1.一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，具体实现过程为：

步骤1：基于Multi‑Pass算法仿真技术建立作业车间生产调度仿真平台，其中包括预置调度目标集、调度规则集和生产状态参数集，多次运行该仿真平台生成一批调度问题对应的最优调度方案集，其中包括了用于调度知识学习的样本数据集；

步骤2：对获得的样本数据集进行约简和筛选处理，形成调度参数集；

步骤3：设计不同调度目标下用于调度知识学习的BP神经网络模型；

步骤4：提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA‑BP模型；

步骤5：将各调度目标下的NFA‑BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，由MES数据API提供当前作业车间关键生产状态数据给智能调度模块，用以指导在线排产调度；

步骤6：人工调整在线排产调度的偏差，并适时调整调度知识库，即更新调度参数集，另外智能调度模块进行在线优化学习；

步骤7：适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。

2.根据权利要求1所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于,步骤2中对获得的样本数据集进行约简和筛选处理，形成调度参数集，其中调度参数集主要包括：

21)对生产状态参数集中的生产状态参数进行基于重要性权重比较的筛选处理后形成关键生产状态参数集；

22)对调度规则集中的调度规则进行性能评价，剔除调度规则后形成候选调度规则集；

其中，关键生产状态参数集定义了MES要采集的车间状态数据，而关键生产状态参数集和候选调度规则集则定义了调度知识库。

3.根据权利要求2中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，21)对生产状态参数集中的生产状态参数进行基于重要性权重比较的筛选处理后形成关键生产状态参数集，主要包括：

211)对状态参数做归一化处理；

212)求各个状态参数的重要性权重；

213)设置权重阈值θ，选取状态参数的重要性权重大于θ的状态参数进而获得关键生产状态参数集，并用主成分分析法计算生产状态参数集中状态参数的贡献率大小以检验入选关键生产状态参数集的参数合理性，如果生产状态参数集中贡献率小的参数入选关键生产状态参数集而贡献率大的参数没有入选关键生产状态参数集，可重新取合适阈值θ进行再次状态参数筛选。

4.根据权利要求2中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，对调度规则集中的调度规则进行性能评价，剔除调度规则后形成候选调度规则集，这主要通过以下准则进行评价：

221)基于工件流经时间方差准则，评价计算式为下式：

222)基于工件交货期拖期时间方差准则，评价计算式为下式：其中，Fi表示工件i的流经时间，即工件加工的生命周期；Ti表示工件i的拖期时间，J表示工件数，i＝1,2…J。

5.根据权利要求3中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，212)求各个状态参数的重要性权重通过以下算式计算获得：其中,

公式说明:aj(x)即为某个实例调度问题或某个调度目标下状态参数aj的取值，而aj∈WorkInfo‑set，而WorkInfo‑se为车间生产状态参数集，Q为调度问题实例或具体调度目标组成的对象集合， 表示生产状态参数aj下对象集Q中所有对象状态参数值的平均值，为所求状态参数aj的重要性权重，表示生产状态参数aj下所有对象偏离均值 的程度，即在生产状态参数aj下对象集Q的分散程度，生产状态参数aj的重要性权重越大，在生产状态参数aj下对象集Q的分散程度也就越大，生产状态参数aj区分对象集Q的能力也就越大。

6.根据权利要求1所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，步骤3中设计不同调度目标下用于调度知识学习的BP神经网络模型，其主要包括：

31)设计BP神经网络模型为一个双隐藏层的四层前馈网络结构；

32)神经网络输入层的维数根据不同调度目标下的关键生产状态参数集中元素个数n确定；

33)神经网络输出层的维数根据训练样本中候选调度规则集中元素个数m确定，输出值为＂0＂或＂1＂，值为＂1＂表示该调度规则为当前调度时刻的最优调度规则，值为＂0＂则不是，显然任何情况下只允许输出值集合有且只有一个＂1＂,并与候选调度规则集的元素进行一一映射可得所选择的调度规则；

34)神经网络隐藏层维数通过多次仿真确定，且保持前一隐藏层的维数大于后一层的维数；

35)神经网络训练算法采用改进的萤火虫算法，神经网络的权值和阈值的初值由改进的萤火虫算法初始化确定；

36)神经网络学习常数设置为η＝0.05；

37)神经网络目标函数选为交叉熵函数，不要求样本具有正态分布特性，其为适用于不平衡样本的分类目标函数；

38)神经网络隐藏层和输出层的传递函数选为单极性的Sigmoid函数，其函数值域为[0,1]。

7.根据权利要求6所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，34)神经网络隐藏层维数通过多次仿真确定，这具体通过以下策略实现：

341)利用经验公式 缩小隐藏层节点数的取值范围，S为训练样本数，n为输入层维数，C为组合数符号；

342)构造初始神经网络,将隐藏层节点数区间内的整数作为隐藏层节点个数分别对训练样本进行训练；

343)记录训练误差绘制成曲线图,曲线图中最低点的误差值所对应的区间内的某一值,就是理想的隐藏层节点数。

8.根据权利要求1所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，步骤4提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA‑BP模型，这主要包括：

41)为提高萤火虫算法的全局收敛能力和增强算法的鲁棒性，将标准萤火虫算法改进为一种变步长的萤火虫算法；

42)利用改进的萤火虫算法优化BP神经网络的训练，主要步骤如下，

421)根据输入样本和输出要求确定神经网络结构；

422)初始化BP神经网络,确定每层节点数,计算权值和阈值个数；

423)将权值和阈值视为萤火虫个体，萤火虫个体编码长度等于一个网络权值和阈值的个数和，每个萤火虫个体包含了一个网络全部的权值和阈值信息，初始化萤火虫算法参数；

424)进入改进的萤火虫算法迭代更新过程,搜索适应度最优的个体；

425)将最优个体传回BP神经网络进行训练并用测试数据进行验证，获得NFA‑BP神经网络模型。

9.根据权利要求8所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，41)中改进的萤火虫算法设计如下：

411)对标准萤火虫算法做了萤火虫位置更新步长方面的改进，其步长设置如下式:其中,num表示当前迭代次数,αmin为最小的步长，其取值范围为[0,1].xgbest(num)是目前为止全局最优位置，xi,best(num)为第i个萤火虫目前为止求出的最优位置，另外式中的max_iter表示算法运行的最大迭代次数，该改进算法的思想是：在算法执行期间，每一次迭代都要为每个萤火虫更新步长,更新的依据是考虑每个萤火虫直到目前搜索到的最优位置，以及目前为止搜索到的全局最优位置；

412)改进后的萤火虫算法步骤为，Step1：初始化萤火虫种群{x1,x2,……，xn},以及算法相关参数；

Step2：计算每个萤火虫的亮度{L1,L2,……，Ln}；

Step3：根据411)步长设置公式更新每个萤火虫的步长值；

Step4：更新解空间；

Step5：如果已到最大迭代次数或是达到BP神经网络目标函数的最小值则结束算法，否则转向Step2。