一种云制造环境下数控机床优选方法与流程

本发明涉及一种云制造环境下数控机床优选方法，该方法首先对云制造环境下数控机床优选机制和架构进行了研究，然后建立了云制造环境下数控机床优化评价指标体系，并在此基础上构建了云制造环境下数控机床优选模型，最后利用topsis综合评价方法和改进粒子群算法(pso)分别对单个数控机床服务模式和数控机床组合服务模式下数控机床优选模型进行求解，以实现云制造环境下数控机床服务的优选。该发明属于智能制造技术领域。

技术背景

随着互联网、物联网、云计算、大数据等新一代信息技术与制造业深度融合应用，云制造作为一种基于网络、面向服务的制造新模式应运而生，借助云制造公共服务平台为量大面广的资源提供企业和资源需求企业提供基于网络的协同制造服务，以促进广大制造企业向网络化、服务化、智能化方向发展。在传统制造模式下，数控机床作为传统装备制造企业维持正常生产运作的重要基础装备之一，大量“高、精、尖”数控机床闲置，广大中小企业数控机床资源使用受限，同时市场竞争的日益激烈及用户需求个性化使得企业在工艺参数优选、工艺路径优化、工艺优化、数控编程、设备维护维修等方面都需要花费大量的资源进行设计和管理。云制造作为一种将广域范围内的优质制造资源集中起来，再分散地为各需求用户提供服务的制造新模式，为以上问题的解决提供了一种新思路。云制造环境下数控机床优选是以数控机床适配接入云制造平台为前提，是实现对云制造平台上虚拟的广域异构数控机床设备的协同共享和网络化优化配置的关键技术之一。云制造环境下数控机床的服务模式与传统制造模式下数控机床的服务模式大不相同，根据数控机床信息构成、加工方式、所受约束、所处地域等自身属性可知，在云制造服务环境下，数控机床主要特点体现在：

①高度自治性：云制造环境下数控机床已实现集成化管理和网络化配置，但针对单个数控机床而言，仍是一个独立的整体，具有独立的操作系统和服务端接口，数控机床两两之间互不影响，具有高度自治性。

②异质异构性：云制造环境下数控机床种类和型号各异，每种类型和型号的数控机床加工范围、服务质量、服务接口、操作系统等都各不相同，例如车床操作系统就有fanuc数控系统、siemens数控系统、华中数控系统、世纪星数控系统、三菱数控系统等。

③异地分散性：科研院所、大型集团企业大量闲置的数控机床通过云制造平台实现了虚拟化集成共享，但由于地域的约束使得数控机床具有异地分散的特性。

④服务多样性：云制造环境下数控机床的类型主要有数控立式机床、数控卧式机床、车削加工中心等，可提供的服务包括车削加工、螺纹加工、孔加工、特殊加工等，使得数控机床服务范围广泛、服务方式多样，可满足各类用户的不同加工需求。

⑤动态多变性：数控机床状态有运行、停机、报警、维修、可预订等，在提供服务时，服务类型的多样性产生不同的数控机床实时加工状态，同时数控机床承担云服务任务也将根据用户需求相应变化，故具有动态多变性。

⑥功能自适应性：云制造环境下每台数控机床分属于一个智能制造实体，具有对外界环境的智能感知、对生产指令的智能处理等功能，对生产过程中所处环境的变化具有自适应性。

鉴于此，本发明将围绕数控机床资源在云制造环境下的特点及优选需求，融合应用云计算、物联网等先进信息技术及开发技术，提出一种云制造环境下数控机床优选方法，以支持广域异构数控机床的优化配置。

技术实现要素：

本发明涉及一种云制造环境下数控机床优选方法。该方法在分析了云制造环境下数控机床约束特性的基础上，对云制造环境下数控机床优选机制和架构、数控机床优化评价指标体系、数控机床优选数学模型、数控机床优选模型求解等四个方面进行研究，以解决分散于广域时空范围内不同企业的异构数控机床资源在云制造服务环境下的优选问题，推动云制造服务模式的应用和推广。本发明的技术方案为：

本发明首先对云制造环境下数控机床优选机制和架构进行总体分析，并在此基础上结合云制造环境下数控机床的特点，提出了一种包括成本c、质量q、时间t、服务满足能力m、信息交互能力i、知识能力k、容错能力f、服务可靠性r、综合满意度s等九大评价指标的云制造环境下数控机床优化评价指标体系，基于所提出的数控机床优化评价指标体系对云制造环境下数控机床优选模型及模型求解进行了详细的设计。

(1)云制造环境下数控机床优选模型

云制造环境下数控机床服务优选过程是包括成本c、质量q、时间t、服务满足能力m、信息交互能力i、知识能力k、容错能力f、服务可靠性r、综合满意度s等九大指标体系的多目标优化过程。针对每一个评价指标，都是由各评价指标的对应的子任务指标因素组成的矢量矩阵，如成本的评价指标c可看作由n个分量组成，表示为c＝(c1,c2,…,cn)，同时每个子任务指标的决策问题由若干个决策变量组成，如c1＝(x,y,…)，这里x,y等决策变量代表数控机床候选资源集基于以上分析可建立如下的云制造环境下数控机床优选模型如下：

式中：

式中opt(i)表示每个评价指标的标准化后的数值，ωi为每个评价指标对应的权重值。

针对数控机床组合云服务过程，根据web服务流程执行语言定义的主要流程控制活动：顺序、并行、选择和循环结构，结合云制造环境下数控机床的组合云服务业务流程活动的特点可知，数控机床组合云服务业务流程活动执行过程主要为顺序结构，得出各评价参数的计算模型如表1所示。

表1数控机床云服务各评价指标计算模型

表1中，n为组合云服务过程中云需求分解后的子任务个数。

本发明所提出的优选决策指标涵盖了经济、技术、加工服务能力、安全可靠性等指标，以上各评价指标具有不同的量纲和量纲单位，为消除由于因量纲不同产生的不可公度性，需对各评价指标进行无量纲化处理。

对于值越大越好的技术类和安全可靠性类指标，如质量q、服务满足能力m、信息交互能力i、知识能力k、容错能力f、服务可靠性r、综合满意度s，采用以下公式进行标准化处理：

对于值越小越好的经济类指标，如成本c、时间t，采用以下公式进行标准化处理：

式中，xij表示资源评价指标，表示资源评价指标最大值，表示资源评价指标最小值。

(2)云制造环境下数控机床优选模型求解

云制造环境下数控机床的优选包括点对点(单个数控机床服务模式)、点对多(数控机床组合服务模式)。针对单个数控机床服务模式下的数控机床资源优选决策模型的求解，为消除数据定量处理带来的困难及两两评价指标间互不独立，关联性较强等问题，采用topsis综合评价方法对模型的求解过程进行了分析探讨；针对数控机床组合服务模式下的数控机床优选决策模型的求解，为解决组合服务过程带来优选过程的复杂性，采用改进粒子群算法(pso)对模型进行求解。两种求解方法具体为：

①单个数控机床服务模式下的优选模型求解方法

topsis综合评价方法即逼近理想解排序法，是在标准化后的决策矩阵的基础上，找出最优和最劣方案。该评价方法充分利用了原有数据信息，与实际情况比较吻合，适用于云制造环境下数控机床优选决策过程，具体实现步骤如下：

1)建立候选资源初始评判矩阵

假设存在cncr1,cncr2,…,cncrm共m个候选资源组成资源集cncr＝{cncr1,cncr2,…,cncrm}，每个候选资源具有x1,x2,…xn评价指标组成指标集x＝{x1,x2,…xn}，相应的评价指标记为xij(i＝1,2,…,m；j＝1,2,…,n)，即xij表示第i个候选资源中第j个评价指标，建立初始评判矩阵为：

2)建立候选资源标准化决策矩阵

根据1)、2)中的公式对候选资源集中各评价指标进行标准化处理，建立候选资源标准化决策矩阵。

3)确定候选资源各评价指标的权重

用户根据自身需求对每项评价指标的重视程度，确定每项指标的权重ωi，得到评价指标的权重矩阵为：

ω＝(ω1,ω2,…,ωj,…,ωn)

4)建立候选资源加权标准化决策矩阵

加权标准化决策矩阵d由标准化决策矩阵s的列元素与各评价指标的权重ωn相乘求得。

5)计算各候选资源与理想解之间的距离

由上述加权标准化决策矩阵可以写出其正负理想解的表达式如下：

其中，d⁺和d^-分别表示正理想解和负理想解。j1为技术、安全可靠性类指标组成的集合，j2为经济类指标组成的集合。

因此，可以求得各候选资源与正负理想解之间的距离为：

其中，和分别为各候选资源与正负理想解之间的距离，与分别为正负理想解组成集合中对应的元素。

6)计算各候选资源贴近度

候选资源贴近度表示的是候选资源靠近相应理想解远离其它理想解的程度。在进行贴近度计算时，贴近度取值范围为e∈[0,1]，因此，一般只考虑各候选资源与正理想解的贴近度，其计算表达式为：

通过计算各候选资源贴近度，并根据贴近度值对候选资源进行排序，贴近度值越大，对应的候选资源越优。

②组合服务模式下的优选模型求解方法

粒子群算法(particleswarmoptimization，简称pso)于1995年kennedy和eberhart提出。该算法是基于群智能的演化计算技术，通过群体中粒子间的合作与竞争产生的群体智能来指导优化搜索，初始化一群随机粒子，采用迭代方法使得每个粒子自身的最优位置和速度与群体中最好粒子接近，从而得出最优解。标准的粒子群算法是以下面两式作为粒子的位置和速度的更新。

vid＝vid+c1r1(pid-xid)+c2r2(pgd-xid)

xid＝xid+vid,i＝1,2,…n,d＝1,2,…,d

式中，c1，c2为学习因子，且为非负数；r1，r2为(0,1)之间均匀分布的随机数；d为维数；pid表示粒子i迭代过程中自身的最优值，pgd表示群体最优值。

基本粒子群算法大多被用来解决连续函数优化问题，而本发明所涉及的云制造环境下数控机床组合优选问题属于离散目标优化问题，因此，需对基本粒子群算法进行改进，结合国内外相关领域的研究成果，将遗传算法中的交叉和变异引入粒子群算法中，利用遗传算法中的交叉模型和变异模型对粒子适应度函数值、粒子的速度和位置进行更新，从而加强了粒子之间区域的搜索能力，提高搜索全局最优的搜索速度和收敛精度。改进粒子群算法具体如下：

1)编码设计

云制造环境下数控机床组合优选问题首先要对数控机床各子需求任务对应的候选资源进行编码设计，最终得到的优选结果是关于子任务ti的最优资源选择，表示第i个子任务对应第j个数控机床候选资源，同时遗传算法变异、交叉策略中的染色体个数应与粒子群算法中的粒子个数相对应，故编码方式可表示为：

2)粒子初始化

基于对云制造环境下数控机床优选机制和架构分析，对数控机床组合优选过程的粒子与候选资源进行映射的过程即为粒子初始化过程。设数控机床组合云服务需求分解为相应的子任务需求集合为{t1,t2,…,tn}，并在每个子任务节点上分配相应的粒子，且每个子任务需求对应有m个候选资源{cncr1,cncr2,…,cncrm}，即每个粒子对应的搜索空间维度为m维，粒子搜索范围为[1,m]。

3)适应度函数的设计

基于云制造环境下数控机床优选模型可知，数控机床优选评价指标为成本c、质量q、时间t、服务满足能力m、信息交互能力i、知识能力k、容错能力f、服务可靠性r、综合满意度s，其中包括值越大越好的技术类和安全可靠性类指标，如质量q、服务满足能力m、信息交互能力i、知识能力k、容错能力f、服务可靠性r、综合满意度s；也包括值越小越好的经济类指标，如成本c、时间t，为此，论文设计并提出以下函数作为改进粒子群算法的适应度函数。

上式中，ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9分别为时间t、成本c、质量q、服务满足能力m、信息交互能力i、知识能力k、容错能力f、服务可靠性r、综合满意度s所对应的权重值，且适应度函数fitness(pⁱ)值越大，则该粒子越优秀。

4)交叉策略

改进粒子群算法的进化策略是借鉴遗传算法中的交叉算子实现，个体粒子通过与群体个体最优值pcbest和群体最优值gcbest交叉更新，得到新的粒子。交叉过程采用双点交叉策略，减少由于种群选择效果不当而产生的优秀个体粒子丢失，并保持种群的多样性，使得粒子群算法不易陷入最小值，从而提高算法效率。双点交叉操作实例如下：如有两个粒子p¹,p²，其中p¹＝{a1,a2,a3,a4,a5,a6,a7,a8,a9}，p²＝{b1,b2,b3,b4,b5,b6,b7,b8,b9}，在粒子a1，b1之后及a6，b6之前设置两个交叉点进行交叉策略操作，得到新粒子p^1′＝{a1,b2,b3,b4,b5,a6,a7,a8,a9}，p^2′＝{b1,a2,a3,a4,a5,b6,b7,b8,b9}。

5)变异策略

粒子群算法在进行数控机床优选过程中由于参数设置和时间空间的影响，可能会产生早熟现象，为消除优化过程中粒子的早熟，在粒子群算法中引入变异策略。在求解过程中对个体最优粒子pcbest进行变异操作，变异过程为随机变异，即随机选择粒子搜索空间中的两个位置，对这两个位置的值进行交换操作。如粒子p＝{a1,a2,a3,a4,a5,a6,a7,a8,a9}，对粒子第2位和粒子第6位的值进行交换变异操作，得到新粒子p′＝{a1,a6,a3,a4,a5,a2,a7,a8,a9}。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1是云制造环境下数控机床优选机制和架构

图2是云制造环境下数控机床优化评价指标体系

具体实施方式

下面结合附图对本发明作进一步详细的描述。

如图1所示，云制造环境下数控机床优选机制为：①用户在云制造平台对自身的数控机床服务需求进行描述并发布到云制造平台，形成云需求库，云需求库中的需求可分为两类，一类是单个数控机床云服务需求(点对点需求)，一类是数控机床组合云服务需求(点对多需求)；②云制造平台根据数控机床云服务需求，针对单个数控机床云服务需求直接调用需求——资源匹配器，在数控机床云资源库(制造加工服务、知识服务)中匹配符合用户数据车床云服务需求的候选资源或服务并形成候选资源库；针对数控机床组合云服务需求，采用任务分解器，对需求进行分解形成子需求，再调用需求——资源匹配器，完成候选资源库的形成；③在候选资源库的基础上，采用数控机床优选评价指标体系，建立优选模型，并采用优选算法对数控机床候选资源服务进行最终的服务优选；④优选得到的数控机床资源服务在云制造平台上以资源服务列表的形式为用户进行展示，用户可直接订购资源服务列表的资源获取相应的服务；⑤数控机床服务完成后，用户根据服务的质量、服务效率等因素在云制造平台上对其进行实时反馈，供下一次该资源服务被优选时做参考。

如图2所示，为云制造环境下数控机床优化评价指标体系，其中：

①成本c

数控机床服务成本c是指通过云制造服务平台获取数控机床服务过程中产生的各类费用的总和。主要包括有物流成本c1、加工服务成本c2、管理成本c3等，其中物流成本受车床所处地域制约，管理成本是指通过云制造平台获取服务的过程中支付给云制造平台的管理服务费用，故可得c＝c1+c2+c3。

②质量q

数控机床服务质量q是指用户获取的数控机床服务满足用户质量要求的程度，体现的是数控机床云服务过程中能够达到的零件精度等级与加工能力的评估，主要包括零件加工精度q1、加工零件合格率q2、加工零件粗糙度q3等。数控机床的质量衡量指标受数控机床二级约束服务能力、服务质量等因素的制约，故可得其中ωi为各质量衡量指标所对应的权重，且qsi为各质量评价指标标准化后的值。

③时间t

数控机床服务时间t是指从贯穿数控机床云服务从响应用户订单到产品交付用户的全过程，主要包括物流时间t1、加工服务时间t2、加工准备时间t3，其中物流时间受数控机床所在地域制约，加工服务时间、加工准备时间受数控机床加工服务能力制约，故可得数控机床服务时间t＝t1+t2+t3。

④服务满足能力m

数控机床服务满足能力m是指满足用户需求的能力，主要包括加工尺寸满足性m1、加工精度满足性m2、加工类型满足性m3、加工工艺满足性m4、批量合格率满足性m5等评价指标，服务满足能力m主要受二级约束服务能力的约束，可表示为其中mi为服务满足能力的各评价指标标准化后的值，ωi为各指标对应的权重值。

⑤信息交互能力i

数控机床信息交互能力i是指在数控机床提供方给需求方提供服务的过程中，需求方与提供方之间进行信息交互和业务协调的能力，主要包括订单响应能力i1、订单交互能力i2、加工监控能力i3、进度反馈能力i4等，信息交互能力i值的大小主要受数控机床智能化程度与所属企业信息化管理水平制约，可表示为其中为各指标标准化后的值，ωi为各指标对应的权重值。

⑥知识能力k

数控机床知识能力k主要用来衡量云制造环境下数控机床在数控程序、工艺优化方案、加工经验知识、维护维修知识等方面的知识保有量和可用性，主要包括有知识保有量k1和知识可用性k2，知识能力k的大小主要受二级约束服务能力的制约，设某台数控机床资源的知识记录条数为sum(ki)，可供用户使用和获取的数控机床知识记录条数为sum′(ki)，则知识可用性k2可表示为k2＝sum′(ki)/sum(ki)，知识保有量k1可直接表示为sum(ki)。知识能力k＝ω1k1+ω2k2，其中ω1,ω2分别为知识保有量k1和知识可用性k2权重值，k1,k2分布为知识保有量k1和知识可用性k2标准化后的数值。

⑦容错能力f

数控机床容错能力f是指数控机床在提供服务的过程中发生设备故障时的可替代性和设备的可修复性能力，主要包括设备可维护性f1、技术保障能力f2和功能相似程度f3等，容错能力的大小主要受二级约束活动服务能力约束、智能化约束的制约，容错能力可表示为其中：ω1，ω2，ω3分别表示f1，f2，f3的权重值。针对功能相似程度f3，设数控机床资源si、sj同属于资源类a(s)，若存在则sj可替代si，其中∪funsi表示si所支持的服务集合。设a(s)的资源数为nas，si的可替代资源数为则

⑧服务可靠性r

数控机床服务可靠性r是衡量数控机床云服务是否可靠的重要指标，主要包括有数据安全性r1、服务执行成功率r2和设备故障率r3等。服务可靠性r的大小主要受二级约束活动服务能力、服务质量、智能化、交易等约束的制约，其中数据安全性r1可针对数控机床智能化程度及数据保密性程度进行评分rgrade；服务执行成功率r2可表示为该台数控机床服务成功条数sum(rj)与服务总记录条数sum(ri)的比值；设备故障率r3可表示为数控机床下线时间toff与在线时间ton的比值，所以服务可靠性可表示为：

⑨综合满意度s

数控机床综合满意度s是指数控机床服务完成后，在云制造服务平台上给出的数控机床资源的综合评价，主要包括用户综合评价s1、企业信誉度评价s2和售后服务能力s3等。综合满意度s的大小受二级约束活动交易约束的制约，其中用户综合评价s1是可表示为用户为资源打分的平均值式中m为用户评价的记录条数，为用户评价打分的总得分；企业信誉度评价s2、售后服务能力s3的计算同用户综合评价s1；从而综合满意度可表示为其中ωi为各评价指标的权重，且∑ωi＝1，si为各评价指标标准化后的数值。