本书聚焦于智能制造环境下的车间调度问题，探讨一种旨在增强调度应变能力的适应性调度及其相关理论和技术方法。首先介绍了智能车间调度基本概念和需求挑战、新兴工业大数据技术和信息物理生产系统等对智能调度求解的支撑能力，然后提出了一种多级联动适应性调度体系框架，分别从鲁棒调度、实时调度、重调度和闭环优化四方面论述适应性调度的关键技术方法，*后结合案例给出系统实现及应用验证。本书面向从事智能制造车间管理和生产调度等领域工作的科研和工程技术人员，也可供系统工程、工业工程、自动控制、机电管理等专业领域的师生使用。

第1章 绪论 001 1.1 智能制造与智能车间 002 1.1.1 智能制造 002 1.1.2 智能车间 003 1.2 生产调度 004 1.2.1 生产调度基本问题描述 004 1.2.2 生产调度国内外研究现状 007 1.3 智能车间生产调度面临的需求与挑战 013 第2章 工业大数据与数据驱动技术 021 2.1 工业大数据与智能制造 022 2.1.1 大数据与工业大数据 022 2.1.2 工业大数据特性分析 023 2.1.3 工业大数据技术架构 025 2.1.4 工业大数据在智能制造中的应用 026 2.1.5 工业大数据应用面临的挑战 028 2.2 工业大数据质量管理 029 2.2.1 工业大数据质量问题 030 2.2.2 领域知识无关的工业大数据质量管理 031 2.2.3 领域知识相关的工业大数据质量管理 034 2.2.4 工业大数据整体质量评价指标 040 2.3 工业大数据驱动的生产调度使能技术 043 2.3.1 生产特征选择 044 2.3.2 生产性能预测 046 2.3.3 调度知识挖掘 047 第3章 信息物理生产系统（CPPS） 051 3.1 信息物理系统（CPS） 052 3.1.1 CPS 概述 052 3.1.2 CPS 的技术内核及运行方式 053 3.1.3 CPS 的组织架构 054 3.1.4 CPS 的特征 057 3.1.5 CPS 在制造领域的应用 059 3.2 面向智能制造的CPPS 060 3.2.1 CPPS 概述 060 3.2.2 CPPS 的组成 061 3.2.3 CPPS 的特征 062 3.2.4 CPPS 的多层次体系架构 063 3.3 面向智能车间生产调度的CPPS 环境构建 067 3.3.1 生产调度对CPPS 的需求分析 067 3.3.2 面向智能车间生产调度的CPPS 框架 068 3.3.3 面向半导体生产线的CPPS 环境构建案例 070 第4章 智能车间适应性调度解决方案 079 4.1 智能车间多级联动适应性调度体系框架 080 4.1.1 需求分析 080 4.1.2 智能车间多级联动适应性调度体系框架 082 4.2 多级联动适应性调度体系的运行演化 084 4.2.1 体系运行演化中的多级联动 085 4.2.2 体系运行演化中的数据循环增值 086 第5章 多目标鲁棒调度方法 089 5.1 多目标鲁棒调度问题描述 090 5.1.1 鲁棒调度概述 090 5.1.2 多目标鲁棒调度问题描述和鲁棒性定义 092 5.1.3 鲁棒性度量 093 5.2 多目标鲁棒调度方法框架 097 5.2.1 调度策略表达 097 5.2.2 多目标鲁棒调度方法框架 101 5.3 确定环境下的多目标调度策略解集生成 102 5.3.1 多目标优化方法 102 5.3.2 基于仿真的优化方法 104 5.3.3 SBO-NSGA-Ⅱ算法设计 105 5.4 不确定环境下的多目标鲁棒调度策略选择 108 5.4.1 基于场景规划的生产数据获取 108 5.4.2 基于熵权法的多目标鲁棒调度模型 109 第6章 适应性的实时调度方法 115 6.1 实时调度问题描述 116 6.2 调度策略**方法 117 6.2.1 调度策略**问题描述 117 6.2.2 调度策略**方法框架 118 6.3 基于K-NN 的调度规则** 120 6.3.1 算法框架 120 6.3.2 基于GA 的生产属性特征子集选择 122 6.3.3 基于K-NN 的调度规则**模型 125 6.4 基于SVR 的调度参数** 126 6.4.1 算法框架 126 6.4.2 基于响应曲面法的*优样本获取 127 6.4.3 基于SVR 的调度参数**模型 128 第7章 适应性的重调度方法 133 7.1 重调度问题描述及方法框架 134 7.1.1 重调度问题描述 134 7.1.2 适应性重调度方法 136 7.2 数据驱动的扰动在线识别与预测 138 7.2.1 扰动分类 138 7.2.2 渐变型扰动识别方法 139 7.2.3 突发型扰动识别方法 143 7.3 全数据驱动的重调度方法 148 7.3.1 基于长短期记忆神经网络的重调度方法框架 149 7.3.2 LSTM 神经网络离线训练 151 7.3.3 在线调度 152 7.4 增强学习能力的重调度方法 152 7.4.1 基于DRL 的重调度问题描述 154 7.4.2 基于DQN 的重调度方法 156 7.4.3 基于改进异步优势行动者评论家算法的重调度方法 158 第8章 适应性调度闭环优化方法 165 8.1 调度知识 166 8.1.1 调度知识概念 166 8.1.2 调度知识的表达 167 8.2 调度知识管理 168 8.2.1 调度知识管理概述 168 8.2.2 调度知识生成 170 8.2.3 调度知识评估与更新 171 8.3 调度知识在线评估 172 8.3.1 基于质量控制的调度知识评估方法 172 8.3.2 基于生产状态变化的调度知识在线评估 176 8.4 基于增量学习的调度知识更新方法 178 8.4.1 基于OS-ELM 的调度知识更新方法 178 8.4.2 基于Online SVR 的调度知识更新方法 180 第9章 智能车间适应性调度原型系统 187 9.1 智能车间适应性调度原型系统架构 188 9.1.1 需求分析 188 9.1.2 系统架构设计 189 9.2 关键层级设计 192 9.2.1 数据层设计 192 9.2.2 分析层设计 193 9.2.3 服务层设计 193 9.2.4 表示层设计 193 9.3 智能车间适应性调度原型系统实现 194 9.3.1 系统开发 194 9.3.2 系统界面 197 9.3.3 运行设置 199 9.3.4 结果展示 204 第10章 适应性调度与优化方法验证与实施案例 209 10.1 基于适应性调度原型系统的方法验证 210 10.1.1 单级调度方法验证 210 10.1.2 多级联动适应性调度方法的综合验证 217 10.2 以某企业航空发动机装配线AEAL 为对象的案例研究 222 10.2.1 航空发动机装配线AEAL 介绍 222 10.2.2 多级联动适应性调度方法的案例研究 226 缩略词索引 231