云制造服务综合评价模型研究

胡艳娟， 武理哲， 王占礼， 张邦成

(1.长春工业大学 汽车工程研究院， 吉林 长春 130012；2.长春工业大学 机电工程学院， 吉林 长春 130012)

0 引 言

云制造(Cloud Manufacturing)[1]作为一种面向服务的网络化制造新模式，已经发展到了一种全新的服务制造模式和智慧制造手段[2]，其制造服务高度集成、高度模块化的特点，给相关产业发展带来了新的机遇。对云制造服务进行综合评价是保障云制造服务活动能否顺利运行的关键,因此,科学合理的对云制造服务进行评价具有十分重要的意义。

从整个云制造全生命周期活动中可以看出，云制造平台汇集了大量的制造服务资源[3]。通过对制造任务进行分解、需求分析、功能需求匹配，把集成化的制造服务资源分解为多个不同的服务组合，实现了“分散资源集中使用，集中资源分散服务”和高效低耗的目的[4]。制造服务的动态性、多样性、离散性等特点，给制造服务的服务能力提出了更高的要求。因此对制造服务进行综合评价，不仅能增强不同服务自身的竞争能力，还能集中优势资源、降低生产成本、实现云制造服务资源的优势互补。因此在云制造环境下，对云制造服务展开评价研究至关重要。

目前对于云制造服务评价已有一些研究成果，在云服务评价指标体系方面，文献[5]针对云制造服务评价质量提出了评价性能等6类二级指标，响应时间等11类三级指标。文献[6]对于云服务信誉进行了评价，提出了时间控制、经济效率、加工质量、服务态度、业务规模、物流效率6类评价指标。文献[7]针对云服务安全，提出了包括控制措施等4类二级指标，安全管理等16类三级指标。文献[8]把信誉评价指标分成3类，包括时间、质量等16个二级指标。文献[9]提出了运行安全等4类二级指标，网络安全等11类三级指标。在服务评价方法方面，文献[10]结合遗传算法对服务进行评价优化得出最优的服务质量。文献[11]为了使云服务资源有效利用，提出了基于熵优化和蚁群聚类的云资源评价模型。文献[12]考虑服务质量的复杂性，提出了基于模糊层次分析法(FAHP)和逼近于理想解的排序方法(TOPSIS),构建了服务评价选择模型。

从上述文献中可以看出,评价指标体系的建立是进行云制造服务评价的基础和关键。而在目前的云制造服务综合评价指标体系中，每种评价类别下的评价指标都不相同，不仅有定性和定量的指标，还有正指标、逆指标之分，具有多样化、层次化的特点。此外针对同一类型云服务的评价，不同研究者给出的评价指标差别很大，不具有通用性和可扩展性。在评价方法上，虽然运用了多种方法相结合进行综合评价，但是由于云制造服务自身的模糊性、复杂性等，很难得出科学、合理的评价结果。因此建立一个通用、柔性的云制造服务综合评价模型尤为重要。

云制造服务评价涉及大量复杂的因素，模糊数学[13]具有定性和定量评价优势，可以很好地将一些边界不清、不易定量的因素定量化，直观地反映评价指标对应的隶属程度，从而更加客观、准确地反映评价的真实情况。基于上述情况，文中结合模糊数学理论建立了模糊综合评价模型，并通过相关实例验证了该评价模型的实用性，对进一步筛选云制造服务具有一定的借鉴作用。

1 模糊综合评价多级模型的建立

模糊综合评价的基础是模糊数学，其方法就是把待考察的模糊对象和反映模糊对象的模糊概念作为模糊集合，建立适当的隶属函数，并通过模糊集合论的有关运算和变换，对模糊对象进行定量分析。模糊综合评价模型能较全面地汇总各评价主体的意见，综合反映被评对象的优劣程度。

1.1 建立多级综合评价指标体系

云制造服务是一个复杂的服务组合系统，如何建立一套科学、合理、可靠的云制造服务评价指标体系十分重要。由于云制造服务评价包含的因素较多，文中在注重综合性、代表性基础之上选取有效的评价指标。同时针对不同实际情况，该评价体系可以根据需求增加和减少。根据以上原则，结合云制造服务特点，文中建立了制造服务能力、服务质量、服务交易保障三大类一级评价指标。云制造服务综合评价指标(1)～(3)分别见表1～表3。

表1 云制造服务综合评价指标(1)

表2 云制造服务综合评价指标(2)

表3 云制造服务综合评价指标(3)

1.2 建立多级评价因素集

根据表1～表3可知,云制造服务综合评价是一个具有三级指标的评价体系。因此，对每一个一级指标即制造服务能力、服务质量、服务交易保障的评价都构成一个模糊评价过程。也就是说，先对每一个一级指标对应的三级指标进行综合评价，然后再对二级指标进行评价，最后再对一级指标进行评价，这样逐层评价便可得出最终的评价结果。由此得到多级评价因素集。

1.2.1 一级评价因素集

C={S1，Q1，P1}

式中：C----云制造综合评价指标;

S1----服务能力评价指标;

Q1----服务质量评价指标;

P1----服务交易保障评价指标。

1.2.2 二级评价因素集

S1={S21，S22，S23，S24}，

Q1={Q21，Q22，Q23}，

P1={P21，P22，P23}.

式中：S21----制造资源优化配置能力;

S22----人员素质能力;

S23----柔性制造能力;

S24----绿色制造能力;

Q21----服务时间;

Q22----服务成本;

Q23----服务信誉;

P21----服务可靠性;

P22----服务响应性;

P23----服务安全性。

1.2.3 三级评价因素集

S21={S231，S232，S233，S234，S235}，

S22={S236，S237，S238}，

S23={S239，S2310，S2311，S2312，S2313，S2314}，

S24={S2315，S2316，S2317，S2318，S2319，S2320，S2321}.

式中：S231----资源分解能力;

S232----资源组合能力;

S233----资源协调能力;

S234----设计方案优选能力;

S235----制造工艺管理能力;

S236----科技人员数量;

S237----高级技工数量;

S238----员工文化水平;

S239----机器柔性;

S2310----工艺柔性;

S2311----产品柔性;

S2312----生产能力柔性;

S2313----维护柔性;

S2314----扩展柔性;

S2315----绿色设计能力;

S2316----绿色材料选购与选择能力;

S2317----绿色生产工艺规划能力;

S2318----绿色消费使用包装和运输能力;

S2319----绿色回收与拆卸能力;

S2320----绿色再制造和零件重复使用能力;

S2321----废物排放的绿色处理能力。

Q21={Q231，Q232，Q233}，

Q22={Q234，Q235，Q236}，

Q23={Q237，Q238，Q239，Q2310，Q2311，Q2312}.

式中：Q231----产品制造时间;

Q232----物流服务时间;

Q233----服务响应时间;

Q234----产品制造成本;

Q235----物流服务成本;

Q236----成本控制能力;

Q237----产品使用功能满意程度;

Q238----产品原材料满意度;

Q239----售后服务满意度;

Q2310----产品按时交货率;

Q2311----合同履约率;

Q2312----产品合格率。

P21={P231，P232，P233，P234，P235，P236}，

P22={P237，P238}，

P23={P239，P2310，P2311，P2312，P2313，P2314}.

式中：P231----服务态度友好性;

P232----服务订单支付能力;

P233----服务协作性;

P234----服务合规性;

P235----服务稳定性;

P236----服务成功率;

P237----服务准时性;

P238----服务及时性;

P239----服务有效性;

P2310----网络通讯能力;

P2311----系统故障恢复能力;

P2312----数据信息保护能力;

P2313----信息的完整性;

P2314----信息的可用性。

1.3 建立第三级指标评价标准

由于第三级评价指标取值范围不同，类型多种多样，具有很大的波动性，所以需要统一标准。根据实际情况并查阅相关资料，将评价指标的评价标准分为优、良、中、合格、差五个等级。其中云制造服务定性评价指标的标准有33个，定量的评价指标的标准有14个，分别见表4～表6。

表4 云制造服务评价指标标准值(1)

续表4

表5 云制造服务评价指标标准值(2)

表6 云制造服务评价指标标准值(3)

续表6

1.4 建立多级模糊关系矩阵R

根据表1～表3以及表4～表6，首先对指标进行模糊处理，然后要逐个对被评指标从每个因素上进行量化，即确定评价指标与对应等级模糊子集的隶属度。基于这种思想，文中提出了采用模糊梯形分布函数来计算每个评价指标的隶属度，该函数相比三角隶属度函数计算更简便，而且非常实用。由于有的评价指标是越大越好，有的是越小越好，所以针对这种情况,对于越大越优型的指标采用模糊升梯形公式，对于越小越优型的指标采用模糊降梯形公式。

1.4.1 模糊升梯形公式

(1)

(2)

(3)

(4)

(5)

1.4.2 模糊降梯形公式

(6)

(7)

(8)

(9)

(10)

式中：v1,v2,v3,v4,v5----分别为优、良、中、合格、差对应的指标评价标准值;

xi----不同评价因素集对应于指标的实际值;

r1,r2,r3,r4,r5----经过模糊运算后的五个等级的隶属度值，其中ri∈[0,1]。

由式(1)～式(10)得出的每个评价指标的隶属度值，可构造多级模糊隶属度子集Ri,Ri=(ri1,ri2,…,rim),从而得到模糊矩阵或评价矩阵R:

(11)

1.5 确定评价指标的权重

层次分析法(AHP)是一种主观确定评价指标权重的方法，其主观性较强，包含了专家的经验知识和决策者的意见；而熵权法是一种客观确定评价指标权重的方法，能够对原始数据进行非常客观的评价，客观性较强。如果对层次分析法和熵权法进行综合，就可以更客观、科学地计算出评价指标的权重值。

由于第一级、第二级的评价指标没有对应的实际值，所以其权重值用层次分析法来确定。而第三级评价指标有实际值，所以用熵权法得出其实际的权重，再用层次分析法得出其主观权重。通过主观与客观相结合，即可得到第三级评价指标的综合权重:

(12)

式中：wi----层次分析法得出的权重;

βi----熵权法得出的权重;

αi----综合权重。

1.6 合成多级模糊综合评价结果F

实际中对于评价结果的隶属程度最常用的方法是最大隶属度原则，但这种方法的缺点是在某些情况下使用会损失信息很多，甚至得出不合理的评价结果。因此用加权平均来求隶属等级的方法被提出，对于多个被评事物可以依据其等级位置进行排序，文中模糊综合评价方法就采用了“加权平均型”模型。将综合权重αi与各级被评事物的模糊关系矩阵R进行合成，得到各级被评事物的模糊综合评价结果向量F:

F=α*R=

(13)

式中：αi----综合权重;

R----模糊关系矩阵;

F----模糊综合评价结果向量。

2 评价结果等级分类

由于文中是三级综合评价指标体系，所以按照多级模糊综合评价模型的步骤，先对第三级指标进行评价，然后对第二级指标进行评价，最后再对第一级指标进行评价。经过多级评价之后达到最终的评价结果。另外,对于云制造服务的多样性，不同的服务需求可能对同样的指标重要程度要求不同，因此要使综合评价模型更加符合实际情况。

对于第一级评价指标运用层次分析法求出三种权重。

第一种权重方式：

wS>wQ>wP

第二种权重方式：

wP>wQ>wS

第三种权重方式：

wQ>wP>wS

式中：wS----制造服务能力权重值;

wQ----服务质量权重值;

wP----服务交易保障权重值。

综合以上情况设立评价结果标准矩阵N=[100,90,80,65,55]，分别对应优、良、中、合格、差的值。则总的评价结果Z由下式得出:

Z=F*N

(14)

式中：N----评价结果标准矩阵;

F----模糊综合评价结果向量;

Z----总的评价结果值。

最后根据Z的数值，对照等级分类划分不同的评价等级,见表7。

表7 等级分类

3 结 语

以模糊数学理论为基础，针对云制造服务的特点，提出了利用层次分析法、熵权法和模糊综合评价法建立综合评价等级分类模型。主要成果如下:

1)根据云制造服务评价的特征，构建了较为完善的三级评价指标体系(一级指标3个，二级指标10个，三级指标47个)，具有很强的代表性，同时该评价体系可以根据服务用户的实际需求进行适当的修改。

2)建立的云制造服务评价指标标准和模糊隶属度函数能够对评价指标进行定性和定量分析。

该模糊综合评价等级分类模型具有评价指标权重设置合理，评价步骤明确，评价规则简单,指标量化和数据处理容易实现等特点，具备很强的通用性。因此该模型可应用于各种云制造服务，可以简便地评价出不同评价对象的关键制约问题,从而给多种类型的服务用户提供更有价值的参考，对于云制造服务的进一步完善具有重要的意义。

参考文献：

[1] 李伯虎，张霖，任磊，等.再论云制造[J].计算机集成制造系统，2011,17(3):449-457.

[2] 姚锡凡,练肇通,杨屹,等.智慧制造:面向未来互联网的人机物协同制造新模式[J].计算机集成制造系统,2014(6):1490-1498.

[3] Xu X. Cloud manufacturing: a new paradigm for manufacturing businesses[J]. Australian Journal of Multi Disci-plinary Engineering,2013,9(2):105-116.

[4] Liu N, Li X. Granulation-based resource classification in cloud manufacturing[J]. Proceedings of the Institution of Mechanical Engineers Part B Journal of Engineering Manufacture,2015,229(7):1258-1270.

[5] 黄云.基于QoS的云服务评价模型及应用的研究[D].杭州：浙江工商大学,2013.

[6] Li C, Wang S, Kang L, et al. Trust evaluation model of cloud manufacturing service platform[J]. Internatio-nal Journal of Advanced Manufacturing Technology,2014,75(1-4):489-501.

[7] Li M, Bardi M. A risk assessment method of cloud computing based on multi-level fuzzy comprehensive evaluation[C]// International Conference on Cyberspace Technology. IET,2014:124-127.

[8] Yan K, Cheng Y, TAO F. A trust evaluation model towards cloud manufacturing[J]. International Journal of A-dvanced Manufacturing Technology,2016,84(1):133-146.

[9] 余本功,汪柳,郭凤艺.基于灰色模糊层次分析法的企业云服务安全评价模型[J].计算机应用,2014,34(S2):91-94，112.

[10] Strunk A. QoS sware service composition a survey[C]//Proceedings of IEEE European Conference on Web Services. Washington， D C, USA: IEEE，2011:67-74.

[11] Zuo L, Dong S, Zhu C, et al. A cloud resource evaluation model based on entropy optimization and ant colony clustering[J]. Computer Journal,2015,58(6):1254-1266.

[12] Setiawan N Y, Sarno R. Multi-criteria decision menking for selecting semantic Web service considering variability and complexity trade off[J]. Journal of Theoretical & Applied Information Technology,2016,86(2):316-326.

[13] Yang T X, Ping G X. Application of fuzzy mathematical method in evaluation of seawater intrusion[J]. Journal of Hydraulic Engineering,2003,34(8):64-69.