在实际生产过程中,制造系统在执行预定生产计划时,经常会发生意外的扰动,例如紧急作业、作业特征变化和机器故障/维护等。这些扰动使生产系统的运行性能恶化,不仅容易造成大量的作业订单延期,增加制造车间的总体能耗与碳排放,甚至会影响产品的质量。实践证明,面向动态扰动的优化调度方法是一种将动态生产扰动带来的影响降至可接受范围的可行方法。基于此,本文通过引入一种基于深度强化学习的智能生产边缘决策体系结构,研究了柔性制造车间动态生产扰动的决策问题。该体系结构被建模为一个具有边缘智能支持的分布式多智能体系统,旨在为制造系统提供边缘决策和动态环境学习的能力,尤其是在面临生产扰动时的优化调度能力,对众多制造企业而言具有重要参考价值。首先,以柔性制造系统所面临的动态扰动及其影响现状为基础,详细阐明了动态扰动的主要来源,并根据动态扰动的特征对其完成分类。分析了动态扰动对柔性制造系统生产优化目标与调度策略的影响。其次,提出了基于多智能体的柔性制造系统动态扰动边缘决策模型,模型包含11个智能体（例如备份单元学习智能体）,它们共同评估作业和单元的优先级,分配紧急作业和选择备份单元,并给出了面向三种类型动态生产扰动的边缘决策方案,完成了模型的构建。然后,提出了基于深度强化学习的动态扰动边缘决策模型求解算法,确定了深度强化学习中DQN算法的学习与更新流程,设置了以ANN与Q-learning为基础的相关训练参数,完成了对模型的深度强化学习训练。最后,对模型在生产扰动下的性能进行了数值实验验证。结果表明,在三个具有代表性的生产绩效指标方面,本文所提出模型的边缘决策方法优于基准调度方法,其性能普遍超出了6%以上。最终确定了模型可用于动态柔性制造场景,并提高了制造系统的柔性和鲁棒性。