導向輥生產設備制造資源集合匹配方法

張增強，劉善慧，師可強，錢頌，王先菊

（西安理工大學 印刷包裝與數字媒體學院，西安 710048）

導向輥作為包裝印刷機械的核心零部件，當其傳統生產方式中的某道工序由于自身加工能力不足等原因無法加工時，就需要外包給具有相應制造能力的加工企業協助完成，在這一過程中存在制造資源利用率低、外協成本高等難題。云制造是一種面向服務的、高效率、低能耗的網絡化制造新模式[1]，將其引入導向輥生產工序外協中來，能夠有效提高導向輥外協企業設備制造資源的利用率、降低企業的外協成本，促進制造企業之間的跨域協同。然而，由于在云資源池中具有相似功能的導向輥生產設備云制造資源（Cloud Manufacturing Resources，CMR）數目繁多，直接尋找滿足導向輥生產工序云制造需求（Cloud Manufacturing Demand，CMD）的最優生產設備CMR 效率較低。因此，在導向輥工序外協的初期，如何對種類數量多、功能相似的導向輥生產設備CMR 進行聚類，實現導向輥生產工序CMD 與生產設備CMR 集合的匹配，降低制造資源的尋優范圍已成為亟待解決的問題。

目前，關于云制造需求與資源集合的匹配方法已有很多國內外學者進行了相關研究。Bouzary 等[2]通過實施5 種分類算法并使用從制造能力數據中提取的TF–IDF 向量，成功檢索了相應子任務的候選集；馬仁杰等[3]采用區間數對質量信息進行描述，基于灰色關聯度計算服務質量匹配相似度，對服務資源類型、描述和質量信息進行了匹配；Zhang 等[4]提出了一種基于遺傳算法的客戶需求匹配算法，以保證所有任務的總成本和時間最低；高新勤等[5]在對云服務進行聚類預處理并形成多個服務類簇的基礎上，提出了加工設備云服務集合的初選方法；Xiao 等[6]提出了一種基于多維信息融合的制造資源匹配決策方法，用于實現制造資源的精確匹配；Wang 等[7]建立了Web 服務語言和人工神經網絡的Web 外包服務聚類和搜索模型；李成海等[8]提出一種基于屬性匹配的云制造服務資源搜索方法，并構造了關鍵詞規范化算法和參數化的屬性匹配算法；Xu 等[9]建立了基于關鍵字同義詞擴展的服務發現匹配模型；Tong 等[10]提出一種基于分布式哈希表的高效、便捷、智能資源發現機制的云制造分層資源服務模型。但是結合導向輥生產工藝及制造資源特點的CMD 與CMR 集合的匹配研究仍然較為匱乏。

可拓聚類是一種基于可拓學理論模型進行數據聚類的方法[11]，具有判斷數據所屬類別簡單高效的特點，被應用于量化分析社會網格變化[12]、建筑用戶需求發現[13]、預測電信運營商的指標[14]、礦井通風可靠性評價[15]、復雜產品系統模塊劃分[16]、質量狀態動態評估[17]、軟件質量測度[18]、服裝需求預測[19]等數據分析領域且均有很好的效果。因此，本文針對云制造模式下導向輥外協制造特點對傳統的可拓聚類算法進行改進，完成導向輥生產設備CMR 聚類集合與生產工序需求的匹配，最后通過實驗驗證該方法在導向輥工序外協中的有效性。

1 導向輥生產設備CMR 建模

1.1 制造工藝分析

導向輥按照有無鋼軸分為有鋼軸導向輥和無鋼軸導向輥兩大類，其中有鋼軸導向輥最為常見。本文也以此作為研究對象。有鋼軸導向輥主要由鋼軸、鋁堵、輥筒等三部分組成。結合對導向輥制造企業的調研分析，得到導向輥的生產工藝流程及其生產設備CMR 如圖1 所示。根據導向輥制造工藝所用設備的不同，本文將導向輥制造過程分為7 道工序，以每道工序作為不同的生產工序CMD，分別為下料、粗車鋼軸和鋁堵、精車輥筒、熱裝、精車導向輥、微弧氧化以及動平衡CMD。

圖1 導向輥制造工藝與設備制造資源Fig.1 Guide roller manufacturing process and equipment manufacturing resources

1.2 生產設備CMR 建模

設導向輥生產設備CMR 集合為R={q1,q2, …,qn}，其中，qi（i=1, 2, …,n）表示單個CMR，n表示導向輥生產設備CMR 的數量。

建立qi的物元模型為Ri：

則稱Ri為N維物元，其中C1,C2, …,Cm表示導向輥生產設備CMR 的m個不同的特征屬性，x1,x2, …,xm表示對應特征屬性的量值。

2 CMR 集合匹配方法

2.1 建立生產工序CMD 子集

根據上文對導向輥工藝進行分析，以導向輥的7道工序作為不同的制造需求，采用深入陜西北人印刷機械有限責任公司調研得到的常見有鋼軸導向輥每道工序的云制造資源數據作為原始數據，建立導向輥生產工序CMD 子集Ni'，具體步驟如下：

1）根據導向輥生產工序CMD 確定導向輥生產工序CMD 子集數量為7，即N1'—N7'。

2）選取導向輥生產設備CMR 的可用加工方法屬性類型為導向輥生產工序CMD 子集的數據屬性，其中C1為可加工最大質量，C2為可加工材料，C3為可加工最大長度，C4為可加工最大直徑。其余如加工精度、加工成本和質量等屬性因素將會在后續CMR最優選時作為資源的評價指標，這里不做考慮。

3）選取調研數據中的同類生產設備CMR 的各屬性值的最小值，并縮小10%作為需求子集的左端點a；選取各屬性的最大值，并擴大10%作為需求子集的右端點b。最終建立的導向輥生產工序CMD 子集如表1 所示。

表1 屬性數據Tab.1 Attributes

2.2 確定經典域和節域

1）參考文獻[20]中的方法，建立第i個云制造需求子集Ni'的經典域可拓物元模型為RNi，見式（2）。

式中：C1,C2, …,Cm為子集Ni'的m個不同的特征屬性；Vi1,Vi2, …,Vim分別為子集Ni'關于特征C1,C2, …,Cm的取值范圍，即為經典域，記作：

八十年代的“重寫文學史”，主要是在微觀層面上進行研究，或者是以整體觀念來看待整個二十世紀的中國文學。但是對一些宏觀理論例如怎樣對待文學與歷史之間的關系，怎樣重寫文學史，如何看待自己的學術立場等問題敘述不甚明了。筆者認為，對具體作家作品等重新研究評價之所以會成為“重寫文學史”的重心，關鍵在于“重寫文學史”表現出了諸多的自覺特點。

式中：i=1, 2, …,n；j=1, 2, …,m。

2）建立導向輥云制造需求子集Ni'的節域可拓物元模型為iPR，見式（4）。

式中：Wpm為Ni'的第m個特征Cm的對應量值范圍，即節域，記作：

式中：j=1, 2, …,m。

2.3 計算綜合關聯度

1）待聚類qi的每個屬性因子的權系數為：

式中：xij為待聚類qi的各屬性值；bij為待聚類制造資源qi所對應的經典域的最大值；j為因子，j=1,2, …,n；i為類別，i=1, 2, …,m。

2）根據文獻[21]中的方法，計算待聚類制造資源qi對Ni'各類別關聯函數的公式見式（7）。

式中：Ki(xj)為第j個物元Rj的每一個特征值與第i個經典域和節域之間的關聯函數，i=1, 2, …,n，j=1,2, …,m，其中n為經典域個數，m為物元的特征值個數；ρ(xj,Xij)為xj與區間Xij的距；ρ(xj,Xpj)為xj與區間Xpj的距；xj為物元Ri的第j個特征值；區間Xij為第i個經典域RNi的Vij；區間Xpj為節域RPi對應的Wpj，且Xij和Xpj無公共端點。

3）待聚類qi對Ni'的綜合關聯度計算公式為：

式中：Ki(qi)為物元Ri所代表的云制造資源qi與第i個Ni'的綜合關聯度。

2.4 導向輥CMR 聚類

待聚類qi的聚類流程如圖2 所示，具體步驟如下：1）取Ki=max(Ki(qi))，其中i=1, 2, …,m。

圖2 聚類流程Fig.2 Clustering flowchart

2）若Ki>0，則判定樣本qi屬于Ni'；若Ki=0，則無法判斷該樣本qi屬于該Ni'；若對一切i(i=1, 2, …,n)都有Ki<0，則可判定樣本qi不屬于所定的Ni'類。

3）通過上述步驟尋找出屬于相同需求子集Ni'的樣本qi，形成不同的云制造資源聚類集合KNi，完成云制造資源聚類。

2.5 導向輥CMR 集合與CMD 匹配

云制造資源集合與制造需求匹配流程如圖3 所示，具體步驟如下：

圖3 匹配流程Fig.3 Matching flowchart

1）從第i（i=1）個云制造資源集合KNi中隨機選取制造資源qj（j為隨機數）。

2）選取qj的可用加工方法屬性值x1，再選取導向輥制造需求集合N中的第i個導向輥制造需求Rti的加工方法屬性值xt1。

3）判斷x1是否與xt1相等，如果相等則KNi與Rti互相匹配；接著判斷KNi+1是否存在，如果存在則先執行i=i+1，回到起點繼續循環，不存在則循環結束，所有的制造資源與導向輥制造需求匹配完成。

4）如果x1與xt1不相等，則先執行i=i+1，再判斷實際導向輥云制造需求集合中是否還有制造需求，如果有，則繼續返回選取第i+1 個制造需求；如果沒有，則再判斷KNi+1是否存在，如果不存在則循環結束，所有的制造資源與實際導向輥制造需求匹配完成，如果存在則回到起點繼續循環。至此，全部的制造資源匹配完成。

3 實驗與分析

本文所用導向輥生產設備數據為深入企業調研后修改部分得到，實驗所選擇的10 例導向輥生產設備制造資源數據是從調研得到不同類別的數據中隨機抽取而來。導向輥生產設備CMR 和生產工序CMD屬性數據說明見表2，待聚類導向輥生產設備CMR屬性數據見表3，導向輥生產工序CMD 屬性數據見表4。

表2 屬性數據說明Tab.2 Description of attributes

表3 導向輥CMR 屬性數據Tab.3 Attributes of guide roller CMR

表4 導向輥CMD 屬性數據Tab.4 Attributes of guide roller CMD

實驗最終得到導向輥生產設備CMR 的聚類結果如表5 所示。由表5 可以看出，代號為q1與q2的CMR 被聚類到導向輥CMD 子集N1'下。分析q1與q2的各屬性值，發現屬性值較為接近，即q1與q2能夠完成的導向輥生產工序CMD 類似。同理，對其余聚類到一起的資源屬性值進行分析也能得到同樣的結果，聚類結果準確。

表5 樣本聚類結果Tab.5 Sample clustering result

導向輥生產工序CMD 與生產設備CMR 集合的匹配結果如表6 所示。可以看出，生產設備CMR 集合KN1中的代號為q1、q2的CMR 的可用加工方法屬性為鋸，因此均可滿足導向輥的下料需求N1。同理，其他資源集合中的CMR 也能完成所對應的導向輥生產工序CMD，實驗結果與實際需求情況一致。說明本方法對導向輥生產設備 CMR 集合與生產工序CMD 的匹配具有良好的效果。

表6 樣本集合匹配結果Tab.6 Sample set matching result

4 結語

針對云制造環境下，導向輥生產工序外協時直接搜索滿足導向輥生產工序CMD 的生產設備CMR 效率較低的問題，本文結合云制造模式下導向輥制造的特點，將可拓聚類算法引入導向輥生產設備CMR 聚類中，并對傳統的可拓聚類算法進行了改進，提出了基于改進可拓聚類的導向輥生產工序CMD 與生產設備CMR 集合匹配方法。本方法解決了可拓聚類算法無法直接在導向輥生產設備CMR 聚類中使用的問題，能夠有效地對導向輥生產設備CMR 進行聚類并且與生產工序CMD 匹配，縮小了搜索候選生產設備CMR 的范圍，提高了導向輥生產工序外協時云制造初期的匹配效率。為下一步按照加工精度和加工成本等評價指標尋找滿足導向輥生產工序CMD 的最優生產設備CMR 奠定了基礎。