面向工业互联网平台的制造服务可信特征识别方法

向 峰，钟 雷，左 颖，蒋国璋，段现银

(1.武汉科技大学 冶金装备及其控制教育部重点实验室，湖北 武汉 430081；2.武汉科技大学 机械传动与制造工程湖北省重点实验室，湖北 武汉 430081；3.武汉科技大学精密制造研究院，湖北 武汉 430081；4.北京航空航天大学 前沿科学技术创新研究院，北京 100191)

0 引言

产业链重构和共享经济推动了以制造服务共享为核心的工业互联网平台(Industrial Internet Platform, IIP)的建设[1]。IIP也被称为工业物联网平台[2]和工业互联网云平台[3]，通过集成产品数据流、生产数据流、供应链数据流等数据信息，分析生产制造过程的各个资源节点，促进智能升级，并基于物理组件和网络组件之间的全面互联构建新的模型和格式[4]。随着IIP的逐步落地实施与应用，大量异构制造资源虚拟化封装、聚集在云服务池内，以制造服务的形式按需动态共享、组合协作提供给用户。对于各类开放、复杂、异构的动态制造环境，如应用服务提供商(Application Service Provider, ASP)、制造网格(Manufacturing Grid, MGrid)[5-6]、云制造(Cloud Manufacturing, CMfg)[7]，接入映射时制造服务是否保真、选择时制造服务是否可信、进行中制造服务可协作状态是否变化，都是制造服务平台各主体进行安全、可靠服务的关键问题，也是后续IIP能否落地实施和正常运行的先决条件。

服务的可信特征对服务生成、服务选择、服务组合和协作等技术的运行至关重要，是企业发布的服务是否可信、选择的服务是否可信、所协作服务是否可信的信息来源。已有对制造服务平台可信特征的研究主要聚焦于制造服务封装与映射、制造服务选择、制造服务组合协作3个方面。对于制造服务封装与映射，ANDRÉ等[8]基于服务的结构兼容性、功能性以及服务质量(Quality of Service, QoS)等相关物理属性构建了服务组件模型来改进软件服务的搜索和编排;贺可太等[9]将与产品物理属性相关的产品性能、服务价格、服务时间、交货准确性、可维护性作为CMfg服务的可信特征，设计了CMfg服务质量评估模型。对于制造服务的选择，MEHDI等[10]将QoS和声誉作为可信特征，构建了Web服务的概率模型来计算Web服务的信任度，以帮助用户选择最佳的Web服务;MANUEL等[11]基于云资源提供商的历史服务信息选取可用性、可靠性、周转效率和数据完整性作为可信特征，建立了云服务的可信评估模型，进而为云服务需求商提供可信的云服务。对于制造服务的组合与协作，HANG等[12]提出一种信任感知的服务组合方法，通过直接感知和服务质量结合的可信特征来感知服务组合的可信度;YIN等[13]将服务时间、服务质量、服务成本、可用性、可组合性、可维护性和可持续性等目标变量作为可信特征，建立了CMfg服务组合优选模型。

综上所述，目前的服务可信特征研究从不同的技术角度阐述了可信特征对于面向服务体系架构的重要性。现有的可信特征研究对象主要集中在计算环境下的Web服务、云服务以及CMfg平台中的制造服务，对于IIP下的制造服务的可信特征研究还处于初期阶段，相应的研究成果较少。在制造服务的封装与映射方面，大多数研究只针对服务模型物理属性方面的封装与映射，未涉及制造服务的行为规则方面;在制造服务的选择方面，服务的可信特征选择侧重于QoS指标、地理位置、运输成本、交付时间和加工质量等产品关联因素，缺乏对个性化需求任务与制造企业及其提供的服务等级水平的考虑;在制造服务的组合和协作状态方面，目前的研究更多考虑的是服务组合中组成元素的可信特征量化和评估，未考虑服务协作时的状态。

为了挖掘制造服务的可信信息，需要对制造服务可信特征进行识别。目前的识别方法大多是传统算法和机器学习等浅层结构算法，这些识别方法依赖于人工提取特征，计算复杂程度较高，对复杂场景的表示和动态适应能力有限，导致识别结果片面，精度较差。因此，如何有效地识别出IIP下服务的可信特征，并将其表达出来就显得非常重要。深度学习(Deep Learning, DL)作为计算智能化的突破口，旨在通过模拟大脑的学习过程，构建具有多隐层的学习模型，结合海量的训练数据快速且精确地发现并刻画问题内部复杂的数据特征，从而提升分类或预测的准确性。例如，刘道元等[14]基于多源制造数据提出一种深度置信网络的扩展预测模型，以完成制造系统订单完工期的快速预测;倪维健等[15]基于双向循环神经网络对业务流程数据进行建模，以提升业务流程剩余时间预测的准确性。深度学习在训练数据驱动下能够自适应地构建特征描述，可有效地克服IIP制造服务多变特性导致的识别困难。因此，本文围绕制造服务映射保真、服务信誉、协作状态3个方面，给出了制造服务综合可信特征指标体系，提出了IIP下的制造服务可信特征识别框架及其关键技术，设计了基于去噪自编码器的制造服务可信特征分类方法。

1 不同平台下的制造服务可信特征

信息技术是制造平台发展的主要驱动力，制造服务的可信特征随着制造平台的演化而扩展，如图1所示。

(1)作为信息技术在制造业尚未广泛应用的初期制造平台代表，MGrid和ASP以制造资源共享为目标，聚焦于从产品生产到销售的整个制造活动。相应地，MGrid和ASP的制造服务可信特征侧重于描述制造资源及关联的产品服务属性，主要包含真实性、安全性、时间、成本、可靠性、可用性、用户偏好等。

(2)随着“互联网+制造”的兴起，以服务按需使用和协同制造为核心的CMfg服务平台发展迅速。CMfg平台在云层中进行高效的智能搜索、匹配、推荐和执行服务，并透明地将各类制造资源以服务的方式提供给用户[16]，其制造服务可信特征更聚焦于服务的物理属性、服务状态以及用户反馈等，主要包含QoS、时效性、可维护性、服务满意度、地理位置、加工质量、交付时间和历史记录等。

(3)在新一代信息技术和运营技术的推动下，具有跨领域、跨地区、全周期的多边共享平台IIP逐步落地实施[17]。IIP内的制造服务被共享并用来满足不同利益相关者的需求。相较于传统的Web服务和CMfg服务，IIP下的制造服务高度依赖于物理资源状态，更加强调实时性、动态性和交互性。因此，IIP下的制造服务可信特征要素不同于传统服务形式的可信特征，更需要真实刻画和反映IIP下制造服务特性、服务历史信息和服务可协作状态。为此，本文主要选取了保真度、信誉度和协作状态作为IIP的制造服务可信特征，并给出各可信特征值的计算方法，进而建立IIP下的可信评价体系，以保证平台内制造活动的顺利进行。

2 基于工业互联网平台的可信制造服务识别框架构建

如图2所示，基于IIP的制造服务可信特征评估框架包括工业要素层、感知层、网络传输层、数据层、特征集层、特征识别层和特征分析层。工业要素层既是IIP制造服务数据的主要来源，又是服务可信特征识别、分析后的优化和决策对象；感知层和网络传输层负责采集、感知和传输制造服务相关数据，是联系工业要素与服务数据的纽带；数据层是容纳多模式、多格式、非结构化制造服务数据的集合，是完成特征模型识别的驱动力；特征集层是面向IIP特定应用场景的制造服务可信特征识别和分析的理论基础；特征识别层是基于深度学习从聚合数据中挖掘制造服务可信特征的重要技术支撑；特征分析层将特征识别的结果进行分析和优化并实时反馈到工业要素中，有效地实现了智能化决策。

(1)工业要素层

工业要素层主要是IIP人—机—料—法—环关联的工业生产全要素的总和，包括生产人员要素(技术工人、生产管理者、用户等)、制造设备要素(车床、钻床、刨床、铣床、数控机床等)、生产物料要素(原材料、半成品、加工辅料等产品用料)、业务标准要素(业务系统、工控系统、工艺方法、作业标准等)、工业环境要素(使用量、电量、温度等)。

(2)感知层和网络传输层

感知层是实现服务可信特征识别的重要基石，主要利用感知设备(RFID、二维码识读器、适配器、传感器等)进行采集和处理工业要素层的多源异构服务数据。网络传输层则是负责将感知层的制造服务数据接入并传输到特征识别层的网络技术(5G、工业以太网、工业总线等)。网络传输层的构建有利于工业要素层海量资源安全、高速的传输，为特征识别层提供网络支撑。

(3)特征集层

特征集层主要通过分析IIP的制造服务特性，归纳得出IIP制造服务的可信特征，进而构建IIP制造服务可信特征集。特征集层属于IIP制造服务可信特征的理论架构，应用于特征识别层中数据训练和特征分类。

(4)数据层

数据层包括设备数据、模型数据和服务信息数据等聚合大数据。其中设备数据包括设备的位置、技术参数、运行状态等相关数据；模型数据包括虚拟模型几何尺寸、物理规则、行为属性等相关数据；服务信息数据则是价格、出库量、库存等与企业、产品信息相关的数据集合。

(5)特征识别层

特征识别层是以深度学习为核心的数据建模和特征学习过程，可以处理海量的实时工业数据。经过数据清洗和融合的感知数据驱动深度学习模型以挖掘制造服务特征信息，进而识别制造服务的可信特征。

(6)特征分析层

特征分析层主要基于特征识别的结果并结合制造服务的制造条件、生产环境和操作参数等进行不同层次的分析，主要包括特征描述、特征诊断、特征预测和特征规划。特征分析结果可实时反馈到工业要素层和感知层，便于服务优化和智能决策。

3 面向工业互联网平台的制造服务可信特征集

结合IIP的制造服务特性，同时从实用的角度出发，本文将IIP制造服务的可信特征集(Trustworthy Features set, TFs)定义为一个多元组，如图3所示，选取保真度、信誉度和协作状态作为服务的可信特征，即TFs=(Fidelity, Reputation, Collaboration status)。下面给出相关概念的定义和数学描述。

定义1IIP制造服务。在本文的叙述中，IIP制造服务简称制造服务或服务，是构成IIP的基本要素，是服务化的制造资源和制造能力。制造服务分为原子制造服务和组合制造服务。

定义2保真度(Fidelity)。保真度即虚拟模型的保真度，表示虚拟模型相对于物理实体的准确体现度。保真度按照建模的步骤和层次划分为几何保真度(Fg)、物理保真度(Fp)、行为保真度(Fb)和规则保真度(Fr)。Fg表示虚拟模型的几何信息(尺寸、位置、结构、形状和装配关系等)相对于物理实体的精确程度;Fp表示虚拟模型的物理特性(如扭矩、质量、惯性、硬度、磨损、切削力和表面纹理等)和载荷(如温度、阻力和应力等)相对于物理实体的精确程度;Fb表示虚拟模型在驱动因素和干扰因素下的行为和反应能力(如协作行为和失效行为等)相对于物理实体的精确程度;Fr表示在规则模型(如关联规则、约束规则和演绎规则)描述形成的领域知识驱动下虚拟模型所具有评价、推理和预测的能力相对于物理实体的精确程度。

其中，Fg和Fp的取值取决于模型的偏差值，

(1)

Fb和Fr的取值则取决于模型反映物理实体行为和能力的程度，

Fb/Fr=

(2)

则

MSF=Fg·Fp·Fb·Fr。

(3)

定义3信誉度(Reputation)。信誉度表示制造服务的信誉度，包括服务间交互的及时性和准确性等。制造服务信誉度依据时间维度可划分为历史信誉度(Rh)、即时信誉度(Ri)和预测信誉度(Rp)。Rh为用户与服务直接交互的历史反馈信息，是能否采用该服务的先验选择标准;Ri为制造服务封装时完成制造任务的服务能力、状态和行为，是能否真实反映用户需求的后验评价标准;Rp为基于服务共性和感知状态挖掘产生的预测性服务指标。

如图4所示，通过获取和分析服务的历史信誉度生成初步符合用户需求的即时信誉度。采用仿真工具对即时信誉度的相关数据进行仿真和集成，获得服务的预测信誉度，可以修正、优化、监控和更新服务的历史信誉度。

服务信誉度的影响因素包括失效率F、服务等级L、服务满意度S和响应速度V。其中：F表示服务发生失效的概率;L表示服务质量所能达到的相关标准的程度，其量化规则如表1所示;S表示用户对服务提供商所提供的制造服务的满意程度;V表示IIP在一定的时刻或一定的时间内以最快的速度获取来自用户服务需求，再及时做出响应的反应能力。

表1 服务等级量化规则

假设制造服务MS在(t1,t2)的时间内被调用了N次，从发出调用命令到执行服务的时间长度为Ta，正常响应的次数为Nr次，实际执行结果与服务承诺信息一致的次数为Nc次。

(4)

(5)

(6)

则信誉度可以量化为：

R=L(ω1F+ω2S+ω3V)。

(7)

(8)

在IIP中，制造服务之间的协作状态是一个容易忽略但又至关重要的因素。制造服务间的协作状态越好，服务间的信息交互越灵活，物料运输越顺利，制造任务的进度越成功，完成任务的时间越短，用户对制造服务的可信度越高;反之，协作状态越差，制造服务之间的信息交互和物料传输越容易受阻，产品交付时间延长，制造成本也随之增加，用户对制造服务的可信度也会降低。因此，在IIP制造服务可信特征研究中，有必要分析制造服务之间的协作状态。

定义3协作状态(Collaboration status)。协作状态表示制造服务间协作可行性的量化水平。制造服务的协作状态受协作强度(Cs)、服务关联度(Cr)和任务完成度(Cp)的影响。

(1)Cs为制造服务间协作程度的定量表示，可根据时间计算。制造任务总执行时间的计算与它们之间的协作程度密切相关。假设任务pi和pj(1≤i,j≤q)是耦合的，相应的执行时间分别为Ti和Tj，则总执行时间

(9)

式中λ为任务pi和pj之间的耦合系数，主要基于信息交互的灵活性、协作次数和默契程度等进行取值，如表2所示。

表2 耦合系数及其量化规则

当介于上述任意两种情况之间时，λ依情况取中间值0.1,0.3,0.5,0.7。因此，用于制造任务pi和pj的协作服务的协作强度为：

(10)

(11)

(12)

(13)

Cr-a=

(14)

Cr-n=

(15)

(16)

(3)Cp为在用户需求的驱动下协作完成制造任务的制造服务数量占所有制造服务的比重。假设第i个制造服务集合中协作完成制造任务的服务数量为p，则

(17)

对协作状态的3个影响因子进行权重分配，则

MSC=ω1Cs+ω2Cr+ω3Cp。

(18)

用户在不同场景下对于服务可信指标可能有不同的侧重和喜好，因此采用目标加权法将多目标问题转化为单目标规划问题，以权重系数来体现用户对各可信特征指标的偏好，Wk(k=1,2,3)表示可信特征TFk在可信特征集中的权重。IIP下制造服务的可信特征TFk依次取信誉度、保真度和协作状态，则服务可信特征集的目标函数如下：

(19)

4 制造服务可信特征的识别与分类

制造服务的可信特征识别是通过获取和分析与服务可信特征相关的状态属性对可信特征进行分类。由于IIP多扰动的制造环境以及复杂制造任务下服务协作引起的动态变化，制造服务所关联的高容量、高维度的服务样本数据易受干扰，导致相同服务状态下的样本性质会有所波动。为此，本文利用去噪自编码器(Denoising Autoencoder, DAE)来识别制造服务的可信特征，将少数类可信服务样本与多数类区分开来，提高少数类可信服务样本的分类精度。如图5所示为自编码器(AutoEncoder, AE)的模型图和训练算法流程图。模型图表示的是无监督的逐层预训练阶段，即前一个AE的隐层数据作为后一个AE的输入。

以x和y作为编码器的输入和输出，对于单层编码器，其输出可以表示为：

h=f(Wxhx+bxh)。

(20)

式中：f为非线性转换激活函数;Wxh为编码器的权重;bxh为偏置项。编码器通过非线性映射将输入向量x转换为隐层表示h。对于单层解码器，其输出可以表示为：

(21)

(22)

重构误差函数一般选择均方误差函数，即每个输入值与重构值之间欧氏距离的均方。

(23)

(24)

在模型设计阶段，可信阈值θ可以通过网格搜索优化参数，并将RE作为可信评分，RE较高的输入数据被认为是不可信的。被训练过的DAE模型将以非常低的RE重构可信服务输入数据，而对于差异化较大的不可信服务数据则无法成功。所提方法的具体步骤如下：

(1)采集制造服务相关指标的原始数据。

(2)根据正常服务数据集设置相关参数和标准阈值，选择sigmoid激活函数来设计DAE模型。

(3)不经过特征提取，待测服务数据经过数据预处理后被划分为训练样本和测试样本。

(4)将DAE模型直接用于训练样本的无监督特征学习。

(5)添加噪声，计算每次训练样本服务数据的重构误差直至达到样本容量，通过函数的优化完成训练，RE高于阈值为非可信服务数据，低于阈值则为可信服务数据。

(6)采用测试样本验证所提方法可行性。

5 案例分析

如图7所示，智慧物流平台利用RFID、条码自动识别等感知技术感知与货物相关的制造场景、物流服务，然后通过各类网络通信技术进行数据传输，实现物流各活动环节的人、货、车、路等信息的交互，进而推进平台对运输、仓储、调度、订单、客户、货物等各类业务的综合管理和协同共享。

本文以某智能仓储管理系统数据为案例进行研究。挑选5种的仓储服务状态(如表3)，包含1种正常的可信服务状态和4种异常服务状态，每种状态包含180个样本，其中可信服务的特征集为{库存模型保真度，仓储服务信誉度，出/入库服务协作状态}。从每一类服务特征数据集中随机选择样本作为训练样本和测试样本，比例为2∶1，即每类数据有120组训练样本，60组测试样本，每个样本的数据长度为100。将所提方法与支持向量机(Support Vector Machines, SVM)、标准AE模型进行比较。为了减少随机因素的影响，每种方法重复运行15次。

表3 智能仓储管理系统的5种服务状态

以其中某一组服务样本为例，列出其指标体系中的相关数据及计算结果，如表4所示。不难看出，服务状态1的可信特征值明显高于其余4种服务状态，且异常服务的可信特征值因其异常原因在具体的特征指标上将与可信服务存在明显的数值差距。

表4 不同服务样本数据汇总

续表4

对第1次试验结果进行可视化处理，绘制不同方法下各类特征的三维核主成分散点图，如图8所示，坐标轴依次指代主成分的第一分量、第二分量和第三分量。图8a为基于SVM识别和分类服务特征的散点图，图中服务状态散点密集且交错，表明SVM的服务特征识别能力最弱;图8b为基于标准AE识别特征的散点图，图中状态1与状态3以及状态1与状态2散点存在明显交叉，表明AE的服务特征识别能力存在明显不足;图8c图为基于DAE方法识别服务特征的散点图，图中不同服务状态间存在明显的分离。综合来看，所提出的DAE方法更有利于服务的可信特征和状态的分类。

如图9所示为多次试验后三种方法训练误差数据拟合成的训练误差曲线。SVM的训练误差最终收敛在0.475左右。AE是具有深度结构的神经网络，但由于AE不能有效地训练深度结构，导致其误差收敛曲线波幅较大。随着迭代次数的增加，AE训练误差最终收敛至零线附近。本文所提方法是基于深度结构对输入数据添加噪声进行训练的，DAE误差曲线能较快地收敛至零线附近，因此相对于SVM和AE具有更好的识别性能。

如图10所示，在多次试验后，DAE的识别准确率在98%附近上下小幅波动，AE试验识别准确率集中在87.52%～91.26%范围内，SVM的识别准确率在77.21%～83.15%范围内，准确率整体偏低，特征识别精度不稳定。

为了能更加具象地对比3种方法的识别精度，对15次试验样本的识别准确率取平均值，如表5所示。在特征识别精度方面，所提方法最高，平均识别准确率为97.95%；SVM最低，平均识别准确率仅为79.14%。综上所述，本文所提方法的特征识别能力与泛化性能相比于AE和SVM两种方法均有明显的优势，验证了方法有效性。

表5 特征识别结果对比

6 结束语

随着工业互联网平台的快速发展，平台下的制造服务是否可信成为了工业联网平台落地实施的关键问题。为了确保接入工业互联网平台的制造服务可信，本文通过分析制造平台间制造服务可信特征的区别和联系，围绕制造服务映射保真、服务信誉、协作状态3个方面，给出了工业互联网平台下的制造服务综合可信特征指标体系，提出了工业互联网平台下的制造服务可信特征识别框架及其关键技术，并设计了基于去噪自编码器的制造服务可信特征分类方法，最后通过智慧物流服务的案例仿真对所提方法的有效性和优越性进行了验证。

本文针对工业互联网平台的制造服务可信特征研究只是一个初步的尝试。在实际应用中，还需要做大量的工作。未来的研究将集中在以下方面：①细化并完善工业互联网平台制造服务可信特征指标体系；②工业互联网平台内制造服务管理和精确的服务需求匹配；③工业互联网平台中服务应用的安全保障、可靠性和管理技术。