汽车模具行业是汽车制造业的重要组成部分,汽车模具制造水平在一定程度上代表一个国家汽车制造业的水平。近十几年来,在企业信息化的带动下,我国汽车模具生产水平取得了巨大的进步,但与发达国家相比还存在较大差距,主要体现在车间生产组织管理方面：如计划调度仍然凭经验,车间信息传递仍然是手工作业(任务派发使用派工单等)等。制造执行系统(MES)的出现为我国汽车模具企业提高车间生产组织管理水平提供重大的机遇。但由于汽车模具动态多变的生产特点,使得MES在汽车模具企业的应用也存在不少困难。因此,本文围绕构建面向汽车模具企业的制造执行系统,对MES相关的问题展开研究。由于汽车模具制造业生产环境复杂,具有动态多变的生产特点,因此应用于汽车模具企业的MES需要具有敏捷性和可重构性。要构建具有敏捷性和可重构性的系统,就需要对系统的控制结构进行研究。本文分析了目前普遍使用的几种系统控制结构的优缺点,在发现敏捷制造系统分形特征的基础上提出了用以构建MES的分形控制结构。该控制结构是递阶控制结构和分布式控制结构的适当妥协,既具有分布式控制结构的自治性及易于重构性,又可以像递阶控制结构一样对系统内个体间的行为和目标进行协调控制以实现全局优化。为实现分形控制结构,提出了分形控制单元,并采用多Agent技术对分形控制单元的内部结构进行了描述。对分形控制单元的功能进行了研究,并通过实例实现了系统的可重构。动态调度功能是汽车模具企业MES的核心功能。为了适应汽车模具企业动态多变的生产特点,MES的调度必须能够对车间生产过程中发生的各种实时事件做出快速的反应。汽车模具企业车间生产调度是典型的单件车间调度问题(Job Shop Scheduling, JSS),是典型的NP难问题。为了能够实现实时快速的动态调度,则需要将问题规模缩小,因此采用滚动调度方法。在影响调度的诸因素中,模具的优先级、到期时间以及资源等约束占据了十分重要的位置,在进行动态调度时,需要综合考虑这些约束。本文首先采用数学规划法对在滚动调度策略下JSS问题进行了描述；然后对滚动调度的基本问题——滚动调度窗口的确定进行了研究。首先通过资源约束来确认滚动调度窗口内应被选入工件的数量,然后通过采用神经网络对工件优先级和工件到期时间两个约束进行处理,提出了基于神经网络的滚动调度窗口工件选入算法。其次,根据汽车模具企业生产的动态多变特点提出了混合滚动调度策略,提出了滚动调度启动的条件。最后提出了滚动调度算法流程。由于神经网络自身存在着弱点,即神经网络对样本集有较大的依赖性,如果样本集不好会导致神经网络运算慢甚至停滞,因此基于神经网络的多约束滚动调度窗口工件选入算法也存在这个弱点。为了克服上述弱点,本文采用粗集理论对神经网络的样本集进行了优化,并基于优化后的决策表提出调度决策规则。依此规则,构建了五层粗神经网络,从而提出了基于粗神经网络的滚动调度窗口工件选入算法。对于上述算法中,针对从优化后决策表中所提取的调度决策规则中存在着规则冲突,提出了基于粗集的解决方案,计算了工件到期时间和工件优先级相对于工件是否选入滚动调度窗口的权重。以权重作为规则选取的概率,解决了规则中存在的冲突,提高了算法的计算效率。最后通过实例对滚动调度算法进行了仿真。比较分析了采用三种不同的调度方法进行调度所得到的调度方案,结果表明基于神经网络的多约束滚动调度算法所得调度方案更加符合生产实际情况,对生产更具有指导意义。建立了一个针对汽车模具企业的MES系统,该系统实现了MES大部分核心功能,解决了汽车模具企业车间生产管理中急需解决的问题,并在北汽福田潍坊模具厂实现了应用。