面向制造任务的云制造虚拟车间构造方法

赵秋云，魏 乐，舒红平

（1.成都信息工程大学软件工程学院，成都 610225；2.软件自动生成与智能服务四川省重点实验室（成都信息工程大学），成都 610225）

0 引言

云制造是一种利用网络和云制造服务平台，按用户需求组织网上制造资源，为用户提供各类按需制造服务的一种网络化制造新模式［1］。从1.0 到3.0，云制造已经成为一种数字化、网络化、云化、智能化的新智能制造［2］。在云制造环境下，各类制造资源以制造云服务的形式存在于云制造服务平台中，用户可以利用这些制造云服务，按需开展各项业务活动。与传统制造企业开展业务的方式不同，以制造活动为例，传统制造活动的开展是在物理上真实存在的车间进行的，但云制造环境下的制造活动开展是依靠地理位置分散的制造云服务进行的，这些制造云服务构成一个虚拟的云制造车间。车间是企业生产增值活动的场所，在企业生产活动中发挥着必不可少的作用，因此研究云制造环境下的虚拟车间构造具有重要的意义。

虚拟车间是伴随虚拟制造技术而出现的一个概念，随着敏捷制造、协同制造等模式的应用，其内涵也不断丰富和发展。云制造将制造技术与新一代信息通信技术相结合，强调制造资源集成和按需服务［3］。因此云制造模式下的虚拟车间需要重点关注如何有效组织相关云服务，形成以生产为核心的实体，并通过合理的调度，保证生产活动的顺利进行，即解决云制造虚拟车间构造和虚拟车间调度两个核心问题。在虚拟车间调度方面，人们建立了云制造车间调度的模型和框架，并提出了相关的车间调度算法［4-9］，但对云制造虚拟车间构造的研究尚不多见。

云制造虚拟车间构造主要涉及两个核心问题：1）明确云制造虚拟车间的内涵，建立云制造虚拟车间构造模型，实现车间人员-机器-物料-环境的融合；2）如何针对车间的制造任务，快速地选择合适的云服务，构造虚拟车间，保证制造任务的执行，即制造云服务组合优化问题。当前，云制造虚拟车间被认为是能够有效进行某类生产制造活动的虚拟制造单元的集合，包含虚拟制造单元、组织结构、交互关系和对外服务四个要素［10］。制造云服务组合优化是云制造的一个关键问题，当前研究从云服务组合优化模型［11］、组合优化架构［12］、组合优化平台［13］和组合优化算法［14-26］几个方面展开，其中对组合优化算法的研究是一个热点。通过梳理当前研究发现，制造云服务组合优化均是在定义相关属性指标的基础上，试图寻找一个最优的组合方案。其求解策略大致分为三种：1）采用多属性匹配的方法，直接从服务资源池中寻找各属性最优的云服务；2）将云服务进行分类以缩小查找范围，再通过属性匹配的方法寻找最优解；3）将云服务组合优化看作多目标优化问题，利用多目标优化算法或改进的多目标优化算法进行求解。第一种方法的优点是可以找到最优解，但在云服务数量较多的时候效率不高；第二种方法的优点是通过分类缩小了查找范围，提高了效率，但可能出现由于分类不准确而找不到最优解；第三种方法是当前研究的重点，但容易出现目标高维化而导致算法非常复杂或目标函数维度过低而相对片面的问题。

目前对制造云服务组合优化的研究成果较多，但具体到云制造虚拟车间构造方面，依然有一些问题需要解决：1）云制造虚拟车间的内涵目前尚不明确，缺少虚拟车间构造模型的研究；2）制造云服务组合优化的研究主要集中在对已有算法的改进来实现云服务的优选，对云服务物理位置及如何组织管理数量日益庞大的云服务等因素考虑不足。因此，本文围绕这两问题，在对云制造虚拟车间进行分析的基础上，给出车间各组成要素的形式化定义；建立云制造虚拟车间模型，探讨如何快速选择合适的云服务；基于模型，提出云制造虚拟车间的构造方法。本文主要工作如下：

1）将行业域、地域和类型域引入到制造云服务的组织和管理中，并利用域来实现对服务资源池中云服务的分类，缩小云服务选择的范围，提高云服务的选择效率，解决云服务规模不断扩大的问题；

2）从功能、性能、质量、时间、价格多个维度来进行云服务的匹配，保证能够找到相关域内的较优解，同时把物流因素纳入虚拟车间的范畴，满足云制造线上线下相结合的需求。

1 云制造虚拟车间的定义

云制造模式下，服务提供者可以将自己拥有的各类制造资源和制造能力虚拟化封装为云服务的形式，形成设计服务、采购服务、制造/加工服务、营销服务、物流服务、维护维修服务、检测服务、认证服务、金融服务、人力资源服务、产品研发服务、经营管理服务和流程外包服务［27］存放在服务资源池中。服务使用者根据自身实际需求，从服务资源池中选择功能、性能、价格、时间和服务质量（Quality of Service，QoS）满足要求的云服务，按照业务流程进行组合，从而满足业务活动需求。理论上，服务使用者的任何需求如研发、设计、制造、仿真、实验等都能在云制造模式下得到满足。

产品制造是企业创造价值的主要环节，云制造的核心就在于制造。因此为简化问题，聚焦核心，本文的研究对象集中在制造活动本身，重点关注云制造模式下如何保证制造任务的执行。传统的制造任务是在物理的制造车间通过对人员、设备、物料的合理调度完成的，而云制造模式是通过选择相关云服务进行组合，构成一个虚拟的云制造车间来开展制造活动。与传统的制造车间不同，云制造虚拟车间具有以下特点：

1）虚拟化：云制造虚拟车间是选择加工设备、物流、加工人员、检验、维护维修等物理实体对应的云服务而构成的一个虚拟车间，并不是物理存在的。

2）面向制造任务：传统的车间是面向产品的，但云制造虚拟车间是面向制造任务的，其存在的核心就是保障制造任务的执行。不同的制造任务，对应的云制造虚拟车间不同，一个制造任务只有一个虚拟车间来完成，一个虚拟车间只完成一个制造任务。制造任务执行完毕，所对应的云制造虚拟车间也将不复存在。

3）动态性：云制造环境是一个动态开放的环境，时刻会出现任务需求变化、服务退出、服务状态改变等各种事件，因此云制造虚拟车间具有动态性。

4）自适应性：在组成云制造虚拟车间的云服务、任务需求和车间环境发生变化时，云制造虚拟车间可以感知这些变化，并进行自适应调整，以保证制造活动可以顺利进行。

5）自组织性：当有制造任务的时候，云制造平台会根据该制造任务，选择合适的云服务组成云制造虚拟车间。

6）复杂性：构成云制造虚拟车间的云服务所有者、物理位置可能均不相同。真实制造活动需要在实际的物理载体上方能完成，物料可能在云服务物理位置之间长距离移动，这给车间调度造成困难。同时要在海量的云服务中选择功能、性能、时间、价格、QoS 均满足要求的各类云服务进行组合，本身就是一个NP问题。

基于以上描述，给出相关定义如下：

定义1 制造任务。每一个制造任务Task=（TID，TName，TCP，TNumber，ξc，TLocal，CNumber，TState，TIndustry），分别表示制造任务的唯一标识、产品名称、产品结构及技术参数、加工数量、价格阈值、交货地点、完工数量、任务状态和所属行业。

定义2 制造任务链。制造任务经过分解后，形成一系列的子任务，这些子任务的执行次序构成一个制造任务链。制造任务链MTC=（STaskSet，STaskRelation），其中：

1）STaskSet=｛STask1，STask2，…，STaskn｝表示子任务的集合，考虑到车间制造的特殊情况，此处的子任务主要有加工处理和检验两类。每一个子任务STaski=（STID，STName，STNumber，STWeight，STDCraft，STξC，STStart，STEnd，STCNumber，STState，STDProportion），分别表示子任务标识、子任务名称、零件数量、单件物料零件重量、工艺、价格阈值、开始时间、结束时间、完成数量、状态和检验比例。STDCraft=（STDCID，STDCName，STDCType，STDCPar，STDCMat，STDCDetail），主要是为了描述工艺信息，包含工序编号、工序名称、设备类型、设备技术参数、物料、工艺文件等。需要说明的是，如果子任务为检验任务，则其信息与加工子任务不同，如加工子任务STDProportion值为空。

2）STaskRelation=（STaskSet，〈STaski，STaskj〉），其中i，j∈［1，n］，且i≠j，表示子任务之间的次序关系，STaskSet是子任务的集合，〈STaski，STaskj〉表示子任务STaskj是STaski的后续任务，为一个有向边。

定义3 制造设备云服务［28］。制造设备云服务ES可以定义为一个九元组ES=（ESID，ESFun，ESBAttr，ESSAttr，ESCost，ESQoS，ESTime，ESTList，HSID），其中：

1）ESID是云服务的唯一标识。

2）ESFun是云服务的能力描述，ESFun=（生产类型，生产对象类型，对象材料特征，对象形状特征，对象尺寸特征，对象重量特征，对象加工精度，…）。

3）ESBAttr是云服务的基本属性信息描述，BAttr=（ESName，ESUse，ESSup，ESLoc，ESCon，ESPhone，ESType，ESBTime，ESMen，ESLife，ESDri，ESIndustry），分别表示名称、用途、提供者、物理位置、联系人、联系方式、型号、购置时间、生产企业、使用寿命、驱动方式和所属行业。

4）ESSAttr是云服务的状态属性信息描述，ESSAttr=（ESState，ESSpeed，ESVibrate，ESTemperature，ESPress，ESVoice），分别表示状态、速度、震动、温度、压力和声音等信息；ESState有空闲、忙、维修、预约四种状态。

5）ESCost表示服务价格，即每件费用，单位为元。

6）ESQoS表示服务的QoS，需要综合各项指标计算得到。

7）ESTime表示可开始服务时间，可根据ESTList计算得到。

8）ESTList表示在制造设备云服务上执行的子任务清单。

9）HSID表示制造人员云服务的ID标识，因为制造人员的能力是通过制造设备体现出来的，故需要通过HSID建立两者之间的关联。

定义4 制造人员云服务。制造人员云服务HS=（HSID，HSAbility，HSTime，HSTGrade），分别表示制造人员云服务唯一标识、制造能力（即每小时加工数量）、每日可工作时长（单位：h）和人员技术等级，其中人员技术等级可采用量化方式衡量，如高级技师为5 分、技师为4 分、高级技能为3 分、中级技能为2分、初级技能为1分，这可以作为服务选择时的一项依据。

定义5 物流云服务。物流云服务LS=（LSID，LSMode，LSCost，LSAbility，LSObject，LSLine，LSTime，LSIndustry，LSQoS，LSSpeed，LSSTime，LSTList），分别表示服务标识、运输方式、运输价格（单位：元/（kg·km））、运输能力（单位：kg/h）、运输对象类型、运输路线、每日可服务时间长（单位：h）、服务行业、服务质量、平均速度（单位：km/h）、可开始服务时间和执行任务列表。

定义6 检验云服务。检验云服务DS=（DSID，DSType，DSStandard，DSAbility，DSResult，DSLocation，DSIndustry，DSCost，DSQoS，DSTime，DSTList），分别指检验云服务唯一标识、检验产品类型、采用的检验标准、每日可检验数量（单位：件）、检验结果、服务地域、服务行业、服务价格（单位：元，一般检验）、服务质量、可开始服务时间和服务子任务列表。检验结果DSResult=（DPID，DConclusion，DDetails，DDate），分别表示检验产品编号、检验结论、结论详细信息和检验日期。

定义7 维护维修云服务。维护维修云服务MRS=（MRSID，MRSDType，MRSAbility，MRSGrade，MRSLocal，MRSQoS，MRSTime，MRSTList），分别指维护维修云服务唯一标识、可维护维修的设备类型、维护维修能力、维修资质、可服务地域、服务质量、可服务时间和服务子任务列表。其中：维护维修能力采用平均维修服务周期来衡量；维修资质包括企业资质、官方授权、资格证书等，同样可以采用量化的方式衡量，作为服务选择时的一项依据。

定义8 云制造虚拟车间。云制造虚拟车间是指利用云制造平台，通过云服务组合的方式，将位置分布的相关制造资源组织起来完成某一制造任务的实体。云制造虚拟车间可以抽象为一个三元组CMVW=（CSS，MEC，WE），其中：

1）CSS=（ES，LS，HS，DS，MRS），是云服务的集合。

2）MEC=（CSS，〈CSi，CSj，Weight〉）表示制造执行链，它是制造任务链的具体实现。制造执行链中的每一个节点表示一个云服务，与制造任务链中的节点相对应。CSS指组成制造执行链的云服务集合；〈CSi，CSj，Weight〉表示执行链中的一条带权有向边，Weight是权重，指CSi和CSj之间的物理距离，计算方法如式（1）。

其中distance（CSi，CSj）表示CSi和CSj的物理距离。

3）WE=（CPE，ESE）表示车间环境信息，其中CPE是云制造平台运行的云环境，CPE=（Memory，Bandwidth，Compute），其中Memory指的是存储资源，Bandwidth指的是网络带宽资源，Compute指的是计算资源；ESE=｛ESE1，ESE2，…，ESEn｝是所有制造设备云服务所在环境的集合，每个ESEi表示一个制造设备云服务所在场所的环境信息，ESEi=（ESID，Temperature，Humidity，Voltage，PQuality），分别表示制造设备云服务唯一标识、温度、湿度、电压和电能质量。引入WE的目的是便于判断车间环境是否异常，避免由此而影响产品质量。

2 云制造虚拟车间的构造

2.1 云制造虚拟车间构造模型

定义9 云制造虚拟车间构造模型。云制造虚拟车间构造模型可以表示成一个四元组，CMVWCM=（TCL，MKB，SRP，SL）。其中：TCL表示制造任务分解逻辑，其主要功能是将制造任务分解为若干个有次序关系的子任务；MKB为制造知识库，为制造任务分解提供制造经验知识；SRP表示服务资源池，存储在云端，采用多重域的组织方式管理各类制造云服务；SL表示选择逻辑，其主要功能是从服务资源池中找出满足要求的云服务。

整个云制造虚拟车间的构造和运行都围绕着制造任务进行。接受用户的制造任务之后，根据制造知识库中的制造知识将制造任务分解为若干个存在次序关系的子任务，这些子任务按照次序关系构成制造任务链；选择逻辑根据每个子任务的信息，从服务资源池中选择功能、性能、价格、时间和QoS均满足要求的云服务，这些云服务按照制造任务链组合，形成制造执行链，进而构造形成云制造虚拟车间。云制造虚拟车间的构造流程如图1所示。

图1 云制造虚拟车间构造流程Fig.1 Construction process of cloud manufacturing virtual workshop

2.2 面向多重域的云服务管理

服务资源池中存放着海量的云服务，为了快速地从服务资源池中找出满足条件的云服务，在组织云服务存储时，采用面向多重域的管理方式，即行业域、地域和类型域。在具体管理时采用以下策略：

1）根据制造行业划分若干个行业域，如汽车制造、航天产品制造、电子产品制造等，除维护维修云服务外，其他的云服务均加入到对应的行业域中。

2）以省会城市、产业经济区或大区划分为依据，划分地域。制造设备云服务及与其紧密绑定在一起的制造人员云服务、检验云服务按照所处的物理位置加入某个地域；维护维修云服务按照其所服务的范围加入某个地域；物流云服务按照运营路线加入某个地域。

3）根据加工设备类型的不同，划分几个典型的类型域，如磨床类、铣床类、拉床类等，制造设备云服务及与其紧密绑定在一起的制造人员云服务按照制造设备类型加入对应的类型域。

4）设置域时，可以单独设置一个“其他”域，将无法明确确定所属域的服务归入“其他”域。

引入多重域之后，如果需要查找某个满足需求的云服务，就不需要对服务资源池执行全部扫描，可以根据行业域、地域和类型域快速定位要查找的区域，并可有效减少比较次数和计算量，快速找到需要的云服务。

2.3 云制造虚拟车间构造算法

云制造虚拟车间主要是根据制造任务链中各子任务的信息，从服务资源池中选择对应的云服务构造而成的，因此其核心是如何选择对应的云服务。为了保证云制造模式下产品的质量，规定所有制造任务的最后一个子任务为检验任务，且由独立的第三方来完成。为简单起见，假设中间各子任务完成后无需检验或检验由对应的制造设备云服务提供商自己负责。本节先给出不同类型云服务的选择算法，然后再给出总体的构造算法。

算法1 制造设备云服务选择算法。

制造设备云服务选择算法主要步骤为：生成候选服务集WS；对候选服务进行加工参数、服务价格和时间匹配，得到可选ES；对可选ES按照服务质量和相关人员资质排序；选中ES。具体算法描述如下：

1）从SRP中查找行业、地域、类型与制造任务及子任务相匹配的ES及与ES关联的HS，构成WS；

2）若WS为空，则从SRP中查找行业、类型或者地域、类型与制造任务及子任务相匹配的ES及与ES关联的HS加入WS，否则转3）；或WS仍然为空，则从SRP中查找类型与制造任务及子任务相匹配的ES及与ES关联的HS加入WS，否则转3）；若WS仍为空，则转9），否则转3）。

3）从WS中取出第一个ES及对应的HS，转4）。

4）判断ES的技术参数、服务时间和价格是否满足子任务的要求，若满足，则转5）；否则转6）。

5）ES的可选标记flag=1，转7）。

6）取下一个未分析过的ES及对应的HS，转4）。

7）判断WS中的云服务是否分析完毕，若分析完毕，则转8）；否则转6）。

8）判断WS中flag=1 的云服务数量是否为0，若为0，则转9）；否则转10）。

9）向任务提出者发送“找不到需要的ES”消息和WS中的云服务信息，提示用户修改任务信息，转11）。

10）WS中所有flag=1 的云服务按照QoS 和相关人员资质进行降序排列，第一个即为所选ES；更新选中服务的子任务清单信息和子任务的开始时间、结束时间信息，转11）。

11）算法结束。

算法2 物流云服务选择算法。

因事先无法确定云服务之间是否产生物流费用以及产生多少物流费用，故采用协商的方式。假设服务使用方给出的价格为TLSCost（单位：元/（kg·km）），制造执行链MEC中的〈CSi，CSj〉之间存在物流环节，距离为〈CSi，CSj〉.Weight，CSi对应的子任务为STaski。物流云服务选择算法的主要步骤为：生成候选服务集WS；对候选服务进行服务价格和时间匹配，得到可选LS；对可选的LS按照服务质量排序；选中LS。具体算法描述如下：

1）从SRP中查找行业、地域与制造任务所属行业及相关云服务物理位置相匹配的物流云服务，构成WS；

2）若WS为空，则从SRP中查找地域与制造任务所属行业及相关云服务物理位置相匹配的物流云服务加入WS，否则转3）；若WS仍为空，则转9），否则转3）。

3）从WS中取出第一个LS，转4）。

4）判断LS的时间和价格是否满足子任务的要求，若满足，则转5）；否则转6）。

5）LS的可选标记flag=1，转7）

6）取下一个未分析过的LS，转4）。

7）判断WS中的云服务是否分析完毕，若分析完毕，则转8）；否则转6）。

8）判断WS中flag=1 的云服务数量是否为0，若为0，则转9）；否则转10）。

9）向任务提出者发送“找不到所需要的LS”消息和WS中的云服务信息，提示用户修改任务信息，转11）。

10）WS中所有flag=1 的云服务按服务质量进行 降序排列，第一个即为所选LS，转11）。

11）算法结束。

检验云服务和维护维修云服务的选择算法与算法1 和算法2 相似，都是首先查找服务行业、物理位置和类型相匹配的云服务，加入候选服务集；然后找出功能和时间满足需求的云服务，置可选标记；接着对可选云服务按照服务质量进行降序排序；最后选择第一个云服务即可。具体不再赘述。需要强调的是：由于事先无法确定是否产生故障、产生何种故障，故也无法事先确定维护维修的费用，因此在维护维修云服务选择时不考虑价格匹配，具体价格可由双方私下协商。

算法3 云制造虚拟车间构造算法。

如图2 所示，主要步骤为：生成MTC；选择ES和DS；生成MEC；选择LS。

图2 云制造虚拟车间构造流程Fig.2 Construction process of cloud manufacturing virtual workshop

需要强调的是，在云制造虚拟车间构造算法中，不涉及维护维修云服务的选择，只有在设备发生故障时，才会选择维护维修云服务。

3 算例分析

3.1 实例分析

参考文献［19-20，24］的做法，本节将构造一个制造实例，并设计相关的数据，来分析本文方法的有效性。假设有一制造任务Task，经过分解之后，得到制造任务链MTC，如图3 所示。其中STi（i=1，2，3）为制造加工子任务，ST4为检验子任务，制造任务及任务链中各子任务的部分数据分别如表1、2 所示。设满足功能匹配的制造设备云服务共有10 个，表示为ESi（i=1，2，…，10），制造设备云服务及与其关联的制造人员云服务部分数据见表3。可供选择的检验云服务为DSi（i=1，2，3），检验云服务的部分数据见表4。可供选择物流云服务为LSi（i=1，2，3），物流云服务的部分相关数据见表5。

图3 某制造任务链MTCFig.3 One manufacturing task chain MTC

表1 制造任务Task的部分数据Tab.1 Some data of a manufacturing task named Task

表2 各子任务的部分数据Tab.2 Some data of each subtask

表3 制造设备云服务部分数据Tab.3 Some data of manufacturing equipment cloud services

表4 检验云服务部分数据Tab.4 Some data of inspection cloud services

表5 物流云服务部分数据Tab.5 Some data of logistics cloud services

步骤1 为子任务ST1选择对应的制造设备云服务。

1）根据行业为“汽车行业”、位置在“A”、类型是“加工中心”的条件在服务资源池中快速定位相关服务存放域，查找制造设备云服务，得到候选服务集WS=｛ES1，ES2，ES5，ES7，ES8｝。

2）WS中的所有云服务均与ST1的技术参数相匹配；ES1与ST1的价格不匹配；ES7的加工时间为0+0+2 000/（20*8）=12.5＞10，故ES7与ST1的时间不匹配。此时可选的云服务为ES2、ES5和ES8。

3）将ES2、ES5和ES8按照服务质量和相关人员资质降序排列，得到序列（ES5，ES2，ES8），ES5即为选择的制造设备云服务，此时要更新ES5的ESTime=6.25，ST1的STStart=0，STEnd=6.25。

步骤2 按照同样的方法为子任务ST2和ST3选择对应的制造设备云服务分别是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。

步骤3 为子任务ST4选择对应的检验云服务。

1）根据行业为“汽车行业”、位置在“A”、产品是“盖板零件”的条件，没有找到相关域；在行业为“汽车行业”、产品是“盖板零件”的域中查找，得到候选服务集WS=｛DS1，DS2，DS3｝。

2）DS2的价格2 000×10%×11=2 200＞2 000，故DS2与ST4的价格不匹配；DS1的时间25+0+（2 000×10%）/35=30.7＞30，故DS1与ST4的时间不匹配。此时可选择的云服务只有DS3，因此按照服务质量排序后依然只能选择DS3。更新DS3的DSTime=3.33，ST4的STStart=25，STEnd=28.33。

步骤4 选择需要的物流云服务。

1）根据行业为“汽车行业”、ES8位置在“A”、DS3的位置在“B”的条件在服务资源池中查找物流云服务，发现LS3的运营路线与位置信息不匹配，得到候选服务集WS=｛LS1，LS2｝。

2）假设服务使用者给出的价格为0.3 元/kg·km，ES8与DS3之间的物理距离为75 km；LS1和LS2均价格匹配；计算使用LS1需要的运输时间24.17+2×（75（/60×10））×0.2×2000/4 000×10=24.42＜25，计算使用LS2需要的运输时间24.17+2×（75（/60×10））×0.2×2000/7000×10=24.42＜25，所以LS1和LS2均时间匹配。

3）WS中的云服务按照服务质量降序排序，顺序为（LS2，LS1），故选择LS2。

根据以上算法构造得到云制造虚拟车间，该车间使用了制造设备云服务ES5、ES2和ES8（包含与这些制造设备关联的制造人员云服务），检验云服务DS3，以及物流云服务LS2。对应的制造执行链如图4 所示。从结果可以看出，云制造虚拟车间所选择的云服务并不是最优的，仅是在功能、价格、时间与任务相匹配的，QoS 较优的云服务。当然，本例中仅考虑了制造任务执行问题，未考虑DS3与交货地点不匹配的问题。

图4 实例的制造执行链MECFig.4 Manufacturing execution chain MEC of one instance

3.2 仿真实验

3.2.1 面向多重域的管理方式对云服务选择时间的影响

在提出的云制造虚拟车间构造算法中，对服务资源池中的云服务采用面向多重域的管理方式。该方式会将存储空间按照行业、地域和类型划分为若干个独立的存储区域，不同的云服务存储在不同的存储区域中，因此划分的域应该事先确定，并不宜太多。同时，需要将不同存储区域的首地址存储在一张表中，构成索引表，以便快速进行服务存储地址的定位。为验证面向多重域的云服务管理方式可以有效减少云服务选择时间，设计以下仿真实验。

实验以为3.1 节制造实例中的ST1选择制造设备云服务为例，模拟不同云服务数量对单个服务选择时间的影响。目前的云服务组合优化算法几乎都是将制造云服务的选择看作多目标优化问题，通过对传统优化算法的改进来实现选择最优制造云服务的目的，并不关注制造云服务的组织方式对云服务选择效率的影响，同时目前也未见对云服务组织方式的研究，即均未采用面向多重域的云服务管理方式。因此本实验通过对比不采用多重域的云服务管理方式，来观察采用多重域的管理方式对云服务选择效率的提升。TS1对应的云服务要求的行业域为“汽车行业”、地域为“A”、功能域为“加工中心”，设计实验数据规模如表6的前4列所示，第一行数据的含义是：共有200 个制造设备云服务，其中100 个是汽车行业的，100个之中有80个在A，80个之中有60个是加工中心。

实验采用Java编写仿真程序，在程序中定义了“存储区域类”，以此模拟面向多重域的云服务管理。云服务的ESCost为随机生成的2～5 的随机数，ESQoS为随机生成的0～1 的随机数，HSAbility为随机生成的10～100 的整数，HSTime全部为8，HSTGrade为随机生成的1～30 的整数，ESTime全部为0。假设这些云服务的功能和技术参数均符合要求。实验结果对比如表6的后两列所示。从表6可以看出，在相同数量的云服务中选择需要的云服务，采用面向多重域的管理方式比传统方式所花费的时间要少，当数据规模增大时，这种优势更加明显。因为面向多重域的管理方式能够直接定位在一个小范围的区间内查找，这样相对于传统管理方式中的全部扫描，所花费的时间会少很多。同时由于候选集中元素的大幅减少，也大大节省了后续进行匹配比较和排序时间。当然，如果所有云服务均在一个存储区域中存储，或者需要扫描整个存储区域时，则两者所需时间并无差异。

表6 云服务规模数据Tab.6 Scale data of cloud services

3.2.2 算法有效性分析

文献［24］提出了一种面向加工设备的服务聚类与初选方法，该方法基于服务相似度来进行聚类，并通过可拓论中“距”的概念，描述服务请求与不同服务类簇的关联程度，达到为用户精准选择云服务集合的目的。本节以选择满足任务需求的加工中心云服务为例，通过与面向加工设备的服务聚类与初选方法的对比分析来说明本文提出算法的有效性。为便于对比，加工中心云服务初始数据和制造任务初始数据在文献［24］提供数据的基础上，增加本文算法所需的信息，具体如表7和表8所示。

使用本文算法时，表7 中的价格和时间均是针对整个任务而言，并选择“该类服务最常出现的数值”，即中间的那个数值作为云服务的价格和时间；所有云服务的可开始服务时间ESTime均为0；云服务的QoS 由加工质量、时间可靠性和服务柔性计算得到，其权值分别设为0.4、0.35 和0.25；三个任务相互独立且均只包含一个子任务，所需加工设备均为加工中心，开始时间STStart均为0，结束时间STEnd为表8 中的时间上限。面向加工设备的服务聚类与初选方法主要是用来实现设备云服务的初选，即根据服务请求与类簇的综合关联度来形成候选服务集，并未给出之后如何选择最优的云服务；因此此处采用与本文类似的思路，即在功能匹配和非功能匹配基础上，选择QoS值最大的云服务，则两种算法的执行结果如表9所示。

表7 加工中心云服务初始数据Tab.7 Initial data of cloud services in machining center

表8 制造任务初始数据Tab.8 Initial data of manufacturing tasks

从表9 中可以看出，在同等条件下，利用本文算法为三个任务均选择出了合适的加工中心云服务，但面向加工设备的服务聚类与初选方法仅为Task2选出了合适的云服务ES18，但显然在初始服务集中存在满足Task1和Task3需求的云服务。原因在于：在进行聚类时仅考虑了云服务的综合相似度，未考虑服务请求的因素，这就会导致满足需求的云服务可能未被划入对应的类簇；后期通过计算服务请求与类簇的综合关联度来确定服务请求的候选服务集，从而出现找不到所需云服务的情况。进一步分析可以发现，ES18的QoS 值明显小于ES28，这说明本文算法可以选择服务质量较高的云服务。从候选服务集来看，因为所有云服务均为加工中心，本文所提算法会将这些云服务按照地域和行业域存储在不同的位置，只需根据加工设备云服务的物理位置和所属行业即可快速找到候选服务集，所花费的时间仅为访问一次服务资源池的时间；但面向加工设备的服务聚类与初选方法通过计算相似度进行聚类，方可形成候选服务集，同时还需要计算服务请求与类簇的关联度，才能确定服务请求与类簇的关联关系。由此次可见，本文所提算法是有效的。

表9 两种算法的执行结果Tab.9 Execution results of two algorithms

4 结语

云制造虚拟车间是云制造模式下开展制造活动的实体，是组织相关制造资源的场所。针对云制造虚拟车间构造这一核心问题，首先对问题进行描述，给出了制造任务、制造任务链、制造设备云服务、制造人员云服务、物流云服务、检验云服务、维护维修云服务和云制造虚拟车间的形式定义。接着建立了云制造虚拟车间构造模型，明确了云制造虚拟车间的组成和特点，并提出一种基于多重域的云服务组织管理方法。随后给出了云制造虚拟车间构造算法，该算法利用多重域管理的特点，构造规模较小的云服务候选集，在此基础上快速进行功能、性能、价格和时间的匹配，能在较短的时间内完成相关云服务的选择，从而快速实现虚拟车间的构造；特别是在虚拟车间的构造中考虑了物流的因素，满足了云制造线上线下相结合的需求。最后通过实例分析和仿真实验，验证了所提方法能够快速实现云服务选择，并保证能够找到较优解。当然，本文的相关研究主要面向的是离散型制造任务的执行，忽略了物料、城市内物流、交货地点与最终产品不在同一地等因素，后期将对这些问题以及虚拟车间重构进行深入探讨。