在冲压设计决策过程中,如何对获取的信息进行分析,将其提取为知识,从而辅助和支持设计人员的决策,提升企业的创新能力,已成为企业在市场竞争中获得有利地位的重要保障。近年来,由于CAX的广泛应用,人们获得设计、分析数据变得更加方便,这就更加迫切需要挖掘隐藏在这些数据之后的更重要的信息和知识,反馈指导工艺设计。开展将数据挖掘技术引入冲压工艺智能设计的研究,对提升冲模开发的竞争力,推动模具工业的发展具有重要的意义。本文根据冲压工艺设计信息流及设计空间状态转化的特点,创新性将数据挖掘融入冲压工艺智能设计系统。在分析设计原理的基础上,将设计系统的功能、信息流的传输以及与功能相关联的对象紧密衔接,提出了融入数据挖掘的冲压工艺智能设计系统的理念与流程,它强调了设计数据价值的重要性,并以此为基础建立了系统的体系结构。根据系统论思想,通过抽象地对系统的问题进行分层分类,设计了系统的层次模型,实现系统内信息通讯的同步与协调。新的系统流程与体系使系统信息流成为双向,设计流程不仅仅为设计→验证,而成为设计→验证→设计,实验设计分析数据和数值模拟的结果能够反馈指导工艺设计。提出和建立了系统综合信息模型。该信息模型包含了产品几何信息、工艺信息、工艺设计知识信息、模具与设备信息,以此实现知识驱动设计的开发目标。在非线性工艺规程理论的基础上,提出了基于AOS树的冲压工艺表达模型,它通过特征将几何信息和工艺信息衔接。本文采用面向对象技术,借助类的层次结构,设计了几何信息、工艺信息和工艺知识的层次结构及信息传递机制,实现特征、工艺以及设计知识信息的集成。本文结合冲压工艺设计实验和数值模拟数据的特点以及实际应用的需求,设计了基于模糊相似比的连续属性离散化算法,该算法能够有效的处理冲压工艺设计数据中的噪声数据。根据粗糙集、主成分分析、神经网络数据挖掘理论,以粗糙集为研究重点,在研究现有数据挖掘算法的基础上,设计了基于属性粗糙度的属性约简算法、条件属性值约简算法、粗糙集归纳学习算法、以及基于属性区分能力的启发式粗糙集约简算法,主成分分析算法和神经网络算法,并就这些算法的特点与现有算法进行了对比,在冲压工艺设计中,它们互相结合实现挖掘工艺设计知识的目标。基于双库协同机制,将冲压工艺设计任务与数据挖掘控制相结合,建立了由分析数据、知识发现主体部分和控制部分构成的数据挖掘模型,并提出了相应的控制协调机制。为了实现数据挖掘的通信,采用类似SQL语言的语法,基于巴克斯-诺尔范式(BNF),设计了一种针对工程应用领域的结构化数据挖掘语言-FEDML,给出了实现的途径。同时分析了有限元模拟结果数据的特点,基于STEP标准,对模拟数据进行面向对象的层次化建模,构建了有限元数值模拟结果的中性文件的表述形式及其EXPRESS描述。它采用单元、节点或材料参数、工艺参数表编号作为列表数据的标识符建立实体对象间的联系。提出了针对数据挖掘的知识管理的模型,将挖掘的知识应用于冲压工艺设计过程中,并体现到产品的价值中。设计了对挖掘知识实现评价的算法,提出了基于人工神经网络结构学习的知识求精算法和策略。同时基于“分而治之”的思想,对冲压工艺设计任务进行了分解,建立将设计任务与相应的知识对象连接的沟通机制,构建了冲压工艺设计知识的结构模型,并结合黑板模型,建立了基于黑板模型的冲压工艺设计推理模型。最后通过多个实例分析来验证本文研究工作。针对生产实验数据的特点,结合生产实践中的两个实例-微型、高精度多工序冲压零件工艺设计和板料折弯下料尺寸计算,详细探讨了在目前的生产工艺和方法中,产品面临的问题,应用开发的数据挖掘方法,对其进行了分析,并通过实践验证了数据挖掘方法的有效性。同时在验证数据挖掘对数值模拟数据的实用性时,结合U形弯曲回弹问题和车门内板覆盖件数值模拟实例,采用本文设计的相对应的数据挖掘算法,实现了基于数值模拟数据的知识挖掘。