为实现由“制造大国”向“制造强国”的高质量转变,我国明确提出将智能制造作为制造业转型升级和创新发展的主攻方向,并通过融合应用新一代信息技术,推动制造业向价值链高端转移和高质量发展。智能车间是实施智能制造模式的基本载体。动态多变的制造业环境下,基于制造过程数据采集,对智能车间生产任务进行自主动态分配是保证订单工期与生产效率的关键。首先,分析了传统生产过程与生产数据的特点,从中提取出解决生产任务分配问题所需的数据类型,并通过RFID、传感器、Zig Bee等物联网技术进行制造过程实时数据的采集。将智能车间生产过程离散化为独立的生产事件,基于规则由采集到的生产过程数据生成生产过程中的简单事件与异常事件。其次,根据生产任务自主动态分匹配问题的特点,将问题与隐马尔科夫模型(HMM)结合,提出了基于隐马尔科夫模型(HMM)的生产任务动态分配方法,采用Baum-Welch算法训练模型,提出机床选择系数τ对Viterbi算法进行改进并求解,实现了面向异常事件的生产任务动态分配。通过案例验证了该方法的可行性。第三,针对HMM的观测独立假设及预测结果不合理问题,提出了改进的最大熵马尔科夫模型(D＿MEMM),引入特征函数,并采用GIS算法进行参数训练,将Viterbi算法改造为D＿MEMM的求解算法,构建了考虑机床间物流距离约束的生产任务动态分配模型。通过案例验证了该方法与HMM模型方法相比之下的合理性。最后,基于同一数据集,将HMM、D＿MEMM、贝叶斯规则预测(BR)、回归分析预测(REG)四种方法进行对比分析,进而分析了工序数量与数据规模对各方法性能的影响。结果表明,HMM、D＿MEMM在解决生产任务分配方面具有较高的准确性和可靠性,且D＿MEMM在数据规模较小的情况下仍能保持较好的预测能力。