《Engineering Applications of Artificial Intelligence》：Resilient scheduling method combining preventive maintenance for distributed heterogeneous flexible job shop problems with machine failures and rescheduling
编辑推荐：
在制造系统中，不可预期的机器故障会破坏生产计划并降低调度性能。与现有工作依赖于过于保守的主动计划或不稳定的纯反应规则不同，本文研究了分布式异构柔性作业车间弹性调度问题，结合了一种包含预防性维护（Preventive Maintenance, PM）的主动策略与
在制造系统中，不可预期的机器故障会破坏生产计划并降低调度性能。与现有工作依赖于过于保守的主动计划或不稳定的纯反应规则不同，本文研究了分布式异构柔性作业车间弹性调度问题，结合了一种包含预防性维护（Preventive Maintenance, PM）的主动策略与一种预测-反应（Predictive-Reactive）机制。具体而言，本文建立了具有分阶段优化目标的模型：在主动调度阶段，目标是使完工时间（Makespan）最小化，并在安全阈值内最大化预防性维护（PM）次数，以概率方式降低预期停机时间和故障风险；在恢复阶段，目标是使完工时间偏差最小化，并减少机器重新分配次数以维持系统稳定性。针对这两个阶段设计了相应的求解算法。对于主动调度阶段，开发了一种改进的多目标人工蜂群算法（Improved Multi-Objective Artificial Bee Colony, IMOABC），其特点是将一种针对全局瓶颈的新型集成模拟退火邻域搜索整合其中。对于恢复阶段，构建了一个深度强化学习（Deep Reinforcement Learning, DRL）框架，该框架具有新颖的三维状态特征表示，以自适应地选择重调度策略。实验结果表明，所提出的框架显著提高了系统弹性。主动集成预防性维护（PM）减少了意外停机，将严重的完工时间延误限制在7.0%以内，而经过训练的DRL智能体在恢复期间的策略推理时间小于5毫秒。科学上，本研究推进了随机制造环境下的多目标优化。社会上，它为实现车间弹性调度提供了一条可行的途径，确保了稳定性和持续生产。
研究背景：近年来，制造业正朝着智能化方向稳步发展，工业4.0（Industry 4.0）利用关键技术创新智能制造系统，而随后出现的工业5.0（Industry 5.0）则进一步强调社会公平、可持续性以及系统韧性，旨在解决以人为本和系统弹性方面的不足。在分布式异构柔性作业车间调度问题（Distributed Heterogeneous Flexible Job Shop Scheduling Problem, DHFJSP）中，由于工厂的异质性和机器的灵活性，生成调度方案面临巨大挑战，且系统往往缺乏足够的弹性。此类环境中，机器故障作为常见的动态扰动，不仅延迟任务，还会迅速引发级联效应，导致全局生产网络瘫痪。尽管主动调度、预测-反应调度和完全反应调度是处理不确定性的主要方法，但现有研究多聚焦于单一方法，导致整体系统弹性不足。主动调度提供鲁棒性但难以应对严重扰动；预测-反应调度具备强大恢复能力但缺乏预防性抵抗。因此，开展将主动与预测-反应调度优势相结合的研究，以构建兼具抵抗和恢复能力的弹性调度系统，具有重要的科学价值和社会意义。
主要技术方法：研究人员构建了基于Brandimarte和Hurink标准数据集衍生出的“RP01-24”基准测试集进行验证，涵盖30至150个作业及2至4个工厂的不同规模。研究采用了双阶段优化框架：首先，在主动调度阶段，设计了针对预防性维护（Preventive Maintenance, PM）的策略，并开发了一种改进的多目标人工蜂群算法（Improved Multi-Objective Artificial Bee Colony, IMOABC），该算法集成了针对全局瓶颈的模拟退火邻域搜索，以协同优化生产与PM决策。其次，在恢复阶段，构建了包含新颖三维状态特征表示的深度强化学习（Deep Reinforcement Learning, DRL）框架，用于自适应地选择重调度策略，实现了在恢复期间的快速推理与策略选择。
研究结果：研究建立了覆盖两阶段调度过程的数学模型，并得出了以下结论。在主动调度阶段，研究人员通过IMO算法实现了完工时间最小化和PM次数最大化（在安全阈值内）的双重目标，有效构建了具有鲁棒性的调度计划，显著降低了意外故障发生的概率。实验显示，主动集成PM将严重的完工时间延误限制在7.0%以内，证明了其在预防停机方面的有效性。在恢复阶段，研究人员提出了三种重调度策略，并通过DRL框架实现了自适应选择。结果表明，经过训练的DRL智能体能够在恢复期间以小于5毫秒的时间完成策略推理，显著降低了完工时间偏差和机器重新分配次数，有效维持了系统的稳定性。相比现有方法，所提出的框架在应对机器故障时展现出更高的有效性和优越性，验证了其在处理动态扰动时的鲁棒性。
讨论与结论：论文发表在《Engineering Applications of Artificial Intelligence》。讨论部分指出，该研究通过将主动预防与预测-反应恢复相结合，解决了DHFJSP中机器故障导致的级联失效问题。研究结论表明，这种双阶段优化模型能够显著增强制造系统的弹性。主动阶段通过平衡生产效率与维护需求，降低了风险；恢复阶段通过DRL的快速决策能力，确保了系统的快速稳定。该方法不仅推动了随机制造环境下多目标优化的发展，也为实现稳定、持续且具备抗干扰能力的智能车间调度提供了可行的技术方案。
