电热镦粗工艺具备设备投资较低、锻件杆部尺寸精度高、各项质量系数较高等优点。电热镦粗成形过程的工艺参数主要包括镦粗缸活塞运动速度、砧子缸活塞运动速度、镦粗压力、加热电流以及预热长度等。这些参数的选择是个复杂的问题,其复杂性不仅在于不同的材料具有不同的力学、电学和热传导特性,而且各参数相互影响、相互制约。如果,某一参数不稳定或相关工艺参数配合不好,都将造成电镦生产中的质量缺陷使成品率下降。本文首先阐述气门生产技术的现状及发展趋势的基础上,研究了电热墩粗工艺的原理、特点,以及存在的问题,并通过查阅国内外相关的技术文献,分析了气门坯料在电热傲粗过程中各工艺参数的变化规律和特点。然后在“球形镦粗法”的基础上,针对智能电镦机,提出了球形镦粗过程加热电流与压力的理论计算方法,对镦粗过程加热电流与压力等工艺参数进行了设计计算,并以镦粗位移为基准实现电流与压力的多段设置,通过具体实验表明该设定方案合理,可靠性高,大大减少了气门电镦生产的废品率,提高了产品的质量和生产效率。目前对气门电镦工艺的研究主要集中在定性分析上,虽然采用了数值模拟和理论推导方式,但是由于电镦工艺的影响因素较多,各因素之间相互作用,并且表示这些方法的模型都是在许多假设条件下建立起来的,模型的可靠性和置信度差,很难用于实际生产。因此利用人工神经网络非常适合描述具有黑箱性质和非线性强的对象的优点,设想将确定电镦工艺参数的问题视为黑箱,影响工艺参数确定的各种因素作为神经网络的输入,而把要确定的参数作为神经网络的输出,建立起某些复杂电镦工艺参数确定的模型,本文运用神经网络BP模型中的Levenberg—Marguard优化算法对学习样本优化建模,并用合适的学习样本来训练网络,将优化网络的预测结果与实测结果进行比较,结果表明,BP神经网络不仅能较好地描述工艺参数确定过程,还能预测出较为合理的工艺参数控制值。