压温度、变形及组织、力学行为的影响规律。进一步地,利用建立的有限元模型和人工神经网络相结合构造了混合数字工艺优化模型。通过对216组不同反向挤压工艺流程进行数字建模,获得了挤压控制工艺、型材出口温度与成品性能的映射关系。利用生成的反向挤压数据集,建立了反向传播神经网络模型,该模型能够精确预测反向挤压工艺参数与材料性能的关系,预测平均误差为0.78%。在此基础上,本研究建立了7055铝合金反向挤压极限图,为快速反向挤压质量控制提供了依据。基于上述模型,再针对特定的挤压型材,通过挤压极限图确定其等温挤压速度,构建了包含18条温度序列的数据集,并利用时域融合Transformer模型建立了铝型材等温挤压出口温度序列预测模型。所构建的预测模型泛化能力良好,在验证集上表现良好,平均误差为1.8%。在保证最大生产效率和无缺陷的前提下,优化了铝型材等温挤压的挤压速度-行程控制曲线。通过等温挤压得到的型材出口温度差不超过5℃。利用机器学习,可以省略过程优化中的有限元模拟或试验,实现快速优化反向等温挤压工艺。通过对机器学习在挤压加工工艺优化上的实践得知,机器学习模型可以通过学习大量历史数据来发现隐含的模式和规律,并预测不同工艺参数下的型材状态。这种数据驱动的建模方法可以更加精准和高效地优化工艺参数,提高生产效率和产品质量。