基于机器学习的模具结构设计与制造中的材料选择与性能分析

摘 要：通过构建基于反向传播神经网络（back propagation neural network， BPNN）的模具材料性能评估模型，优化了新型模具结构设计与制造中的材料优选过程，并提高了模具性能分析的准确性。采用了先进的神经网络算法，通过大量训练数据对模型进行训练和优化。实验过程中，详细记录了训练损失、响应速度和准确率等关键指标，以全面评估模型的性能。结果表明，所构建的BPNN模型能够快速收敛，准确率高达95%以上，且在处理不同类型的模具材料时均展现出优异的稳定性和泛化能力。该模型可为模具设计与制造中的材料选择提供科学的决策支持，显著提升模具的性能和使用寿命，同时也证明了人工智能技术在材料科学领域的应用前景。

关键词：模具设计；材料优选；性能分析；反向传播神经网络（BPNN）

中图分类号：TQ330

文献标志码：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

模具是现代工业生产中的关键工艺装备，其设计与制造的优劣直接关系到产品质量、生产效率以及成本控制［1］。在材料的选择上，它直接决定了模具的性能、寿命，以及制造过程中的难易程度。因此，如何在众多材料中优选出最适合模具制造的材料，并对其性能进行深入分析，成为了当前模具设计与制造领域的一个热点问题［2］。模具材料的选择是一个复杂而精细的过程，它不仅要考虑到材料的物理性能、化学稳定性、耐磨性、抗热性等多方面的因素，还需要根据具体的模具使用环境和要求进行细致的权衡［3-5］。

传统的材料选择方法多依赖于工程师的经验和直觉，虽然这种方法在过去的生产实践中发挥了重要作用，但在新材料、新工艺不断涌现的今天，其局限性愈发明显［6］。比如，仅凭经验很难准确评估新型复合材料的综合性能，也无法充分利用现代材料科学的最新研究成果［7］。反向传播神经网络（BPNN），作为一种模拟人脑神经网络工作原理的数学模型，具有强大的学习和泛化能力，非常适合处理复杂的非线性问题［8］。在材料科学领域，BPNN已经被广泛应用于材料性能的预测和优化。通过构建合适的神经网络模型，并输入大量的材料性能数据进行训练，BPNN可以学习到材料性能与各种因素之间的复杂关系，从而为材料选择提供科学依据［9］。

本文将探讨如何将BPNN模型应用于模具材料的性能评估中。首先，回顾模具结构设计与制造的发展历程，以及现有模具材料选择与性能评估方法的优缺点。接着，详细介绍BPNN模型的原理和在模具材料性能评估中的适用性，包括如何构建、训练和测试神经网络模型。通过对比传统方法与BPNN模型在材料优选上的准确性和效率，展示BPNN在模具材料性能评估中的巨大潜力和实用价值。期望能够为模具设计与制造技术带来新的突破和创新点，为工业生产的持续发展和进步贡献力量。

1 新型模具结构设计概述

随着现代工业的快速发展，模具作为制造业中的核心工具，其设计水平和制造质量对于产品的生产效率、质量以及成本控制具有至关重要的作用［10］。新型模具结构设计，作为一种融合了现代设计理念、先进技术和创新材料的综合体现，正逐渐成为推动工业进步的关键因素。

1.1 新型模具结构设计的理念和特点

新型模具结构设计的核心理念在于创新、高效、精准和可持续。这一理念的实现，依赖于对先进设计技术的运用、对新材料的探索，以及对市场需求的敏锐洞察。新型模具结构设计的特点可以概括为以下几点：

（1） 创新性设计，新型模具设计不再局限于传统的设计模式，而是积极探索和应用新的设计理念和技术；

（2） 高效能制造，包括提高模具的加工精度，缩短制造周期，降低制造成本等，是新型模具结构设计的重要目标；

（3） 精准匹配市场需求，新型模具结构设计更加注重与市场需求的精准匹配 ［11］，设计师们会密切关注行业动态和客户需求，根据市场变化及时调整设计方案，以确保模具能够满足不断变化的市场需求；

（4） 可持续性和环保，随着全球环保意识的提升，新型模具结构设计也越来越注重其可持续性和环保性。这包括选择环保材料，优化设计方案以减少材料浪费，提高能源利用效率等方面。

1.2 新型模具结构设计的基本流程和关键技术

新型模具结构设计的基本流程通常包括以下几个阶段：需求分析、概念设计、详细设计、仿真分析、加工制造以及试验验证［12］。在这个过程中，每一个阶段都涉及到一系列关键技术的运用。

（1） 需求分析阶段。这一阶段主要通过对市场、客户和产品的深入分析，明确模具的功能需求、性能要求和制造成本等。

（2） 概念设计阶段。在此阶段，设计师会根据需求分析的结果，提出初步的设计方案。

（3） 详细设计阶段。这一阶段主要是对初步设计方案进行细化和优化，确保模具的结构合理、性能优越。

（4） 仿真分析阶段。在此阶段，利用有限元分析（FEA）等仿真技术对模具的性能进行预测和评估。

（5） 加工制造阶段。根据设计图纸和仿真结果，采用先进的加工技术制造模具。

（6） 试验验证阶段。在模具制造完成后，需要进行实际的试验验证，以确保其性能满足设计要求。

2 模具材料优选方法

模具材料的优选是模具设计与制造过程中至关重要的一环，它直接影响到模具的性能、寿命以及制造成本。传统的模具材料选择方法多依赖于工程师的经验和直觉，或是基于一些简单的物理性能测试［13］。然而，这些方法往往无法全面评估材料的综合性能，也无法准确预测模具在实际使用中的表现。在传统的模具材料选择过程中，工程师们通常会考虑材料的硬度、耐磨性、韧性、抗热性等关键指标［14］。他们会对候选材料进行一系列的物理实验，如硬度测试、冲击试验、耐磨性试验等，然后根据实验结果和自身的经验来判断哪种材料最适合用于模具的制造。这种方法虽然简单直观，但存在很大的主观性和局限性。首先，物理实验只能反映材料在特定条件下的性能，而无法全面评估材料在各种复杂环境下的表现。其次，工程师的经验虽然宝贵，但难免存在主观偏差，且不同工程师之间的判断可能存在较大差异。

BPNN是一种模拟人脑神经网络工作原理的数学模型，具有强大的学习和泛化能力。在模具材料优选过程中，可以利用BPNN模型对候选材料的性能进行预测和评估。人们可以将材料的各种性能指标（如硬度、耐磨性、韧性等）作为输入数据，将模具的实际使用寿命或性能评分作为输出数据，构建BPNN模型进行训练和测试。

在使用BPNN模型进行材料优选时，需要注意以下几点：首先，要确保输入数据的准确性和完整性。输入数据的质量直接影响到模型的预测精度和可靠性［15］。为了获取准确的数据，需要对候选材料进行物理实验和性能测试。获取信息的方法主要包括物理实验、性能测试以及后续的数据分析，同时，还可以借助机器学习方法对数据进行预处理和特征提取，以提高数据的可用性。神经网络的复杂度和泛化能力受到参数和结构的影响。最后，要对模型进行充分的训练和测试。通过多次迭代训练和数据验证，可以评估模型的预测精度和稳定性，从而确保其在材料优选过程中的有效性。

3 基于BPNN的模具材料性能评估模型

BPNN作为一种模拟人脑神经网络工作原理的数学模型，在材料性能评估领域展现出了显著的优势。本节将详细介绍基于BPNN的模具材料性能评估模型的构建过程、训练及测试方法，并阐述该模型在模具材料性能评估中的实际应用。BPNN模型通常由输入层、隐藏层和输出层构成。在构建基于BPNN的模具材料性能评估模型时，首先需要确定各层的神经元数量以及它们之间的连接方式。模具材料性能评估的BPNN模型如图1所示。

（1） 输入层，负责接收原始数据。在模具材料性能评估中，输入数据可能包括材料的化学成分、物理性能、热处理条件等。这些数据需要经过预处理，如归一化等，以适应神经网络的输入要求。

（2） 隐藏层设计，是BPNN模型中的核心部分，它负责捕捉输入数据中的复杂特征。隐藏层的神经元数量需要根据问题的复杂度和训

练数据的规模来确定。过多的神经元可能导致过拟合，而过少则可能导致模型学习能力不足。

（3） 输出层设计，负责输出模型的预测结果。在模具材料性能评估中，输出可能包括材料的硬度、耐磨性、抗腐蚀性等多个性能指标。因此，输出层的神经元数量应与需要预测的性能指标数量相对应。

设Xki代表第k层级中神经元i接收到的输入总和，而Yki为其对应的输出。另外，若从第k－1层的神经元j到第k层的神经元i的连接权值为Wij，那么它们之间的函数关系可描述为：

Yki=f（Xki）

（4）

Xki=∑n+1j=1WijYk－1j

（5）

通常选用f作为非对称Sigmoid函数：

f（xki）=11+exp（－Xki）

（6）

设定第m层为输出层，则第i个神经元的实际输出值记作Ymi。对于相应的模具特征Yi，定义一个误差函数e，其具体表达式如下：

e=12∑i（Ymi－Yi）2

（7）

为了训练BPNN模型，需要准备大量的训练数据。这些数据应包括各种模具材料的性能数据以及与之相关的输入特征。在训练过程中，BPNN模型通过反向传播算法不断调整各层神经元之间的连接权重和偏置项，以最小化预测值与真实值之间的误差。这个过程通常需要迭代多次，直到模型达到满意的预测精度或收敛为止。训练完成后，需要对模型进行测试和验证，通常是通过将模型应用于独立的测试数据集来实现的。测试数据集应包含模型在训练过程中未见过的数据，以便客观评估模型的泛化能力。

设yt为一个包含k个反映模具材料性能的k×1维可观测变量集。这些变量与一个m×1维的向量at相关联。测量方程可以定义为：

yt=zt×at+dt+μtt=1， 2， …， T

（4）

其中，T代表样本的长度，而zt则指代k×m矩阵。另外，dt是表示k×1向量的符号。μt向量用k×1来表示，它是一个连续的、不相关的扰动项，其均值为0，且协方差矩阵为Ht。

E（μt）=0， var（ut）=H

（5）

通常情况下，at的元素是无法直接观测的，但它们可以通过一阶马尔可夫过程来表达。基于这一点，状态方程被定义为以下形式：

at=Ttat－1+ct+Rtξtt=1， 2， …， T

（6）

其中，Tt代表m×m矩阵，ct是表示m×1的向量，而Rt则指代m×g矩阵。此外，ξt符号被用于表示g×1向量，它是一个均值为0、协方差为Qt的随机不相关扰动项。

E（ξt）=0， var（ξt）=Qt

（7）

在模具设计与制造过程中，基于BPNN的材料性能评估模型可以帮助工程师快速准确地评估不同材料的性能表现，从而为材料选择提供科学依据。该模型还可以用于优化模具的设计参数和制造工艺，提高模具的性能和使用寿命。

4 结果分析与讨论

为了构建高效且准确的模具材料性能评估模型，需精心选择恰当的神经网络参数，从而构建出一个结构适宜、层次分明的神经网络模型。此模型旨在捕捉材料性能与其相关因素之间的复杂关系。在模型构建完毕后，利用精心挑选的样本数据集对网络进行了系统的训练。训练过程中，密切关注训练损失的变化以确保网络的学习效果。为进一步验证模型的实用性和泛化能力，寻找并处理了适当的样本数据，这些数据涵盖了多种不同的模具材料和性能场景，旨在全面检验模型的预测能力。

在实验分析过程中，详细记录了模型在训练过程中的损失变化情况，并绘制了如图2所示的损失曲线图。当训练进行到第10轮时，模型已经基本上达到了收敛状态，此时的损失函数值低至0.28。这一结果充分显示了模型的快速收敛能力和理想的训练成果。

从表1中可以看出，随着训练轮次的增加，损失值逐渐降低，准确率逐渐提升。特别是在训练进行到第10轮时，损失值已经降低到较低水平，而准确率也达到了较高的93.5%。这表明模型在训练过程中逐渐学习到了数据的内在规律，性能得到了显著提升。

为提升数据的稳定性，减少其剧烈波动，对数据进行了对数化处理。随后，对比了处理后的算法响应速度和准确率，如图3和图4所示，无论是在运行初期还是后期，该方法相较于对比方法均展现出明显的优势，响应速度更快，准确率也高达95%以上。这一优异表现充分证明了该模型在实际应用中的价值和潜力。

表2展示了模型在不同类型模具材料上的性能表现。模型在各类材料上的准确率、召回率和F1分数均保持在较高水平，且相对均衡。这表明模型具有较好的泛化能力，能够处理不同类型的模具材料，并给出准确的性能评估结果。

选择这些泛化材料的初衷在于，它们代表了模具制造中常见的、具有不同物理和机械性能的材料类别。通过在这些材料上进行实验，可以更全面地评估所构建的BPNN模型的泛化能力和适用性。

5 结 论

在新型模具结构设计与制造中，材料的选择与性能分析是至关重要的环节。本研究通过构建基于BPNN的模具材料性能评估模型，为这一过程提供了科学、高效的解决方案。模型的成功应用，不仅实现了对模具材料的精准性能预测，更为模具设计时的材料优选提供了数据驱动的决策支持。

实验结果显示，该模型在处理不同类型的模具材料时，均能保持高水平的预测准确率，这表明其在材料性能分析方面具有出色的能力。通过这一技术，可以更加精确地了解各种材料在模具制造中的表现，从而选择出最适合特定设计和制造需求的材料。

参考文献：

［1］孙慧，陈永兴，资阳鹏.中等高度锥形件的拉深成型工艺及数值模拟［J］.模具技术，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］黄艳丽，邓汝荣，丘永亮，等.内外上模镶嵌三件式分流挤压模［J］.模具技术，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］肖云华.基于机械自动化软件的注塑模具设计及加工［J］.造纸装备及材料，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机械自动化软件的注塑模具的设计［J］.自动化应用，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］赵宇菲.谈机械模具设计工艺技术［J］.石油石化物资采购，2020（24）：52.

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

［6］张静.探析逆向工程技术在机械模具设计制造中的应用［J］.现代农机，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］李强，黄勇.整体叶轮五轴加工刀轨规划与仿真加工及优化［J］.模具技术，2023（6）：54-60.

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

［11］冯漾漾，丁浩亮，严波.有限体积法注塑稳态模具温度场算法及模拟［J］.模具技术，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.试论材料成型与工程控制模具加工制造技术［J］.现代制造技术与装备，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.材料成型与控制工程模具制造技术与发展方向研究［J］.造纸装备及材料， 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］谢祖华.金属材料的叠加制造技术及在模具制造中的应用［J］.内燃机与配件， 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］张驰，陈继兵.材料成型及控制工程模具制造技术探究［J］.现代制造技术与装备， 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.