准确的订单剩余完工时间预测有助于动态调整生产计划以及优化制造过程，以满足订单产品按时交付的需求。制造物联技术在离散制造车间的广泛应用，为订单剩余完工时间预测提供了更加充足完备的数据支撑，同时数据维度和复杂程度也大大提高。传统的预测方法从海量制造数据中挖掘车间运行规律的能力较弱，难以满足高实时性、高准确度的预测要求。为此，提出一种制造大数据驱动的预测方法，实现订单剩余完工时间的精准预测。主要研究内容包括：
　　（1）针对订单剩余完工时间预测需求，详细分析了订单剩余完工时间预测问题，搭建了订单剩余完工时间预测体系架构，并阐述了特征选择和订单剩余完工时间预测两项关键技术。
　　（2）针对候选特征集具有的海量、多维、高冗余特点，提出了一种基于自组织映射神经网络-特征权重模糊 C 均值聚类的过滤式特征选择算法。通过构建自组织映射网络初始化特征权重模糊 C 均值聚类的聚类中心，减少后者对初始聚类中心的依赖；基于互信息计算特征权重，实现导向性特征聚类，根据聚类结果选择特征代表，构成高质量关键特征子集。
　　（3）以关键特征子集组成的制造数据为基础，设计了一种基于深度置信神经网络-深度神经网络的预测模型，实现订单剩余完工时间的准确预测。选取ReLU为激活函数训练深度置信神经网络模型，完成预训练，将预训练网络的权重和偏置传递至深度神经网络完成预测模型参数初始化，并增加Dropout层和L2正则化，避免预测模型的过拟合问题。以车间实际生产数据为例，验证了预测模型在泛化性能与准确度方面都具有更优越的性能。
　　（4）在上述理论基础上，设计并开发了订单剩余完工时间预测原型系统，并结合车间实际生产过程，验证了原型系统的主要功能模块。