数字孪生车间中,车间环境较当前制造车间发生较大变化,除制造资源相关数据维度和深度不断丰富外,制造流程数据也由于传感器、嵌入式系统等物联网技术发展可实现充分采集,而目前车间调度研究中尚未充分将制造流程数据纳入调度决策体系中,随着数字孪生车间调度要求不断提高,现有车间调度中以车间制造资源为调度决策依据的方式将无法满足数字孪生车间调度精度需求。因此,如何实施数字孪生车间中利用制造流程数据实施调度决策值得关注,具有研究意义。论文依托国家自然科学基金项目“数字车间制造行为自组织情景建模及应用研究”（51865004）等开展研究,在设计数字孪生车间信息感知与融合平台的基础上,构建制造流程动态调度优化模型和算法,并结合企业需求,开发了原型系统。所获得的基于边缘计算的数字孪生车间制造流程动态调度模型、数据采集分析模型和动态调度知识模型,以及基于决策树的混合知识挖掘算法和基于差分进化的引力搜索优化算法等成果,对提高数字孪生车间动态调度的调度效率,改进车间智能化制造水平具有积极作用。主要研究内容和创新点如下:（1）针对数字孪生车间信息感知与融合问题,研究了面向制造流程动态调度的数字孪生车间的信息感知与融合平台架构,提出了利用三维成像、（无线）传感器及（无线）传感器网络、嵌入式系统等技术采集车间制造数据的方案,设计了基于OPC UA的车间设备接口规约及底层数据融合方法。（2）针对数字孪生车间调度资源信息规范问题,分析数字孪生车间五大关键要素:产品/零部件（物料）、设备、人员、生产环境和生产知识的属性、接口和功能等特征,基于此建立面向动态调度的数字孪生车间模型,研究其运行机制,及运行逻辑映射,并针对数字孪生车间制造流程,提出面向调度的数据采集分析模型,从挖掘调度规则和应用调度规则等维度刻画规约制造流程数据,采用了自适应数据采集策略,根据传感器获得数据方差在采样周期的变化,调整其采样频率。其中,引入Bartlett测试来测试传感器在几个周期中收集的数据集是否来自方差相等的群体。如果传感器采集的数据集在几个周期内具有相同的方差,则采样频次将减少;否则,采样频次将增加。（3）针对制造流程数据中调度规则知识挖掘问题,提出面向数字孪生的动态调度知识模型,设计基于决策树的混合知识挖掘算法,对车间制造流程数据挖掘调度规则。初始化/前期已执行的调度方案在实施过程中产生的制造流程数据,通过数据融合、分析和提取后,以训练实例进入该知识模型;知识模型分别启动决策树（Decision Tree,DT）、随机林（Random Forest,RT）和径向基础函数神经网络（Radial Basis Function Neural Network,RBFNN）三种挖掘算法分别实施调度知识挖掘,挖掘出的调度知识将指导调度优化。可实现该知识模型的可持续进化,调度知识决策水平不断提高,数字孪生车间运行效率不断改进。（4）针对数字孪生车间制造流程调度及优化问题,提出一种基于边缘计算的数字孪生车间制造流程动态调度模型结构（ECDTJ-DC模型）,实施基于制造流程数据挖掘调度规则知识指导下的制造资源综合调度决策,并经过分析30余家制造企业,选取反映较集中的制造流程中阻塞流问题为目标,提出一种基于差分进化的引力搜索优化调度方法。该方法以最小化完工时间为目标,设计VNH算子完成启发式种群初始化,改进引力搜索中粒子的加速度、速度和位置的设置方式提高算法搜索效率,设计基于汉明距离测试的自适应扰动策略提高种群多样性,设计基于平均相对瞬态百分比（Average Relative Transient Percentage,ARTP）的参数设置方法,通过正交试验确定各算子的最优参数设置。通过实验对比分析,该方法具有较好的调度性能、实时性和稳定性。（5）针对相关模型有效性验证需求,在实验室搭建测试环境,对研究提出的基于边缘计算的数字孪生车间制造流程动态调度模型（ECDTJ-DC模型）、基于ECDTJ-DC模型的数据采集分析模型和基于ECDTJ-DC模型的动态调度知识模型进行有效性验证测试。测试结果表明数据采集平台搭建思路可行,三个模型运行有效,知识模型能有效挖掘调度知识规则。针对贵州某整车制造企业及车间的智能化升级实际需求,改进车间调度与预警模块以及具有数据孪生应用前景的模块,验证研究所提模型和算法的可行性和有效性,同时为下一步构建全景式数字孪生智能车间甚至智能工厂提供支撑。