随着科学技术的迅速发展,尤其是计算机、人工智能等技术的进步,离散装备制造业正在进行新一轮的产业变革,将智能化、信息化和工业化深度融合,使越来越多的装备制造企业加快实现智能化转型。对于按订单需求进行加工生产的离散装备制造企业,准确地预测订单完工期能够保证按时给客户交付订单,提高公司的竞争力。由于实际的生产加工环境较为复杂,在订单生产的过程中存在诸多不确定因素影响订单的最终完工时间,这些不确定因素增加了订单完工期的预测难度。本文以离散装备制造业的订单完工期预测问题为研究课题,主要研究内容如下:（1）针对离散装备制造业中历史订单数据存在数据量少、特征表达能力不足和包含异常数据的特点,提出一种基于数据分布和级联森林的订单完工期预测算法。根据数据特性将订单完工期预测视为分类问题,并设计了一种两级级联森林模型。将原数据输入到第一级级联模型得到初步的预测结果和预测概率分布向量,通过分析订单完工期的概率分布,将预测结果和预测概率分布向量进行优化调整和拼接,从而得到表达能力更强的新特征向量,再将新特征向量与原数据拼接后输入到第二级级联模型并输出最终的预测结果。实验表明该算法的订单完工期预测的平均偏差为1.11天,准确率为81.04%。（2）针对订单数据中存在的不平衡数据问题,提出一种带权重机制的动态过采样分类预测算法。该算法以随机森林作为分类模型并选择shapley值作为特征权重;然后基于特征权重计算样本的距离,再根据样本的距离和密度利用DBSCAN密度聚类将少数类样本划分为多种类型,并根据不同类型样本的分布情况设计不同的样本合成策略;最后设计一种缓冲机制作为动态过采样的终止条件,过采样结束时输出训练好的最优模型。通过实验证明该算法在多个公开数据集上表现出较好的分类预测性能,并且在不平衡订单数据中,相比于未进行过采样的原始分类预测算法,该算法在F-measure、G-mean和AUC三个指标上分别提高了0.0423、0.0244和0.0196,证明了该算法的有效性。