随着市场竞争的愈演愈烈以及科技的飞速进步,多品种、小批量柔性生产已经成为制造企业较为有效的快速响应复杂、多变市场的手段,但同时这种生产模式又增加了生产物流管理的难度。针对制造车间传统物料拉动流程存在的信息交互性缺乏、配送效率低下、配送及时性差等问题,本文提出了基于预约时间的自动物料拉动方案,建立了基于物料消耗速率的长短时记忆网络(Long-Short Term Memory,LSTM)预测模型,并在此基础上设计并开发了一套物料拉动系统,提高了物料配送的准确性与及时性。本文首先分别研究了深度学习与物料拉动相关理论。深度学习方面首先详细阐述了深度学习相关概念及专用术语,综述了对深度学习快速发展有着重要影响的神经网络结构。物料拉动方面首先研究了物料分类方法,然后归纳了机械产品制造业通常采用的物料拉动模式,最后介绍了制造车间传统的物料拉动流程并分析了其存在的严重问题。其次引出了基于预约时间的自动物料拉动方案,设计了物料拉动流程并阐明了此方案的特点;然后介绍了物料拉动方案中最为关键的部分——基于配送点的物料配送计划,描述了物料配送计划的计算规则,说明了物料配送计划的计算流程;并通过实例解析了物料配送计划的生成。然后构建了基于物料消耗速率的LSTM预测模型,设计了模型的结构,介绍了模型的训练方法及训练步骤,完成了模型的仿真实验,并将LSTM预测模型与反向传播(Back Propagation,BP)神经网络预测模型的预测准确率进行对比,实验结果表明:基于物料消耗速率的LSTM预测模型的预测效果更好。最后基于某公司发动机装配车间实际生产情况,为该公司设计并开发了一套物料拉动系统。该系统以准时制物料配送为指导思想,通过该系统实现了物料的精准拉动,提高了物料的配送速率及响应速率,平衡了企业的生产物流,保证了生产活动的有序进行,均衡了企业生产的资金占用。