汽车覆盖件是汽车车身的主要构成,现代审美观念对汽车车身结构及外观要求日益提高,因此对于汽车覆盖件的冲压成形质量要求日渐严格,企业能否生产出高质量的覆盖件对于整车的生产制造至关重要。在覆盖件早期工艺设计中,对覆盖件设计的冲压缺陷进行实时预测是十分必要的,而传统的CAE有限元分析相对耗时,无法实现对汽车覆盖件的实时性预测。随着人工神经网络,深度学习技术的发展,利用深度学习技术实现早期产品设计实时成形性预测以降低产品早期设计缺陷已成为可能。卷积神经网络可以处理复杂的图像,利用特征图实现图像的分类及目标检测等,在目标检测领域具有很大的优势。为实现覆盖件的成形性分析目标,本文基于RefineDet目标检测网络,对汽车覆盖件冲压缺陷部位进行实时预测。深度学习训练需要大量的数据,然而目前还没有适用于汽车覆盖件冲压成形缺陷实时预测研究的数据集,因此本文利用KMAS(King-mesh Analysis System)/One-step仿真分析生成覆盖件的成形厚度云图及高斯曲率云图数据图片各7473张,并利用标签生成工具Labelimg软件进行缺陷部位预标注。利用标注完成的高斯曲率云图数据集进行RefineDet网络训练和网络精度测试。结果表明,以VGGNet-16作为特征提取网络的RefinDet模型对覆盖件冲压缺陷部位预测的平均准确率达到75.48%,其中对起皱部位的预测准确率达到72.92%,破裂部位缺陷预测准确率达到78.04%。本文同时以ResNet-101作为特征提取网络的RefinDet模型进行训练与预测,精度有所提升,缺陷部位预测的平均准确率达到77.46%。训练结果证明了深度学习对于汽车覆盖件缺陷部位进行实时预测具有可行性。在此基础上,本文利用正交表分析了工件成形中的压边圈压边力,摩擦系数,模具间隙以及拉延筋阻力系数等数据的选择对成形质量的影响。通过神经网络的构建以及正交表中的工艺参数数据对神经网络进行训练,实现对工艺参数与覆盖件成形减薄率关系的有效预测。经测试表明,神经网络对减薄率的预测结果与Autoform冲压仿真软件结果误差小于5%,证明了神经网络用于覆盖件成形减薄率预测的可行性。