随着智能制造推动传统制造业的不断升级,为响应市场需求,传统车间调度已逐渐转变为柔性作业车间调度,需要合理的生产调度安排为产品按时交付提供了重要的保障。柔性作业车间调度面临着复杂度更高、约束条件更多的情况,为保证调度结果的最优性,符合实际生产过程的建模尤为重要。由于在柔性作业车间生产过程中受到等待、缺料、停机等不确定因素的影响,订单计划完工期与实际完工期相差较大,进而影响生产进度并延误订单交付,因此柔性作业车间调度的订单完工期预测变得至关重要。在上述不确定因素的影响下,难以找到订单完工期规律,随着物联网技术的不断发展和成熟,生产过程数据得到广泛采集,为订单完工期预测提供数据支撑,使订单完工期预测成为一种可能。因此本文提出了一种柔性作业车间的时间Petri网调度与完工期预测方法。主要研究内容如下:针对柔性作业车间调度问题,对柔性作业车间调度特点进行分析,并研究基于Petri网的柔性作业车间调度方法。针对订单完工期问题,分析影响订单完工期的因素,对订单完工期预测问题进行描述。针对神经网络预测方法,分析预测过程中重要参数。构建柔性作业车间调度与订单完工期预测技术体系,分析其相关技术方法。针对离散制造过程的高复杂性和多约束性问题,提出一种基于时间Petri网模型的柔性作业车间调度方法,将时间引入到Petri的库所中构建时间Petri,确定工件在机器上的加工时间。采用A*算法对基于时间Petri网的柔性作业车间调度模型进行全局搜索。由于传统的启发式函数未考虑工序的剩余加工时间因素,为提高算法的运算效率,对启发式函数进行改进,获得柔性作业车间调度的最优解,提高算法全局搜索效率。针对工件生产过程中的不确定因素造成订单完工期难以预测的问题,在柔性作业车间调度模型研究的基础上,提出基于栈式自编码器-深度神经网络的订单完工期预测方法。针对深度神经网络在数据样本大、特征维度高的情况下难以提升预测精度的缺陷,采用栈式自编码器（SAE）对训练集数据进行特征提取并完成预训练。将预训练过程中的权重和偏置参数分别赋给深度神经网络（DNN）每层的权重和偏置完成模型训练,提高预测模型精度。通过实例验证栈式自编码-深度神经网络在订单完工期预测中的有效性。针对现有MES系统对生产数据应用不充分的问题,本文在上述研究基础之上,以阀门机加工车间为对象,设计基于MES的生产调度决策辅助系统。完成系统业务需求分析,通过与MES、ERP等系统的集成,搭建生产调度决策辅助系统的三层功能架构。对系统业务流程进行设计,重点对智能排产和订单完工期预测等功能模块进行系统实现。