柔性制造系统实时调度优化：应对设备故障的智能协同算法

柔性制造系统（FMS）在设备突发故障时，常面临“反应越快、排产越乱”或“排得越准、响应越慢”的两难困境。本文针对这一核心矛盾，提出一种新型智能重调度方法：将工厂抽象为一张动态异构图——工件、机床和工序是不同类型的节点，而它们之间的先后顺序、归属关系和加工可行性则构成不同类型的边。当某台设备发生故障时，系统立即“冻结”相关节点及连接边，实时更新图结构。异构图神经网络（HGNN）通过分层注意力机制，分别在节点层面聚合相似特征，在语义层面融合跨类型信息，生成一个能同时反映全局生产状态和局部故障细节的“工序嵌入向量”。该向量输入到强化学习模型PPO中：其中“执行者”（Actor）网络输出各工序应分配给哪台机床的概率，“评判者”（Critic）网络评估当前状态优劣；并通过裁剪后的代理目标函数限制策略更新步长，防止在极端故障下策略失效。训练时，随机模拟各类故障（发生时间、持续时长、故障设备）；以最小化总完工时间（makespan）为主要奖励信号，实现端到端联合优化。部署时，仅需一次前向推理，即可输出完整重调度方案。实验表明：在主流测试集（Brandimarte和Hurink）上，大规模场景下总完工时间平均仅比最优基准高3.9%–5.1%；中大型规模下，故障恢复后机床平均利用率稳定在94.0%–94.5%；不同规模与故障强度组合下，单次推理耗时均低于12毫秒；即使面对训练中未见过的高频故障（故障率λf > 0.5），方案可行率仍达94.1%，充分验证该方法能在真实工业场景中兼顾响应速度与排产质量。