文章开放获取 发表日期：2026年8月12日 《科学报告》(2026) 引用此文章 我们提供该手稿的未编辑版本，以便及早获取其发现。在最终发布之前，手稿将经过进一步编辑。请注意，可能存在影响内容的错误，且所有法律免责声明均适用。 摘要：在设备故障干扰下，灵活制造系统（FMS）中的实时调度一直面临响应速度和调度质量之间的核心矛盾。为了解决这一问题，本文提出了一种基于异构图神经网络（HGNN）和邻近政策优化（PPO）的协同策略学习算法。制造系统被建模为一个动态图结构，其中工件、机器和工艺作为异构节点，优先关系、归属性和可制造性关系作为异构边。当故障被触发时，相应的节点和关联边同时被冻结，以实时更新图拓扑。HGNN通过分层异构注意机制在节点层和语义层分别聚合相似特征和跨类型异构信息，以生成融合全球制造状态和局部故障信息的工艺嵌入向量。该向量被输入到PPO网络中；Actor网络输出工艺-机器分配的概率分布；Critic网络估计状态值；剪切替代目标限制策略更新步骤的大小，以防在极端故障场景下策略崩溃。在训练阶段，故障时间、持续时间和故障机器被均匀随机采样。最小化完工时间作为主要奖励信号，驱动端到端的协同优化。在部署阶段，单次前向推理输出完整的重新调度方案。实验结果显示，在Brandimarte和Hurink的所有基准数据集上，所提出的框架在大规模场景中的规范化完工时间收敛率为103.9%到105.1%。故障恢复后可用机器的平均利用率在中到大规模场景中保持稳定在94.0%到94.5%。在不同规模和故障强度组合下，端到端推理时间少于12毫秒。在高故障率范围（λ f > 0.50）之外，可行率达94.1%，验证了所提出框架在故障干扰下平衡实时性能和调度质量的有效性。 致谢：不适用。 资助：不适用。 作者信息： 作者及其所属单位 郑州大学管理学院，郑州，450001，河南，中国 吕若欣 & 孟雅宁 郑州大学机械与动力工程学院，郑州，450001，河南，中国 王文杰 作者：吕若欣 孟雅宁 王文杰 通讯作者： 请联系王文杰。 伦理声明： 竞争利益：作者声明在本研究中没有需要报告的利益冲突。 附加信息：出版者的声明：斯普林格自然对已发布地图和机构隶属关系的管辖权没有立场。 版权与许可：开放获取 本文依据创意共享署名-非商业性使用-无衍生作品4.0国际许可协议，允许任何非商业性使用、共享、分发及以任何媒介或格式再生，只要给予原作者及来源适当的信用，提供创意共享许可证的链接，并表明是否已修改许可证材料。根据此许可证，您无权分享从本文章或其部分派生的适应材料。 本文章中的图像或其他第三方材料均包含在文章的创意共享许可证中，除非在材料的信用行中另有说明。如果材料未包含在文章的创意共享许可证内，而您打算的使用未被法定法规允许或超出许可使用范围，则您需要直接从版权持有者处获得许可。 查看许可的副本，请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。 关于这篇文章： 引用此文章：吕，若欣，孟，雅宁，王，文杰。考虑设备故障干扰的灵活制造系统实时调度机制优化，使用HGNN-PPO协同策略学习算法。《科学报告》(2026)。https://doi.org/10.1038/s41598-026-65082-7 下载引用 接收日期：2026年5月13日 接受日期：2026年7月29日 发表日期：2026年8月12日 DOI： https://doi.org/10.1038/s41598-026-65082-7 关键词：