面向制造任務的云制造虛擬車間構造方法

趙秋云，魏 樂，舒紅平

（1.成都信息工程大學軟件工程學院，成都 610225；2.軟件自動生成與智能服務四川省重點實驗室（成都信息工程大學），成都 610225）

0 引言

云制造是一種利用網絡和云制造服務平臺，按用戶需求組織網上制造資源，為用戶提供各類按需制造服務的一種網絡化制造新模式［1］。從1.0 到3.0，云制造已經成為一種數字化、網絡化、云化、智能化的新智能制造［2］。在云制造環境下，各類制造資源以制造云服務的形式存在于云制造服務平臺中，用戶可以利用這些制造云服務，按需開展各項業務活動。與傳統制造企業開展業務的方式不同，以制造活動為例，傳統制造活動的開展是在物理上真實存在的車間進行的，但云制造環境下的制造活動開展是依靠地理位置分散的制造云服務進行的，這些制造云服務構成一個虛擬的云制造車間。車間是企業生產增值活動的場所，在企業生產活動中發揮著必不可少的作用，因此研究云制造環境下的虛擬車間構造具有重要的意義。

虛擬車間是伴隨虛擬制造技術而出現的一個概念，隨著敏捷制造、協同制造等模式的應用，其內涵也不斷豐富和發展。云制造將制造技術與新一代信息通信技術相結合，強調制造資源集成和按需服務［3］。因此云制造模式下的虛擬車間需要重點關注如何有效組織相關云服務，形成以生產為核心的實體，并通過合理的調度，保證生產活動的順利進行，即解決云制造虛擬車間構造和虛擬車間調度兩個核心問題。在虛擬車間調度方面，人們建立了云制造車間調度的模型和框架，并提出了相關的車間調度算法［4-9］，但對云制造虛擬車間構造的研究尚不多見。

云制造虛擬車間構造主要涉及兩個核心問題：1）明確云制造虛擬車間的內涵，建立云制造虛擬車間構造模型，實現車間人員-機器-物料-環境的融合；2）如何針對車間的制造任務，快速地選擇合適的云服務，構造虛擬車間，保證制造任務的執行，即制造云服務組合優化問題。當前，云制造虛擬車間被認為是能夠有效進行某類生產制造活動的虛擬制造單元的集合，包含虛擬制造單元、組織結構、交互關系和對外服務四個要素［10］。制造云服務組合優化是云制造的一個關鍵問題，當前研究從云服務組合優化模型［11］、組合優化架構［12］、組合優化平臺［13］和組合優化算法［14-26］幾個方面展開，其中對組合優化算法的研究是一個熱點。通過梳理當前研究發現，制造云服務組合優化均是在定義相關屬性指標的基礎上，試圖尋找一個最優的組合方案。其求解策略大致分為三種：1）采用多屬性匹配的方法，直接從服務資源池中尋找各屬性最優的云服務；2）將云服務進行分類以縮小查找范圍，再通過屬性匹配的方法尋找最優解；3）將云服務組合優化看作多目標優化問題，利用多目標優化算法或改進的多目標優化算法進行求解。第一種方法的優點是可以找到最優解，但在云服務數量較多的時候效率不高；第二種方法的優點是通過分類縮小了查找范圍，提高了效率，但可能出現由于分類不準確而找不到最優解；第三種方法是當前研究的重點，但容易出現目標高維化而導致算法非常復雜或目標函數維度過低而相對片面的問題。

目前對制造云服務組合優化的研究成果較多，但具體到云制造虛擬車間構造方面，依然有一些問題需要解決：1）云制造虛擬車間的內涵目前尚不明確，缺少虛擬車間構造模型的研究；2）制造云服務組合優化的研究主要集中在對已有算法的改進來實現云服務的優選，對云服務物理位置及如何組織管理數量日益龐大的云服務等因素考慮不足。因此，本文圍繞這兩問題，在對云制造虛擬車間進行分析的基礎上，給出車間各組成要素的形式化定義；建立云制造虛擬車間模型，探討如何快速選擇合適的云服務；基于模型，提出云制造虛擬車間的構造方法。本文主要工作如下：

1）將行業域、地域和類型域引入到制造云服務的組織和管理中，并利用域來實現對服務資源池中云服務的分類，縮小云服務選擇的范圍，提高云服務的選擇效率，解決云服務規模不斷擴大的問題；

2）從功能、性能、質量、時間、價格多個維度來進行云服務的匹配，保證能夠找到相關域內的較優解，同時把物流因素納入虛擬車間的范疇，滿足云制造線上線下相結合的需求。

1 云制造虛擬車間的定義

云制造模式下，服務提供者可以將自己擁有的各類制造資源和制造能力虛擬化封裝為云服務的形式，形成設計服務、采購服務、制造/加工服務、營銷服務、物流服務、維護維修服務、檢測服務、認證服務、金融服務、人力資源服務、產品研發服務、經營管理服務和流程外包服務［27］存放在服務資源池中。服務使用者根據自身實際需求，從服務資源池中選擇功能、性能、價格、時間和服務質量（Quality of Service，QoS）滿足要求的云服務，按照業務流程進行組合，從而滿足業務活動需求。理論上，服務使用者的任何需求如研發、設計、制造、仿真、實驗等都能在云制造模式下得到滿足。

產品制造是企業創造價值的主要環節，云制造的核心就在于制造。因此為簡化問題，聚焦核心，本文的研究對象集中在制造活動本身，重點關注云制造模式下如何保證制造任務的執行。傳統的制造任務是在物理的制造車間通過對人員、設備、物料的合理調度完成的，而云制造模式是通過選擇相關云服務進行組合，構成一個虛擬的云制造車間來開展制造活動。與傳統的制造車間不同，云制造虛擬車間具有以下特點：

1）虛擬化：云制造虛擬車間是選擇加工設備、物流、加工人員、檢驗、維護維修等物理實體對應的云服務而構成的一個虛擬車間，并不是物理存在的。

2）面向制造任務：傳統的車間是面向產品的，但云制造虛擬車間是面向制造任務的，其存在的核心就是保障制造任務的執行。不同的制造任務，對應的云制造虛擬車間不同，一個制造任務只有一個虛擬車間來完成，一個虛擬車間只完成一個制造任務。制造任務執行完畢，所對應的云制造虛擬車間也將不復存在。

3）動態性：云制造環境是一個動態開放的環境，時刻會出現任務需求變化、服務退出、服務狀態改變等各種事件，因此云制造虛擬車間具有動態性。

4）自適應性：在組成云制造虛擬車間的云服務、任務需求和車間環境發生變化時，云制造虛擬車間可以感知這些變化，并進行自適應調整，以保證制造活動可以順利進行。

5）自組織性：當有制造任務的時候，云制造平臺會根據該制造任務，選擇合適的云服務組成云制造虛擬車間。

6）復雜性：構成云制造虛擬車間的云服務所有者、物理位置可能均不相同。真實制造活動需要在實際的物理載體上方能完成，物料可能在云服務物理位置之間長距離移動，這給車間調度造成困難。同時要在海量的云服務中選擇功能、性能、時間、價格、QoS 均滿足要求的各類云服務進行組合，本身就是一個NP問題。

基于以上描述，給出相關定義如下：

定義1 制造任務。每一個制造任務Task=（TID，TName，TCP，TNumber，ξc，TLocal，CNumber，TState，TIndustry），分別表示制造任務的唯一標識、產品名稱、產品結構及技術參數、加工數量、價格閾值、交貨地點、完工數量、任務狀態和所屬行業。

定義2 制造任務鏈。制造任務經過分解后，形成一系列的子任務，這些子任務的執行次序構成一個制造任務鏈。制造任務鏈MTC=（STaskSet，STaskRelation），其中：

1）STaskSet=｛STask1，STask2，…，STaskn｝表示子任務的集合，考慮到車間制造的特殊情況，此處的子任務主要有加工處理和檢驗兩類。每一個子任務STaski=（STID，STName，STNumber，STWeight，STDCraft，STξC，STStart，STEnd，STCNumber，STState，STDProportion），分別表示子任務標識、子任務名稱、零件數量、單件物料零件重量、工藝、價格閾值、開始時間、結束時間、完成數量、狀態和檢驗比例。STDCraft=（STDCID，STDCName，STDCType，STDCPar，STDCMat，STDCDetail），主要是為了描述工藝信息，包含工序編號、工序名稱、設備類型、設備技術參數、物料、工藝文件等。需要說明的是，如果子任務為檢驗任務，則其信息與加工子任務不同，如加工子任務STDProportion值為空。

2）STaskRelation=（STaskSet，〈STaski，STaskj〉），其中i，j∈［1，n］，且i≠j，表示子任務之間的次序關系，STaskSet是子任務的集合，〈STaski，STaskj〉表示子任務STaskj是STaski的后續任務，為一個有向邊。

定義3 制造設備云服務［28］。制造設備云服務ES可以定義為一個九元組ES=（ESID，ESFun，ESBAttr，ESSAttr，ESCost，ESQoS，ESTime，ESTList，HSID），其中：

1）ESID是云服務的唯一標識。

2）ESFun是云服務的能力描述，ESFun=（生產類型，生產對象類型，對象材料特征，對象形狀特征，對象尺寸特征，對象重量特征，對象加工精度，…）。

3）ESBAttr是云服務的基本屬性信息描述，BAttr=（ESName，ESUse，ESSup，ESLoc，ESCon，ESPhone，ESType，ESBTime，ESMen，ESLife，ESDri，ESIndustry），分別表示名稱、用途、提供者、物理位置、聯系人、聯系方式、型號、購置時間、生產企業、使用壽命、驅動方式和所屬行業。

4）ESSAttr是云服務的狀態屬性信息描述，ESSAttr=（ESState，ESSpeed，ESVibrate，ESTemperature，ESPress，ESVoice），分別表示狀態、速度、震動、溫度、壓力和聲音等信息；ESState有空閑、忙、維修、預約四種狀態。

5）ESCost表示服務價格，即每件費用，單位為元。

6）ESQoS表示服務的QoS，需要綜合各項指標計算得到。

7）ESTime表示可開始服務時間，可根據ESTList計算得到。

8）ESTList表示在制造設備云服務上執行的子任務清單。

9）HSID表示制造人員云服務的ID標識，因為制造人員的能力是通過制造設備體現出來的，故需要通過HSID建立兩者之間的關聯。

定義4 制造人員云服務。制造人員云服務HS=（HSID，HSAbility，HSTime，HSTGrade），分別表示制造人員云服務唯一標識、制造能力（即每小時加工數量）、每日可工作時長（單位：h）和人員技術等級，其中人員技術等級可采用量化方式衡量，如高級技師為5 分、技師為4 分、高級技能為3 分、中級技能為2分、初級技能為1分，這可以作為服務選擇時的一項依據。

定義5 物流云服務。物流云服務LS=（LSID，LSMode，LSCost，LSAbility，LSObject，LSLine，LSTime，LSIndustry，LSQoS，LSSpeed，LSSTime，LSTList），分別表示服務標識、運輸方式、運輸價格（單位：元/（kg·km））、運輸能力（單位：kg/h）、運輸對象類型、運輸路線、每日可服務時間長（單位：h）、服務行業、服務質量、平均速度（單位：km/h）、可開始服務時間和執行任務列表。

定義6 檢驗云服務。檢驗云服務DS=（DSID，DSType，DSStandard，DSAbility，DSResult，DSLocation，DSIndustry，DSCost，DSQoS，DSTime，DSTList），分別指檢驗云服務唯一標識、檢驗產品類型、采用的檢驗標準、每日可檢驗數量（單位：件）、檢驗結果、服務地域、服務行業、服務價格（單位：元，一般檢驗）、服務質量、可開始服務時間和服務子任務列表。檢驗結果DSResult=（DPID，DConclusion，DDetails，DDate），分別表示檢驗產品編號、檢驗結論、結論詳細信息和檢驗日期。

定義7 維護維修云服務。維護維修云服務MRS=（MRSID，MRSDType，MRSAbility，MRSGrade，MRSLocal，MRSQoS，MRSTime，MRSTList），分別指維護維修云服務唯一標識、可維護維修的設備類型、維護維修能力、維修資質、可服務地域、服務質量、可服務時間和服務子任務列表。其中：維護維修能力采用平均維修服務周期來衡量；維修資質包括企業資質、官方授權、資格證書等，同樣可以采用量化的方式衡量，作為服務選擇時的一項依據。

定義8 云制造虛擬車間。云制造虛擬車間是指利用云制造平臺，通過云服務組合的方式，將位置分布的相關制造資源組織起來完成某一制造任務的實體。云制造虛擬車間可以抽象為一個三元組CMVW=（CSS，MEC，WE），其中：

1）CSS=（ES，LS，HS，DS，MRS），是云服務的集合。

2）MEC=（CSS，〈CSi，CSj，Weight〉）表示制造執行鏈，它是制造任務鏈的具體實現。制造執行鏈中的每一個節點表示一個云服務，與制造任務鏈中的節點相對應。CSS指組成制造執行鏈的云服務集合；〈CSi，CSj，Weight〉表示執行鏈中的一條帶權有向邊，Weight是權重，指CSi和CSj之間的物理距離，計算方法如式（1）。

其中distance（CSi，CSj）表示CSi和CSj的物理距離。

3）WE=（CPE，ESE）表示車間環境信息，其中CPE是云制造平臺運行的云環境，CPE=（Memory，Bandwidth，Compute），其中Memory指的是存儲資源，Bandwidth指的是網絡帶寬資源，Compute指的是計算資源；ESE=｛ESE1，ESE2，…，ESEn｝是所有制造設備云服務所在環境的集合，每個ESEi表示一個制造設備云服務所在場所的環境信息，ESEi=（ESID，Temperature，Humidity，Voltage，PQuality），分別表示制造設備云服務唯一標識、溫度、濕度、電壓和電能質量。引入WE的目的是便于判斷車間環境是否異常，避免由此而影響產品質量。

2 云制造虛擬車間的構造

2.1 云制造虛擬車間構造模型

定義9 云制造虛擬車間構造模型。云制造虛擬車間構造模型可以表示成一個四元組，CMVWCM=（TCL，MKB，SRP，SL）。其中：TCL表示制造任務分解邏輯，其主要功能是將制造任務分解為若干個有次序關系的子任務；MKB為制造知識庫，為制造任務分解提供制造經驗知識；SRP表示服務資源池，存儲在云端，采用多重域的組織方式管理各類制造云服務；SL表示選擇邏輯，其主要功能是從服務資源池中找出滿足要求的云服務。

整個云制造虛擬車間的構造和運行都圍繞著制造任務進行。接受用戶的制造任務之后，根據制造知識庫中的制造知識將制造任務分解為若干個存在次序關系的子任務，這些子任務按照次序關系構成制造任務鏈；選擇邏輯根據每個子任務的信息，從服務資源池中選擇功能、性能、價格、時間和QoS均滿足要求的云服務，這些云服務按照制造任務鏈組合，形成制造執行鏈，進而構造形成云制造虛擬車間。云制造虛擬車間的構造流程如圖1所示。

圖1 云制造虛擬車間構造流程Fig.1 Construction process of cloud manufacturing virtual workshop

2.2 面向多重域的云服務管理

服務資源池中存放著海量的云服務，為了快速地從服務資源池中找出滿足條件的云服務，在組織云服務存儲時，采用面向多重域的管理方式，即行業域、地域和類型域。在具體管理時采用以下策略：

1）根據制造行業劃分若干個行業域，如汽車制造、航天產品制造、電子產品制造等，除維護維修云服務外，其他的云服務均加入到對應的行業域中。

2）以省會城市、產業經濟區或大區劃分為依據，劃分地域。制造設備云服務及與其緊密綁定在一起的制造人員云服務、檢驗云服務按照所處的物理位置加入某個地域；維護維修云服務按照其所服務的范圍加入某個地域；物流云服務按照運營路線加入某個地域。

3）根據加工設備類型的不同，劃分幾個典型的類型域，如磨床類、銑床類、拉床類等，制造設備云服務及與其緊密綁定在一起的制造人員云服務按照制造設備類型加入對應的類型域。

4）設置域時，可以單獨設置一個“其他”域，將無法明確確定所屬域的服務歸入“其他”域。

引入多重域之后，如果需要查找某個滿足需求的云服務，就不需要對服務資源池執行全部掃描，可以根據行業域、地域和類型域快速定位要查找的區域，并可有效減少比較次數和計算量，快速找到需要的云服務。

2.3 云制造虛擬車間構造算法

云制造虛擬車間主要是根據制造任務鏈中各子任務的信息，從服務資源池中選擇對應的云服務構造而成的，因此其核心是如何選擇對應的云服務。為了保證云制造模式下產品的質量，規定所有制造任務的最后一個子任務為檢驗任務，且由獨立的第三方來完成。為簡單起見，假設中間各子任務完成后無需檢驗或檢驗由對應的制造設備云服務提供商自己負責。本節先給出不同類型云服務的選擇算法，然后再給出總體的構造算法。

算法1 制造設備云服務選擇算法。

制造設備云服務選擇算法主要步驟為：生成候選服務集WS；對候選服務進行加工參數、服務價格和時間匹配，得到可選ES；對可選ES按照服務質量和相關人員資質排序；選中ES。具體算法描述如下：

1）從SRP中查找行業、地域、類型與制造任務及子任務相匹配的ES及與ES關聯的HS，構成WS；

2）若WS為空，則從SRP中查找行業、類型或者地域、類型與制造任務及子任務相匹配的ES及與ES關聯的HS加入WS，否則轉3）；或WS仍然為空，則從SRP中查找類型與制造任務及子任務相匹配的ES及與ES關聯的HS加入WS，否則轉3）；若WS仍為空，則轉9），否則轉3）。

3）從WS中取出第一個ES及對應的HS，轉4）。

4）判斷ES的技術參數、服務時間和價格是否滿足子任務的要求，若滿足，則轉5）；否則轉6）。

5）ES的可選標記flag=1，轉7）。

6）取下一個未分析過的ES及對應的HS，轉4）。

7）判斷WS中的云服務是否分析完畢，若分析完畢，則轉8）；否則轉6）。

8）判斷WS中flag=1 的云服務數量是否為0，若為0，則轉9）；否則轉10）。

9）向任務提出者發送“找不到需要的ES”消息和WS中的云服務信息，提示用戶修改任務信息，轉11）。

10）WS中所有flag=1 的云服務按照QoS 和相關人員資質進行降序排列，第一個即為所選ES；更新選中服務的子任務清單信息和子任務的開始時間、結束時間信息，轉11）。

11）算法結束。

算法2 物流云服務選擇算法。

因事先無法確定云服務之間是否產生物流費用以及產生多少物流費用，故采用協商的方式。假設服務使用方給出的價格為TLSCost（單位：元/（kg·km）），制造執行鏈MEC中的〈CSi，CSj〉之間存在物流環節，距離為〈CSi，CSj〉.Weight，CSi對應的子任務為STaski。物流云服務選擇算法的主要步驟為：生成候選服務集WS；對候選服務進行服務價格和時間匹配，得到可選LS；對可選的LS按照服務質量排序；選中LS。具體算法描述如下：

1）從SRP中查找行業、地域與制造任務所屬行業及相關云服務物理位置相匹配的物流云服務，構成WS；

2）若WS為空，則從SRP中查找地域與制造任務所屬行業及相關云服務物理位置相匹配的物流云服務加入WS，否則轉3）；若WS仍為空，則轉9），否則轉3）。

3）從WS中取出第一個LS，轉4）。

4）判斷LS的時間和價格是否滿足子任務的要求，若滿足，則轉5）；否則轉6）。

5）LS的可選標記flag=1，轉7）

6）取下一個未分析過的LS，轉4）。

7）判斷WS中的云服務是否分析完畢，若分析完畢，則轉8）；否則轉6）。

8）判斷WS中flag=1 的云服務數量是否為0，若為0，則轉9）；否則轉10）。

9）向任務提出者發送“找不到所需要的LS”消息和WS中的云服務信息，提示用戶修改任務信息，轉11）。

10）WS中所有flag=1 的云服務按服務質量進行 降序排列，第一個即為所選LS，轉11）。

11）算法結束。

檢驗云服務和維護維修云服務的選擇算法與算法1 和算法2 相似，都是首先查找服務行業、物理位置和類型相匹配的云服務，加入候選服務集；然后找出功能和時間滿足需求的云服務，置可選標記；接著對可選云服務按照服務質量進行降序排序；最后選擇第一個云服務即可。具體不再贅述。需要強調的是：由于事先無法確定是否產生故障、產生何種故障，故也無法事先確定維護維修的費用，因此在維護維修云服務選擇時不考慮價格匹配，具體價格可由雙方私下協商。

算法3 云制造虛擬車間構造算法。

如圖2 所示，主要步驟為：生成MTC；選擇ES和DS；生成MEC；選擇LS。

圖2 云制造虛擬車間構造流程Fig.2 Construction process of cloud manufacturing virtual workshop

需要強調的是，在云制造虛擬車間構造算法中，不涉及維護維修云服務的選擇，只有在設備發生故障時，才會選擇維護維修云服務。

3 算例分析

3.1 實例分析

參考文獻［19-20，24］的做法，本節將構造一個制造實例，并設計相關的數據，來分析本文方法的有效性。假設有一制造任務Task，經過分解之后，得到制造任務鏈MTC，如圖3 所示。其中STi（i=1，2，3）為制造加工子任務，ST4為檢驗子任務，制造任務及任務鏈中各子任務的部分數據分別如表1、2 所示。設滿足功能匹配的制造設備云服務共有10 個，表示為ESi（i=1，2，…，10），制造設備云服務及與其關聯的制造人員云服務部分數據見表3。可供選擇的檢驗云服務為DSi（i=1，2，3），檢驗云服務的部分數據見表4。可供選擇物流云服務為LSi（i=1，2，3），物流云服務的部分相關數據見表5。

圖3 某制造任務鏈MTCFig.3 One manufacturing task chain MTC

表1 制造任務Task的部分數據Tab.1 Some data of a manufacturing task named Task

表2 各子任務的部分數據Tab.2 Some data of each subtask

表3 制造設備云服務部分數據Tab.3 Some data of manufacturing equipment cloud services

表4 檢驗云服務部分數據Tab.4 Some data of inspection cloud services

表5 物流云服務部分數據Tab.5 Some data of logistics cloud services

步驟1 為子任務ST1選擇對應的制造設備云服務。

1）根據行業為“汽車行業”、位置在“A”、類型是“加工中心”的條件在服務資源池中快速定位相關服務存放域，查找制造設備云服務，得到候選服務集WS=｛ES1，ES2，ES5，ES7，ES8｝。

2）WS中的所有云服務均與ST1的技術參數相匹配；ES1與ST1的價格不匹配；ES7的加工時間為0+0+2 000/（20*8）=12.5＞10，故ES7與ST1的時間不匹配。此時可選的云服務為ES2、ES5和ES8。

3）將ES2、ES5和ES8按照服務質量和相關人員資質降序排列，得到序列（ES5，ES2，ES8），ES5即為選擇的制造設備云服務，此時要更新ES5的ESTime=6.25，ST1的STStart=0，STEnd=6.25。

步驟2 按照同樣的方法為子任務ST2和ST3選擇對應的制造設備云服務分別是ES2和ES8；更新ES2的ESTime=7，ST2的STStart=10、STEnd=17；更新ES8的ESTime=4.17，ST3的STStart=20、STEnd=24.17。

步驟3 為子任務ST4選擇對應的檢驗云服務。

1）根據行業為“汽車行業”、位置在“A”、產品是“蓋板零件”的條件，沒有找到相關域；在行業為“汽車行業”、產品是“蓋板零件”的域中查找，得到候選服務集WS=｛DS1，DS2，DS3｝。

2）DS2的價格2 000×10%×11=2 200＞2 000，故DS2與ST4的價格不匹配；DS1的時間25+0+（2 000×10%）/35=30.7＞30，故DS1與ST4的時間不匹配。此時可選擇的云服務只有DS3，因此按照服務質量排序后依然只能選擇DS3。更新DS3的DSTime=3.33，ST4的STStart=25，STEnd=28.33。

步驟4 選擇需要的物流云服務。

1）根據行業為“汽車行業”、ES8位置在“A”、DS3的位置在“B”的條件在服務資源池中查找物流云服務，發現LS3的運營路線與位置信息不匹配，得到候選服務集WS=｛LS1，LS2｝。

2）假設服務使用者給出的價格為0.3 元/kg·km，ES8與DS3之間的物理距離為75 km；LS1和LS2均價格匹配；計算使用LS1需要的運輸時間24.17+2×（75（/60×10））×0.2×2000/4 000×10=24.42＜25，計算使用LS2需要的運輸時間24.17+2×（75（/60×10））×0.2×2000/7000×10=24.42＜25，所以LS1和LS2均時間匹配。

3）WS中的云服務按照服務質量降序排序，順序為（LS2，LS1），故選擇LS2。

根據以上算法構造得到云制造虛擬車間，該車間使用了制造設備云服務ES5、ES2和ES8（包含與這些制造設備關聯的制造人員云服務），檢驗云服務DS3，以及物流云服務LS2。對應的制造執行鏈如圖4 所示。從結果可以看出，云制造虛擬車間所選擇的云服務并不是最優的，僅是在功能、價格、時間與任務相匹配的，QoS 較優的云服務。當然，本例中僅考慮了制造任務執行問題，未考慮DS3與交貨地點不匹配的問題。

圖4 實例的制造執行鏈MECFig.4 Manufacturing execution chain MEC of one instance

3.2 仿真實驗

3.2.1 面向多重域的管理方式對云服務選擇時間的影響

在提出的云制造虛擬車間構造算法中，對服務資源池中的云服務采用面向多重域的管理方式。該方式會將存儲空間按照行業、地域和類型劃分為若干個獨立的存儲區域，不同的云服務存儲在不同的存儲區域中，因此劃分的域應該事先確定，并不宜太多。同時，需要將不同存儲區域的首地址存儲在一張表中，構成索引表，以便快速進行服務存儲地址的定位。為驗證面向多重域的云服務管理方式可以有效減少云服務選擇時間，設計以下仿真實驗。

實驗以為3.1 節制造實例中的ST1選擇制造設備云服務為例，模擬不同云服務數量對單個服務選擇時間的影響。目前的云服務組合優化算法幾乎都是將制造云服務的選擇看作多目標優化問題，通過對傳統優化算法的改進來實現選擇最優制造云服務的目的，并不關注制造云服務的組織方式對云服務選擇效率的影響，同時目前也未見對云服務組織方式的研究，即均未采用面向多重域的云服務管理方式。因此本實驗通過對比不采用多重域的云服務管理方式，來觀察采用多重域的管理方式對云服務選擇效率的提升。TS1對應的云服務要求的行業域為“汽車行業”、地域為“A”、功能域為“加工中心”，設計實驗數據規模如表6的前4列所示，第一行數據的含義是：共有200 個制造設備云服務，其中100 個是汽車行業的，100個之中有80個在A，80個之中有60個是加工中心。

實驗采用Java編寫仿真程序，在程序中定義了“存儲區域類”，以此模擬面向多重域的云服務管理。云服務的ESCost為隨機生成的2～5 的隨機數，ESQoS為隨機生成的0～1 的隨機數，HSAbility為隨機生成的10～100 的整數，HSTime全部為8，HSTGrade為隨機生成的1～30 的整數，ESTime全部為0。假設這些云服務的功能和技術參數均符合要求。實驗結果對比如表6的后兩列所示。從表6可以看出，在相同數量的云服務中選擇需要的云服務，采用面向多重域的管理方式比傳統方式所花費的時間要少，當數據規模增大時，這種優勢更加明顯。因為面向多重域的管理方式能夠直接定位在一個小范圍的區間內查找，這樣相對于傳統管理方式中的全部掃描，所花費的時間會少很多。同時由于候選集中元素的大幅減少，也大大節省了后續進行匹配比較和排序時間。當然，如果所有云服務均在一個存儲區域中存儲，或者需要掃描整個存儲區域時，則兩者所需時間并無差異。

表6 云服務規模數據Tab.6 Scale data of cloud services

3.2.2 算法有效性分析

文獻［24］提出了一種面向加工設備的服務聚類與初選方法，該方法基于服務相似度來進行聚類，并通過可拓論中“距”的概念，描述服務請求與不同服務類簇的關聯程度，達到為用戶精準選擇云服務集合的目的。本節以選擇滿足任務需求的加工中心云服務為例，通過與面向加工設備的服務聚類與初選方法的對比分析來說明本文提出算法的有效性。為便于對比，加工中心云服務初始數據和制造任務初始數據在文獻［24］提供數據的基礎上，增加本文算法所需的信息，具體如表7和表8所示。

使用本文算法時，表7 中的價格和時間均是針對整個任務而言，并選擇“該類服務最常出現的數值”，即中間的那個數值作為云服務的價格和時間；所有云服務的可開始服務時間ESTime均為0；云服務的QoS 由加工質量、時間可靠性和服務柔性計算得到，其權值分別設為0.4、0.35 和0.25；三個任務相互獨立且均只包含一個子任務，所需加工設備均為加工中心，開始時間STStart均為0，結束時間STEnd為表8 中的時間上限。面向加工設備的服務聚類與初選方法主要是用來實現設備云服務的初選，即根據服務請求與類簇的綜合關聯度來形成候選服務集，并未給出之后如何選擇最優的云服務；因此此處采用與本文類似的思路，即在功能匹配和非功能匹配基礎上，選擇QoS值最大的云服務，則兩種算法的執行結果如表9所示。

表7 加工中心云服務初始數據Tab.7 Initial data of cloud services in machining center

表8 制造任務初始數據Tab.8 Initial data of manufacturing tasks

從表9 中可以看出，在同等條件下，利用本文算法為三個任務均選擇出了合適的加工中心云服務，但面向加工設備的服務聚類與初選方法僅為Task2選出了合適的云服務ES18，但顯然在初始服務集中存在滿足Task1和Task3需求的云服務。原因在于：在進行聚類時僅考慮了云服務的綜合相似度，未考慮服務請求的因素，這就會導致滿足需求的云服務可能未被劃入對應的類簇；后期通過計算服務請求與類簇的綜合關聯度來確定服務請求的候選服務集，從而出現找不到所需云服務的情況。進一步分析可以發現，ES18的QoS 值明顯小于ES28，這說明本文算法可以選擇服務質量較高的云服務。從候選服務集來看，因為所有云服務均為加工中心，本文所提算法會將這些云服務按照地域和行業域存儲在不同的位置，只需根據加工設備云服務的物理位置和所屬行業即可快速找到候選服務集，所花費的時間僅為訪問一次服務資源池的時間；但面向加工設備的服務聚類與初選方法通過計算相似度進行聚類，方可形成候選服務集，同時還需要計算服務請求與類簇的關聯度，才能確定服務請求與類簇的關聯關系。由此次可見，本文所提算法是有效的。

表9 兩種算法的執行結果Tab.9 Execution results of two algorithms

4 結語

云制造虛擬車間是云制造模式下開展制造活動的實體，是組織相關制造資源的場所。針對云制造虛擬車間構造這一核心問題，首先對問題進行描述，給出了制造任務、制造任務鏈、制造設備云服務、制造人員云服務、物流云服務、檢驗云服務、維護維修云服務和云制造虛擬車間的形式定義。接著建立了云制造虛擬車間構造模型，明確了云制造虛擬車間的組成和特點，并提出一種基于多重域的云服務組織管理方法。隨后給出了云制造虛擬車間構造算法，該算法利用多重域管理的特點，構造規模較小的云服務候選集，在此基礎上快速進行功能、性能、價格和時間的匹配，能在較短的時間內完成相關云服務的選擇，從而快速實現虛擬車間的構造；特別是在虛擬車間的構造中考慮了物流的因素，滿足了云制造線上線下相結合的需求。最后通過實例分析和仿真實驗，驗證了所提方法能夠快速實現云服務選擇，并保證能夠找到較優解。當然，本文的相關研究主要面向的是離散型制造任務的執行，忽略了物料、城市內物流、交貨地點與最終產品不在同一地等因素，后期將對這些問題以及虛擬車間重構進行深入探討。