随着信息技术的发展,智能制造成为制造业的必然发展趋势。在汽车制造领域,为满足多样化的市场需求,多品种、小批量的柔性生产方式被广泛使用。在涂装车间内,漆后车身有较大概率存在质量缺陷,需要返工重喷,扰乱了原本的涂装计划,使调度性能下降。如何在有返工干扰的情况下,灵活调度涂装序列,降低成本,提升效率,对汽车企业来说是亟待解决的问题之一。本文针对带返工的汽车涂装作业重排问题展开研究。在以往的研究中,往往忽视了返工因素的干扰,且大多数以减少颜色切换次数为单一目标,没有考虑到涂装序列与下游车间需求序列之间的关系,同时,在求解方法上多采用精确算法或启发式算法,对复杂的动态调度问题缺乏灵活性。为此,本文利用强化学习对动态环境的感知和决策能力,基于DQN提出了考虑返工的涂装作业重排方法,根据生产情况在线决策涂装序列,以更好地满足生产目标。具体工作如下:首先,本文在实际应用背景下,分析了汽车的生产过程及涂装车间的主要生产流程,提取出关键工序,明确了本文的问题框架。而后,为更符合实际,本文确定了两个衡量重排序效果的评价指标,一是减少颜色切换次数,二是减少涂装序列与总装需求序列之间的序列偏差。在此基础上,建立了本问题的数学模型。接着,将问题转化为马尔科夫决策过程。根据生产情况提取出六个关键的特征信息用以定义状态,并根据问题的优化目标和约束条件设计了合理的即时奖励函数。进而,基于DQN算法设计算法框架,将在线涂装过程与离线学习过程相结合,训练智能体学习更好的策略,从而使决策者能够根据当前生产状况动态地在线决策喷涂序列。最后,本文设计了三组实验,分别验证了该方法的收敛性和有效性,并分析了目标权重及约束条件对算法重排序效果的影响。相比于传统基于规则插入返工车身的调度方式,本文的优化方法能够灵活地应对环境的变化,在返工情况发生时,及时地调整后续生产序列,实现当前状态下的最优或近优调度,获得更好的重排效果。本文在算法上的创新,为具有返工过程的涂装作业重排问题提供了一个新的解决思路。