基于機器學習的模具結構設計與制造中的材料選擇與性能分析

摘 要：通過構建基于反向傳播神經(jīng)網(wǎng)絡（back propagation neural network， BPNN）的模具材料性能評估模型，優(yōu)化了新型模具結構設計與制造中的材料優(yōu)選過程，并提高了模具性能分析的準確性。采用了先進的神經(jīng)網(wǎng)絡算法，通過大量訓練數(shù)據(jù)對模型進行訓練和優(yōu)化。實驗過程中，詳細記錄了訓練損失、響應速度和準確率等關鍵指標，以全面評估模型的性能。結果表明，所構建的BPNN模型能夠快速收斂，準確率高達95%以上，且在處理不同類型的模具材料時均展現(xiàn)出優(yōu)異的穩(wěn)定性和泛化能力。該模型可為模具設計與制造中的材料選擇提供科學的決策支持，顯著提升模具的性能和使用壽命，同時也證明了人工智能技術在材料科學領域的應用前景。

關鍵詞：模具設計；材料優(yōu)選；性能分析；反向傳播神經(jīng)網(wǎng)絡（BPNN）

中圖分類號：TQ330

文獻標志碼：A

Material selection and performance analysis based on machine

learning in mold structure design and manufacturing

LI Na

（Xi’an High Technical University， Xi’an 710000， Shaanxi， China）

Abstract： By constructing the evaluation model of mold material performance based on back propagation neural network （back propagation neural network， BPNN）， the material selection process in the design and manufacture of new mold structure is optimized， and the accuracy of mold performance analysis is improved. To achieve this goal， we employ advanced neural network algorithms and train and optimize the model using a large amount of training data. During the experiment， key indicators such as training loss， response speed， and accuracy are recorded in detail to comprehensively evaluate the model’s performance. The results show that the constructed BPNN model can quickly converge with an accuracy rate of over 95%. It exhibits excellent stability and generalization ability when dealing with different types of mold materials. This model can provide scientific decision support for material selection in mold design and manufacturing， significantly improving mold performance and service life. It also demonstrates the promising application prospects of artificial intelligence technology in the field of materials science.

Key words： mold design; material optimization; performance analysis; back propagation neural network （BPNN）

0 引 言

模具是現(xiàn)代工業(yè)生產(chǎn)中的關鍵工藝裝備，其設計與制造的優(yōu)劣直接關系到產(chǎn)品質量、生產(chǎn)效率以及成本控制［1］。在材料的選擇上，它直接決定了模具的性能、壽命，以及制造過程中的難易程度。因此，如何在眾多材料中優(yōu)選出最適合模具制造的材料，并對其性能進行深入分析，成為了當前模具設計與制造領域的一個熱點問題［2］。模具材料的選擇是一個復雜而精細的過程，它不僅要考慮到材料的物理性能、化學穩(wěn)定性、耐磨性、抗熱性等多方面的因素，還需要根據(jù)具體的模具使用環(huán)境和要求進行細致的權衡［3-5］。

傳統(tǒng)的材料選擇方法多依賴于工程師的經(jīng)驗和直覺，雖然這種方法在過去的生產(chǎn)實踐中發(fā)揮了重要作用，但在新材料、新工藝不斷涌現(xiàn)的今天，其局限性愈發(fā)明顯［6］。比如，僅憑經(jīng)驗很難準確評估新型復合材料的綜合性能，也無法充分利用現(xiàn)代材料科學的最新研究成果［7］。反向傳播神經(jīng)網(wǎng)絡（BPNN），作為一種模擬人腦神經(jīng)網(wǎng)絡工作原理的數(shù)學模型，具有強大的學習和泛化能力，非常適合處理復雜的非線性問題［8］。在材料科學領域，BPNN已經(jīng)被廣泛應用于材料性能的預測和優(yōu)化。通過構建合適的神經(jīng)網(wǎng)絡模型，并輸入大量的材料性能數(shù)據(jù)進行訓練，BPNN可以學習到材料性能與各種因素之間的復雜關系，從而為材料選擇提供科學依據(jù)［9］。

本文將探討如何將BPNN模型應用于模具材料的性能評估中。首先，回顧模具結構設計與制造的發(fā)展歷程，以及現(xiàn)有模具材料選擇與性能評估方法的優(yōu)缺點。接著，詳細介紹BPNN模型的原理和在模具材料性能評估中的適用性，包括如何構建、訓練和測試神經(jīng)網(wǎng)絡模型。通過對比傳統(tǒng)方法與BPNN模型在材料優(yōu)選上的準確性和效率，展示BPNN在模具材料性能評估中的巨大潛力和實用價值。期望能夠為模具設計與制造技術帶來新的突破和創(chuàng)新點，為工業(yè)生產(chǎn)的持續(xù)發(fā)展和進步貢獻力量。

1 新型模具結構設計概述

隨著現(xiàn)代工業(yè)的快速發(fā)展，模具作為制造業(yè)中的核心工具，其設計水平和制造質量對于產(chǎn)品的生產(chǎn)效率、質量以及成本控制具有至關重要的作用［10］。新型模具結構設計，作為一種融合了現(xiàn)代設計理念、先進技術和創(chuàng)新材料的綜合體現(xiàn)，正逐漸成為推動工業(yè)進步的關鍵因素。

1.1 新型模具結構設計的理念和特點

新型模具結構設計的核心理念在于創(chuàng)新、高效、精準和可持續(xù)。這一理念的實現(xiàn)，依賴于對先進設計技術的運用、對新材料的探索，以及對市場需求的敏銳洞察。新型模具結構設計的特點可以概括為以下幾點：

（1） 創(chuàng)新性設計，新型模具設計不再局限于傳統(tǒng)的設計模式，而是積極探索和應用新的設計理念和技術；

（2） 高效能制造，包括提高模具的加工精度，縮短制造周期，降低制造成本等，是新型模具結構設計的重要目標；

（3） 精準匹配市場需求，新型模具結構設計更加注重與市場需求的精準匹配 ［11］，設計師們會密切關注行業(yè)動態(tài)和客戶需求，根據(jù)市場變化及時調(diào)整設計方案，以確保模具能夠滿足不斷變化的市場需求；

（4） 可持續(xù)性和環(huán)保，隨著全球環(huán)保意識的提升，新型模具結構設計也越來越注重其可持續(xù)性和環(huán)保性。這包括選擇環(huán)保材料，優(yōu)化設計方案以減少材料浪費，提高能源利用效率等方面。

1.2 新型模具結構設計的基本流程和關鍵技術

新型模具結構設計的基本流程通常包括以下幾個階段：需求分析、概念設計、詳細設計、仿真分析、加工制造以及試驗驗證［12］。在這個過程中，每一個階段都涉及到一系列關鍵技術的運用。

（1） 需求分析階段。這一階段主要通過對市場、客戶和產(chǎn)品的深入分析，明確模具的功能需求、性能要求和制造成本等。

（2） 概念設計階段。在此階段，設計師會根據(jù)需求分析的結果，提出初步的設計方案。

（3） 詳細設計階段。這一階段主要是對初步設計方案進行細化和優(yōu)化，確保模具的結構合理、性能優(yōu)越。

（4） 仿真分析階段。在此階段，利用有限元分析（FEA）等仿真技術對模具的性能進行預測和評估。

（5） 加工制造階段。根據(jù)設計圖紙和仿真結果，采用先進的加工技術制造模具。

（6） 試驗驗證階段。在模具制造完成后，需要進行實際的試驗驗證，以確保其性能滿足設計要求。

2 模具材料優(yōu)選方法

模具材料的優(yōu)選是模具設計與制造過程中至關重要的一環(huán)，它直接影響到模具的性能、壽命以及制造成本。傳統(tǒng)的模具材料選擇方法多依賴于工程師的經(jīng)驗和直覺，或是基于一些簡單的物理性能測試［13］。然而，這些方法往往無法全面評估材料的綜合性能，也無法準確預測模具在實際使用中的表現(xiàn)。在傳統(tǒng)的模具材料選擇過程中，工程師們通常會考慮材料的硬度、耐磨性、韌性、抗熱性等關鍵指標［14］。他們會對候選材料進行一系列的物理實驗，如硬度測試、沖擊試驗、耐磨性試驗等，然后根據(jù)實驗結果和自身的經(jīng)驗來判斷哪種材料最適合用于模具的制造。這種方法雖然簡單直觀，但存在很大的主觀性和局限性。首先，物理實驗只能反映材料在特定條件下的性能，而無法全面評估材料在各種復雜環(huán)境下的表現(xiàn)。其次，工程師的經(jīng)驗雖然寶貴，但難免存在主觀偏差，且不同工程師之間的判斷可能存在較大差異。

BPNN是一種模擬人腦神經(jīng)網(wǎng)絡工作原理的數(shù)學模型，具有強大的學習和泛化能力。在模具材料優(yōu)選過程中，可以利用BPNN模型對候選材料的性能進行預測和評估。人們可以將材料的各種性能指標（如硬度、耐磨性、韌性等）作為輸入數(shù)據(jù)，將模具的實際使用壽命或性能評分作為輸出數(shù)據(jù)，構建BPNN模型進行訓練和測試。

在使用BPNN模型進行材料優(yōu)選時，需要注意以下幾點：首先，要確保輸入數(shù)據(jù)的準確性和完整性。輸入數(shù)據(jù)的質量直接影響到模型的預測精度和可靠性［15］。為了獲取準確的數(shù)據(jù)，需要對候選材料進行物理實驗和性能測試。獲取信息的方法主要包括物理實驗、性能測試以及后續(xù)的數(shù)據(jù)分析，同時，還可以借助機器學習方法對數(shù)據(jù)進行預處理和特征提取，以提高數(shù)據(jù)的可用性。神經(jīng)網(wǎng)絡的復雜度和泛化能力受到參數(shù)和結構的影響。最后，要對模型進行充分的訓練和測試。通過多次迭代訓練和數(shù)據(jù)驗證，可以評估模型的預測精度和穩(wěn)定性，從而確保其在材料優(yōu)選過程中的有效性。

3 基于BPNN的模具材料性能評估模型

BPNN作為一種模擬人腦神經(jīng)網(wǎng)絡工作原理的數(shù)學模型，在材料性能評估領域展現(xiàn)出了顯著的優(yōu)勢。本節(jié)將詳細介紹基于BPNN的模具材料性能評估模型的構建過程、訓練及測試方法，并闡述該模型在模具材料性能評估中的實際應用。BPNN模型通常由輸入層、隱藏層和輸出層構成。在構建基于BPNN的模具材料性能評估模型時，首先需要確定各層的神經(jīng)元數(shù)量以及它們之間的連接方式。模具材料性能評估的BPNN模型如圖1所示。

（1） 輸入層，負責接收原始數(shù)據(jù)。在模具材料性能評估中，輸入數(shù)據(jù)可能包括材料的化學成分、物理性能、熱處理條件等。這些數(shù)據(jù)需要經(jīng)過預處理，如歸一化等，以適應神經(jīng)網(wǎng)絡的輸入要求。

（2） 隱藏層設計，是BPNN模型中的核心部分，它負責捕捉輸入數(shù)據(jù)中的復雜特征。隱藏層的神經(jīng)元數(shù)量需要根據(jù)問題的復雜度和訓

練數(shù)據(jù)的規(guī)模來確定。過多的神經(jīng)元可能導致過擬合，而過少則可能導致模型學習能力不足。

（3） 輸出層設計，負責輸出模型的預測結果。在模具材料性能評估中，輸出可能包括材料的硬度、耐磨性、抗腐蝕性等多個性能指標。因此，輸出層的神經(jīng)元數(shù)量應與需要預測的性能指標數(shù)量相對應。

設Xki代表第k層級中神經(jīng)元i接收到的輸入總和，而Yki為其對應的輸出。另外，若從第k－1層的神經(jīng)元j到第k層的神經(jīng)元i的連接權值為Wij，那么它們之間的函數(shù)關系可描述為：

Yki=f（Xki）

（4）

Xki=∑n+1j=1WijYk－1j

（5）

通常選用f作為非對稱Sigmoid函數(shù)：

f（xki）=11+exp（－Xki）

（6）

設定第m層為輸出層，則第i個神經(jīng)元的實際輸出值記作Ymi。對于相應的模具特征Yi，定義一個誤差函數(shù)e，其具體表達式如下：

e=12∑i（Ymi－Yi）2

（7）

為了訓練BPNN模型，需要準備大量的訓練數(shù)據(jù)。這些數(shù)據(jù)應包括各種模具材料的性能數(shù)據(jù)以及與之相關的輸入特征。在訓練過程中，BPNN模型通過反向傳播算法不斷調(diào)整各層神經(jīng)元之間的連接權重和偏置項，以最小化預測值與真實值之間的誤差。這個過程通常需要迭代多次，直到模型達到滿意的預測精度或收斂為止。訓練完成后，需要對模型進行測試和驗證，通常是通過將模型應用于獨立的測試數(shù)據(jù)集來實現(xiàn)的。測試數(shù)據(jù)集應包含模型在訓練過程中未見過的數(shù)據(jù)，以便客觀評估模型的泛化能力。

設yt為一個包含k個反映模具材料性能的k×1維可觀測變量集。這些變量與一個m×1維的向量at相關聯(lián)。測量方程可以定義為：

yt=zt×at+dt+μtt=1， 2， …， T

（4）

其中，T代表樣本的長度，而zt則指代k×m矩陣。另外，dt是表示k×1向量的符號。μt向量用k×1來表示，它是一個連續(xù)的、不相關的擾動項，其均值為0，且協(xié)方差矩陣為Ht。

E（μt）=0， var（ut）=H

（5）

通常情況下，at的元素是無法直接觀測的，但它們可以通過一階馬爾可夫過程來表達?；谶@一點，狀態(tài)方程被定義為以下形式：

at=Ttat－1+ct+Rtξtt=1， 2， …， T

（6）

其中，Tt代表m×m矩陣，ct是表示m×1的向量，而Rt則指代m×g矩陣。此外，ξt符號被用于表示g×1向量，它是一個均值為0、協(xié)方差為Qt的隨機不相關擾動項。

E（ξt）=0， var（ξt）=Qt

（7）

在模具設計與制造過程中，基于BPNN的材料性能評估模型可以幫助工程師快速準確地評估不同材料的性能表現(xiàn)，從而為材料選擇提供科學依據(jù)。該模型還可以用于優(yōu)化模具的設計參數(shù)和制造工藝，提高模具的性能和使用壽命。

4 結果分析與討論

為了構建高效且準確的模具材料性能評估模型，需精心選擇恰當?shù)纳窠?jīng)網(wǎng)絡參數(shù)，從而構建出一個結構適宜、層次分明的神經(jīng)網(wǎng)絡模型。此模型旨在捕捉材料性能與其相關因素之間的復雜關系。在模型構建完畢后，利用精心挑選的樣本數(shù)據(jù)集對網(wǎng)絡進行了系統(tǒng)的訓練。訓練過程中，密切關注訓練損失的變化以確保網(wǎng)絡的學習效果。為進一步驗證模型的實用性和泛化能力，尋找并處理了適當?shù)臉颖緮?shù)據(jù)，這些數(shù)據(jù)涵蓋了多種不同的模具材料和性能場景，旨在全面檢驗模型的預測能力。

在實驗分析過程中，詳細記錄了模型在訓練過程中的損失變化情況，并繪制了如圖2所示的損失曲線圖。當訓練進行到第10輪時，模型已經(jīng)基本上達到了收斂狀態(tài)，此時的損失函數(shù)值低至0.28。這一結果充分顯示了模型的快速收斂能力和理想的訓練成果。

從表1中可以看出，隨著訓練輪次的增加，損失值逐漸降低，準確率逐漸提升。特別是在訓練進行到第10輪時，損失值已經(jīng)降低到較低水平，而準確率也達到了較高的93.5%。這表明模型在訓練過程中逐漸學習到了數(shù)據(jù)的內(nèi)在規(guī)律，性能得到了顯著提升。

為提升數(shù)據(jù)的穩(wěn)定性，減少其劇烈波動，對數(shù)據(jù)進行了對數(shù)化處理。隨后，對比了處理后的算法響應速度和準確率，如圖3和圖4所示，無論是在運行初期還是后期，該方法相較于對比方法均展現(xiàn)出明顯的優(yōu)勢，響應速度更快，準確率也高達95%以上。這一優(yōu)異表現(xiàn)充分證明了該模型在實際應用中的價值和潛力。

表2展示了模型在不同類型模具材料上的性能表現(xiàn)。模型在各類材料上的準確率、召回率和F1分數(shù)均保持在較高水平，且相對均衡。這表明模型具有較好的泛化能力，能夠處理不同類型的模具材料，并給出準確的性能評估結果。

選擇這些泛化材料的初衷在于，它們代表了模具制造中常見的、具有不同物理和機械性能的材料類別。通過在這些材料上進行實驗，可以更全面地評估所構建的BPNN模型的泛化能力和適用性。

5 結 論

在新型模具結構設計與制造中，材料的選擇與性能分析是至關重要的環(huán)節(jié)。本研究通過構建基于BPNN的模具材料性能評估模型，為這一過程提供了科學、高效的解決方案。模型的成功應用，不僅實現(xiàn)了對模具材料的精準性能預測，更為模具設計時的材料優(yōu)選提供了數(shù)據(jù)驅動的決策支持。

實驗結果顯示，該模型在處理不同類型的模具材料時，均能保持高水平的預測準確率，這表明其在材料性能分析方面具有出色的能力。通過這一技術，可以更加精確地了解各種材料在模具制造中的表現(xiàn)，從而選擇出最適合特定設計和制造需求的材料。

參考文獻：

［1］孫慧，陳永興，資陽鵬.中等高度錐形件的拉深成型工藝及數(shù)值模擬［J］.模具技術，2023（3）：29-35.

SUN H， CHEN Y X， ZI Y P. Deep ming process and numerical simulation of medium height cone members ［J］. Die and Mould Technology， 2023 （3）：29-35.

［2］黃艷麗，鄧汝榮，丘永亮，等.內(nèi)外上模鑲嵌三件式分流擠壓模［J］.模具技術，2023（1）：38-46.

HUANG Y L， DENG R R， QIU Y L， et al. The internal and external upper mold are inlaid with three-piece shunt extrusion mold ［J］. Die and Mould Technology， 2023 （1）：38-46.

［3］肖云華.基于機械自動化軟件的注塑模具設計及加工［J］.造紙裝備及材料，2023，52（5）：46-48.

XIAO Y H. Design and processing of injection moulds based on mechanical automation software ［J］. Paper-Making Equipment and Materials， 2023， 52 （5）：46-48.

［4］李春雷.基于Pro/E機械自動化軟件的注塑模具的設計［J］.自動化應用，2023，64（6）：22-24.

LI C L. Design of injection molding tool based on Pro / E Mechanical Automation software ［J］. Automation Application， 2023， 64 （6）：22-24.

［5］趙宇菲.談機械模具設計工藝技術［J］.石油石化物資采購，2020（24）：52.

ZHAO Y F. On mechanical mold design technology ［J］. Procurement of Petroleum and Petrochemical Materials， 2020 （24）：52.

［6］張靜.探析逆向工程技術在機械模具設計制造中的應用［J］.現(xiàn)代農(nóng)機，2021（5）：122-123.

ZHANG J. Exploring the application of reverse engineering technology in the design and manufacture of mechanical molds ［J］. Modern Agricultural Machinery， 2021（5）：122-123.

［7］KHAN M A A. Simulation based mold design optimization of a spring flap casting［J］. Solid State Phenomena， 2020， 305：178-184.

［8］WAQAR T， KHAN M A A， ASAD M， et al. Design and development of a mold for patternless casting using AM/3D printing［J］. Materials Science Forum， 2021， 1033：98-102.

［9］CHUI B W， WRIGHT N J， LY J， et al. A scalable， hierarchical rib design for larger-area， higher-porosity nanoporous membranes for the implantable bio-artificial kidney［J］. Journal of Microelectromechanical Systems， 2020， 29（5）：762-768.

［10］李強，黃勇.整體葉輪五軸加工刀軌規(guī)劃與仿真加工及優(yōu)化［J］.模具技術，2023（6）：54-60.

LI Q， HUANG Y. Planning and optimization of integral impeller ［J］. Die and Mould Technology， 2023 （6）：54-60.

［11］馮漾漾，丁浩亮，嚴波.有限體積法注塑穩(wěn)態(tài)模具溫度場算法及模擬［J］.模具技術，2023（3）：23-28.

FENG Y Y， DING H L， YAN B. Temperature field algorithm and simulation of steady-state mold injection by finite volume method ［J］. Die and Mould Technology， 2023 （3）：23-28.

［12］朱逸忠.試論材料成型與工程控制模具加工制造技術［J］.現(xiàn)代制造技術與裝備，2022， 58（4）：172-174.

ZHU Y Z. Material molding and engineering control mold processing and manufacturing technology ［J］. Modern Manufacturing Technology and Equipment， 2022， 58 （4）：172-174.

［13］余暕浩.材料成型與控制工程模具制造技術與發(fā)展方向研究［J］.造紙裝備及材料， 2022， 51（8）：75-77.

YU J H. Research on mold manufacturing technology and development direction of material molding and control engineering ［J］. Paper-Making Equipment and Materials， 2022， 51 （8）：75-77.

［14］謝祖華.金屬材料的疊加制造技術及在模具制造中的應用［J］.內(nèi)燃機與配件， 2021 （11）：115-116.

XIE Z H. Superposition manufacturing technology of metal materials and its application in mold manufacturing ［J］. Internal Combustion Engine and Accessories， 2021（11）：115-116.

［15］張馳，陳繼兵.材料成型及控制工程模具制造技術探究［J］.現(xiàn)代制造技術與裝備， 2020 （3）：146-147.

ZHANG C， CHEN J B. Research on the mold manufacturing technology of material molding and control engineering ［J］. Modern Manufacturing Technology and Equipment， 2020（3）：146-147.