车身覆盖件由于形状复杂、精度要求高,其冲压成形过程是一个复杂的弹塑性、大变形力学过程。随着数值模拟技术的高速发展,已有大量学者利用数值模拟技术对板料在成形过程中可能出现的缺陷进行了预测,利用该技术既可以减少试模次数,还能够优化模具的结构设计和工艺设计。然而,由于汽车覆盖件外形结构复杂,对其质量要求较高,这使得单纯使用数值模拟技术具有较高的盲目性。花费了大量仿真时间,实验结果仍不理想。如何合理使用各种优化算法,并将多种算法结合起来对冲压过程中的各个成形工艺参数进行合理调整,并获得满足质量要求的工艺参数组合,长期以来都是汽车制造领域的热点和难点。因此,本文基于GS理论和神经网络遗传算法函数寻优法,利用非线性有限元分析软件Dynaform,将一汽某汽车制造有限公司生产的轻量型卡车左后侧围外板为研究对象,对其冲压成形中工艺参数寻优,以提高其成形质量。首先,借助正交试验法,初步获取在不同工艺参数组合下的最大减薄率数值;接着,基于GS理论,对获取的数据进行灰色关联度分析,分析得出影响左后侧外板最大减薄率的两个最主要因素即冲压速度和压边力;之后,使用拉丁超立方抽样法对选出的两个主要因素在既定的范围内进行随机抽样,并借助非线性有限元软件Dynaform对抽样结果逐一仿真分析获得各自的最大减薄率;然后,基于神经网络遗传算法函数寻优模型,将拉丁超立方抽样获得数据中的冲压速度和压边力作为输入,最大减薄率作为输出,用输入输出数据训练BP神经网络;用遗传算法寻优把训练后的BP神经网络预测结果作为个体适应度值计算的初始值,并进行个体适应度值计算即预测得到最大减薄率最小的结果,并得到对应输入值。最后,运用Dynaform软件对输出的最优工艺参数组合进行仿真验证,借助该公司的实验平台进行实验验证。通过对比优化前后的有限元仿真结果和实验结果可知,优化后的拉延成形工艺参数能够改善板料的成形性能。采用此方法可以有效的预测和优化汽车覆盖件成形工艺参数。