如今,在智能制造趋势下数据驱动的生产管理方法研究已成为重要的研究点。在企业一般作业车间生产过程中常存在着生产异常扰动,使得做好的排产调度方案需要及时动态地进行调整,这便是动态作业车间调度问题。解决动态作业车间调度问题,启发式优先调度规则方法相比搜索优化算法、整数规划等有着排程迅速和灵活易实施的优势,因此在实际企业中调度规则的排程调度方法在需要快速响应的动态作业车间场景下得到了广泛应用。然而由于调度规则类型不一,适用的车间工况不同,关于如何选用调度规则就涉及到调度规则的决策问题。目前在实际动态作业车间调度中,调度规则选用上的决策过程还主要依赖于人工经验,这使调度规则决策结果存在着偏差,难以实时地决策出最符合当前工况的调度规则。因此,本文结合数据驱动的决策思想,对生产数据驱动的动态作业车间调度规则决策方法进行了研究。首先,在分析生产数据驱动的动态作业车间一般调度优化机制的基础上,确定了将生产系统属性数据作为驱动调度规则决策模型的输入数据,对应决策出的调度规则便是模型的输出目标,输入数据和输出目标构成了调度样本。调度规则决策模型的构建采用了机器学习的方式,为了获取构建决策模型所需的优化调度样本数据,研究了基于Multi-pass仿真机制的优化调度样本生成方法,并搭建了用于调度问题实例仿真优化的生产调度仿真平台。然后,针对调度样本的生产系统属性中所含的冗余或噪音属性会影响决策模型的精度,提出一种基于改进离散萤火虫算法EDSBFA的调度特征选择方法,并在UCI数据集和调度样本数据集上测试了其优化特征选择的性能。接着,提出基于EDSBFA调度特征选择和基于极限学习机(Extreme Learning Machine,ELM)调度样本学习的封装式调度规则决策模型构建方法。基于EDSBFA-ELM的调度规则决策方法在实验测试中综合性能要优于文献中已提数据驱动的调度规则决策方法。另外,针对调度规则决策模型在动态作业车间动态调度中的使用方式,提出了两种人机协同的动态调度机制。最后,通过某企业自制件作业车间调度问题实例以联合仿真的方式验证了所提调度规则决策方法和动态调度机制的可行性和有效性,并给出了应用系统的设计思路。