制造业是一个国家经济社会活动的基础保障,而智能制造是实现制造业高速发展的关键。航空制造业作为国家级战略性产业,更加需要结合现代信息技术来提升制造过程的智能性与先进性。在航空制造车间中,生产管控系统及其核心排产模块充当着“指挥官”的角色,关键参数的感知与计算研究对生产管控工作及排产过程中有着非常关键的作用。然而随着信息技术的发展与人工智能方法的兴起,一些传统方法存在着效率低、准确率不足等问题。因此,本文以航空制造过程为背景,面向排产过程,对关键参数的智能感知与计算工作展开研究。本文所做主要研究如下:1、针对航空制造车间中存在的生产进度采集效率低及感知采集能力缺乏等问题,提出了一种基于图像数据处理的生产进度采集方法。首先,将航空制造过程中的视频数据进行预处理得到图像数据,结合制造过程中的工艺流程、现场情况等对图像数据进行分类别标注,各类别分别代表制造过程中的关键进度节点。进而将标注完成的数据用于到卷积神经网络（Convolutional Neural Networks,CNN）模型的训练,并利用实际生产数据验证模型的准确率,结果表明方法较其他传统方法有着更高的准确率。训练好的CNN模型可以实时感知生产状态,采集得到生产进度信息。2、目前航空制造过程中的排产工作需要更加准确的加工时间作为排产决策依据,而现场生产过程复杂且受多种关联因素影响,对其进行预测需要在保证准确率的前提下充分考虑到各类影响因素,因此本文提出了一种基于图神经网络的加工时间预测方法。根据航空制造过程的实际情况及特点进行图数据模型的构建,而后通过图神经网络模型,结合航空制造过程数据建立加工时间预测模型。最后通过对比本方法与其他方法预测值的误差证明了所提出预测方法的有效性,模型可以在航空制造过程中对加工时间做出提前预测,为排产过程提供更加科学的决策依据,提高了生产管控工作的合理性。3、基于所研究的生产进度采集方法与加工时间预测方法,设计并开发了航空制造过程关键参数感知计算原型系统,详细阐述了系统的架构与功能,可视化展示了所提出的研究成果在实际制造过程中的应用,使得关键参数感知与计算工作更加便捷与高效。