近年来随着制造业的高速发展,各大企业都在逐步向智能化转型,作为企业生产主体的生产线,也是生产制造智能化的主体。因此生产过程中的生产线上各机器的协调成为了制造过程智能化中不可或缺的重要组成部分。然而在过去生产线协调的理论研究中,人们往往更关注于柔性生产线,尽管柔性生产线具有效率高、对动态事件适应能力强等优点,但是对于企业的技术、资金投入都比较高,纯柔性的生产线实现的前期成本往往比较高,对于大量的企业而言是难以支持的。因此在实际生产过程中,企业管理者往往更倾向于在成本增加的可承受范围内对传统的刚性生产线进行修改,使刚性生产线具有一定的柔性进而提升生产能力和智能程度。本课题以一种介于刚性与柔性之间的“半柔性”生产线模型为研究对象,对其批量加工某一种产品的加工协调方案进行优化。通过对生产线模型的详细描述,将物理模型转化为数学模型,以最小化完工时间和最小机器负载为优化目标,设计生产线加工的协调算法,并对其加工过程中出现故障状态的情况进行分析处理,实现对生产线加工过程中的动态协调。首先建立了本文所讨论的“半柔性”生产线数学模型,定义了数学模型中涉及的符号含义,推导出依据优化指标所得到的优化函数。其次,基于深度强化学习（DRL）算法设计生产线协调算法。依据数学模型构建智能体,搭建交互环境,对智能体的状态空间、动作空间进行编码操作并根据模型特点对动作空间进行简化,以降低智能体动作空间的维度,减小出现维度爆炸而导致智能体探索学习失败的可能性。同时,由于DRL算法奖励的滞后性导致在具体应用过程中存在奖励稀疏性,使得算法训练结果过于振荡不稳定,因此合理设置奖励函数,通过人为设置密集奖励解决稀疏奖励问题,使最后的探索学习结果趋于稳定。考虑DQN算法无法解决连续问题的缺陷,再将智能体的动作状态空间拓展到连续空间中,基于DDPG算法实现连续空间下的生产线协调方案探索。最后,考虑生产线加工过程中可能出现的故障状态,对故障状态下生产线加工协调方案的重新制定进行研究。将原加工协调方案依据故障发生时间和故障维护完成分成三个区间,故障发生之前的区间属于已完成加工的区间不受影响,故障完成后的某个时间节点生产线协调方案恢复原方案,恢复后的加工也不受到故障影响。因此只需要对剩下的受到故障影响的区间重新制定协调方案,以提高一定机器负载为代价维持此区间加工任务的快速完成,降低对原方案的影响,实现生产线的动态协调。