智能制造背景下,生产车间能够收集大量与生产调度相关的数据,这些数据蕴含丰富的调度规则信息。挖掘智能设备收集的数据以获取有效信息,能帮助企业提升车间的生产效率。因此,本文针对智能制造下作业生产需求到达时间不确定的动态作业车间调度问题,采用基于随机森林(RF)和深度神经网络(DNN)的两阶段(Two-Stage)模型的优化方法进行实时调度。首先,使用遗传算法(GA)获得较优调度方案,并从中提取生产车间的原始调度属性数据。然后用RF筛选合适的调度属性以减少属性间的冗余性和无关性并获取关键特征,再采用DNN模型的强大表征能力构建调度规则学习器。该学习器通过挖掘调度属性的模式,能在调度决策点指导机器在生产冲突作业中选择最优一个作业进行生产。最后,所提方法对不同规模的动态作业车间进行实验,以比较算法的训练性能和最小化平均延误时间的性能。实验表明,与原始DNN、SVM和优先调度规则相比,该方法能有效地降低平均延误时间。此外,通过不同规模的动态作业车间实验,所提方法具备泛化性且满足实时调度的要求。