近几年来,随着经济的全球化发展,跨国、跨区域的公司分布格局、不断增加的中小型企业合作式生产,在很大程度上改变着工业生产的组织方式,与此同时,在日益激烈的全球化市场竞争中,用户的个性化定制需求促使用户订单驱动的单件生产模式成为现代化制造业的发展趋势,在这样的背景下,现代化的分布式柔性制造应运而生。分布式柔性制造具有高柔性、高动态性、高敏捷性以及制造资源地理分散性等特征,这使得其环境下的车间调度问题变得十分复杂,使用传统的调度方法难以对其进行较好的求解。随着机器学习相关技术的发展,数据驱动的智能调度方法为解决复杂生产过程调度问题带来了新的契机,受“数据+学习”思想的启发,本文以数据驱动智能为核心,研究基于深度神经网络的分布式柔性车间智能调度方法,其主要研究内容如下:首先,本文对现代化单件生产模式下的分布式柔性车间调度问题进行分析,根据分布式柔性制造三阶段调度结构,分别对三阶段的作业调度、工序调度,以及工序排序问题进行建模,并重点关注订单交付截止期限的约束,以最小化作业平均拖期惩罚为全局调度优化目标,根据各阶段的调度任务,为各调度阶段设立子优化目标。之后,本文在充分考虑分布式柔性车间调度的动态性、深入分析调度目标影响因素多样性的基础上,提出基于深度神经网络的分布式柔性车间智能调度算法。针对作业调度、工序调度阶段的资源分配问题,算法通过使用海量、多维度调度仿真历史数据对深度神经网络模型进行训练,能够根据实时获取的任务、资源相关数据,对可用资源进行有效评估,为作业、工序选择最佳资源;针对特定机器上,待加工工序的排序问题,基于深度神经网络的调度模型通过对调度仿真历史数据进行学习,能够对工序的加工优先级进行合理分配,实现调度目标优化。最后,本文基于Java、Python语言及相关工具进行软件仿真,对所提出的调度算法进行实现,并通过调度仿真对比实验,证明了算法的调度目标优化有效性。此外,本文还设计了基于多代理的分布式柔性车间智调度系统框架,并结合现代化的信息物理系统相关技术,阐述了所提出的调度算法在实际生产过程中的应用可行性。该项研究为解决现代化单件生产模式下,分布式柔性车间调度问题提供了新的思路,其对于企业效益和用户满意度的提升都具有重要意义。