车体表面零部件的成形质量好坏与模具尺寸、工艺流程、材料参数等因素密不可分。车身覆盖件的轮廓尺寸大、曲面形状复杂、精度要求高,在日常生产中需要有熟练经验的工人才能进行生产,极大的提高了制造成本。如何快速有效的对冲压过程中的各个参数进行调整,从而找到冲压需要的最优参数一直是工业界研究的热点和难点。对于车体表面复杂零部件的生产过程中,需要严格的控制板料的流动,防止不同区域位置处的板料流动速度差别过大,从而避免成形过程中起皱破裂等缺陷的产生；拉延筋设置遵从以下规律：在凹模入口处,当板料流动速度过大时应该采用能提供大拉延阻力的拉延筋进行约束,以减少板料的变形速度；当板料流动速度较小时采用能提供小拉延阻力的拉延筋,从而提高该位置处板料的变形速度。在一个新零件的生产中,模具通过不断地试制来满足生产的要求,试制过程中经常会因为人的因素而造成整个模具的报废,提高了制模成本。将数值模拟技术应用到模具生产可以极大的降低模具的调试周期,基于此,本文将有限元方法和优化反求结合对模具试制中拉延筋最优几何参数的确定进行研究。本文首先推导了一种等效的拉延筋阻力模型,该模型忽略垂直方向上的应变变化,对板料进行纤维化处理,同时考虑了中性层的偏移、鲍辛格效应等多种因素的影响。以Nine试验采用的几种板料为例,利用该模型对拉延筋阻力进行预测,将预测结果同Nine的实验结果进行对比来显示该模型的预测精度。然后引入灰色关联理论,利用灰色关联分析计算成形参数对等效拉延筋阻力的影响程度,将等效拉延筋阻力作为输入参数,以最大增厚量和最大减薄量作为输出变量,结合改进的BP神经网络和粒子群算法进行映射建模,从而获得输入输出的非线性映射关系式,利用粒子群算法对该映射模型进行优化,获得最优的拉延筋阻力数值。以计算得到的最优拉延筋阻力作为约束条件,采用非线性寻优方法对拉延筋阻力模型进行反求优化,从而得到最优的拉延筋几何参数。最后根据反求得到的拉延筋最优几何参数的数值建立实体拉延筋。在保证其余参数不变的条件下,对板料进行冲压仿真,利用仿真得到的成形极限图来验证该模型的有效性。对模型中粒子群优化BP神经网络做了以下改进：引入正规化系数和剪枝理论,对隐节点的冗余度进行修正,采用变异粒子群算法对BP神经网络的权值和阀值进行优化。本文选取NUMISHEET’93标准考题中的的翼子板作为验证模型。采用灰色关联方法对影响翼子板成形质量的各个参数进行分析,采用模拟退火算法优化的拉丁超立方取样方法对拉延筋阻力样本点进行取样,获得五条拉延筋阻力的样本群；利用仿真软件DYNAFORM对这些样本组进行仿真运算,获得最大增厚量和最大减薄量,并将其作为代理模型的输出值；利用改进的粒子群算法对BP神经网络结构进行优化,建立样本点和成形目标的映射关系。采用基于拥挤距离的多目标粒子群算法对映射模型进行优化求解,以获得最优的非劣解前沿,从而求取最优的拉延筋阻力,并反求拉延筋几何参数。根据已获得的拉延筋几何参数而建立实体拉延筋并进行仿真,获得的成形效果图说明拉延筋几何参数设置合理。