汽车冲压件的形状、质量及生产条件的不同，且随着整车厂对冲压件质量、生产效率要求的日益提升，许多常规的模具定位方式已不能满足冲压件的生产定位。合理的模具定位方式不仅关系到冲压件尺寸、成形面的准确性和外观质量，还会影响生产效率，所以在冲压件模具设计及使用过程中，要选择合理的模具定位方式。

汽车外覆盖件在生产过程中，板料要经过拉深、修边冲孔、翻边、整形等多道工序，各个工序均需对板料或工序件进行定位，即确定冲压件的定位基准。由于各工序原料（板料、工序件）不同，各工序的定位方式也各不相同，拉深一般选择板料边缘作为定位基准，采用定位板对板料进行定位；修边冲孔一般选择成形面及工序件边缘作为定位基准，采用模具零件的成形面及定位板进行定位；翻边、整形一般选择冲压件上的定位孔及成形面作为定位基准，采用定位销进行定位。

近年来随着CAE技术的不断发展，尤其是板材一步及多步逆成形CAE仿真技术的日趋成熟，汽车冲压件的可成形性预测被引入到产品设计的早期，纠正设计缺陷，从而能够有效缩短开发周期，提高工业产品数字化设计质量。但是，逆成形仿真技术虽然很大程度上简化了前处理过程，能够直接在产品终零件上直接进行可成形性分析预测，但必要的人工交互（比如网格划分、冲压方向选取等）还是必需的，同时逆成形仿真求解计算一般需要几十秒到几分钟，对于造型工程师而言不仅导致工作效率下降，也意味着有较高创造性要求的造型思路不断被打断。

针对该问题,本文以汽车覆盖件CAE成形仿真结果为基础构建数据集，结合近年来兴起的深度学习技术将前述CAE成形仿真数据集转化为专家经验，从而实现在产品设计早期对零件的可成形性进行实时预测。

由于目前国内外相关研究很少，尤其国内尚未检索到相关研究，没有专门针对汽车冲压件缺陷相关公开的数据集，本文以某车型整车数据为基础利用自主研发的KMAS/One-step软件构造了汽车覆盖件成形仿真分析的厚度云图及对应的高斯曲率云图5985多张，训练集包括云图3591张，测试集包括云图1197张，之后基于 Faster R-CNN神经网络搭建了汽车覆盖件缺陷预测训练模型，算例结果表明对于起皱和破裂缺陷的综合预测准确度（AP）为 67.19%，实现了在产品早期设计阶段对冲压缺陷实时预测，对产品造型工程师具有重要指导意义。