李颖新,刘继红,张 宏,侯永柱,何志军,樊江鑫
(1.南京理工大学 计算机科学与工程学院,江苏 南京 210094; 2.北京航空航天大学 机械工程及自动化学院,北京 100191; 3.北京理工大学 机械与车辆学院,北京 100081)
云制造是一种融合云计算、物联网、高性能计算等智能技术,将制造资源与制造能力进行统一、集中管理,并为全生命周期用户提供实时所需、安全可靠和优质价廉的制造服务的技术[1]。在云制造概念的基础上充分利用大数据处理、机器学习等人工智能技术,对形成“万物互联、智能引领、数据驱动、共享服务、跨界融合、万众创新”的新业态具有重要作用[2]。航空航天、轨道交通、海洋工程等集团企业在长期的产品研制过程中积累了大量研发设计知识资源,这些资源已经成为企业的宝贵资产。然而因为研发设计知识资源通常分散在不同组织/系统中,缺乏统一管理,共享效率低且与研发流程融合不足,无法在产品全生命周期中发挥核心价值[3],所以借助云制造的相关理念搭建集团企业云服务平台,对研发设计知识资源进行统一管理,以实现知识资源的充分共享与有效复用。
在云制造模式下,制造资源与制造能力通过有效的途径进行匹配并服务于制造过程,是充分发挥云制造模式的关键,为此胡艳娟等[4]分析了云制造服务评价理论与方法的研究现状。在知识资源服务设计任务的过程中,同样存在服务质量和效率的优劣之分,因此需要构建满足研发设计任务和知识资源特点的评价体系与匹配决策方法。
任务与资源的双边匹配决策是一种考虑匹配主体双方满意度决策的方法,通过在匹配决策过程中最大化匹配主体双方满意度获得相对稳定的匹配组合,其中合理高效的匹配策略能够提高管理过程中决策的有效性。对于航空航天领域的复杂装备研制,设计活动中任务与知识资源匹配关系的确立是知识资源供应主体和知识需求主体之间双向选择的结果。然而目前相关研究多是从设计任务角度出发的单向匹配[5-7],未能充分考虑知识供应主体自身的特性和偏好。将双边匹配的概念引入设计知识资源匹配问题,在原有单向匹配的基础上增加知识需求主体即设计人员主观意愿,建立基于知识资源供应方与知识需求方两者满意度的双边匹配模型,有助于提升设计任务与知识资源之间的匹配效果。
本文在考虑设计任务需求与设计知识资源服务能力匹配度的前提下,将设计任务—知识资源的满意度纳入设计知识资源匹配考虑的范畴,提出研发设计任务与知识资源双边匹配总体框架,构建双边匹配满意度评价指标体系,利用Vague集对双边匹配产生的多指标满意度评价信息进行处理,并建立设计任务与知识资源的多目标双边匹配决策模型。
在双边匹配决策问题中,匹配主体双方的满意度评价是完成决策的关键环节之一,对双方满意度的评价和计算是否有效合理,将直接决定匹配决策的精准性。图1所示为设计任务与知识资源双边匹配总体框架,包括确定双边匹配问题与双边匹配主题、构建匹配主体双方满意度评价指标体系、处理匹配主体双方满意度评价信息、双边匹配计算和输出匹配决策结果5个步骤。
设计任务与知识资源双边匹配流程如下:
步骤1双边匹配问题与双边匹配主题的确定,设计任务的主体是设计人员,知识资源的主体是资源供应方,设计任务与知识资源匹配双方的满意度分别为设计任务与知识资源服务能力的匹配情况、资源供应方对设计任务的偏好情况。
步骤2构建用于衡量设计任务对知识资源服务能力的评价指标集,以及知识资源对设计任务偏好的评价指标集。以知识资源共享平台中的历史数据为信息来源,分别按照两个不同的评价指标体系进行评价,获取匹配主体双方的满意度评价信息。
步骤3采用多指标满意度评价方法对匹配主体双方满意度评价信息进行处理,获得设计任务对知识资源服务能力的综合评价结果a和资源供应方对每个任务偏好的综合评价结果b。
步骤4根据匹配主体双方的满意度评价结果进行双边匹配决策,获得最优匹配结果。
步骤5输出匹配决策结果,即为考虑设计任务与知识资源双边主体的最优资源。
基于设计任务需求的匹配分析是以寻找满足任务需求的知识资源为目标,对任务所需的知识资源进行一致性匹配的方法。在云制造模式下,知识资源的优劣不仅取决于知识资源的质量,还取决于使用该知识资源所付出的成本和代价。因为知识资源是用于解决设计任务的智力要素,所以对知识资源质量的评价需要考虑知识资源的可信程度、适用范围、时效情况等因素,对知识资源使用成本的评价主要考虑时间和费用成本两个因素。云制造模型下,基于任务需求的知识资源评价指标及其获取方式如表1所示。
表1 知识资源评价指标体系
一级指标权重向量为
ω1=[ωC,ωA,ωT,ωU]T。
(1)
二级指标权重向量为:
(2)
(3)
指标归一化后,知识资源评价矩阵
KREM=[C,A,T,U]ω1,
(4)
(5)
知识资源的供应方也会以设计任务的知识服务主体参与设计任务,因此在任务—资源匹配过程中还需要兼顾知识资源供应方对任务的偏好。基于资源供应方偏好的匹配是以寻找满足资源供应方偏好的任务为目的进行一致性匹配的方法。在设计知识资源匹配过程中,资源供给方会根据对自身知识能力的判断和兴趣偏好选择设计任务,即对不同类型的设计任务表现出不同的倾向。在执行任务的过程中,资源供给方对任务的倾向性会影响设计任务完成的质量和效率。通常资源供给方对任务的偏好主要表现在对任务的选择性参与行为上,其对哪类任务更感兴趣就会更倾向于服务和参与该类任务,对服务和参与任务的行为数据可以通过资源供应方在云平台的历史任务参与数据中获得。
知识资源供应方对设计任务的兴趣偏好与设计任务的类型和属性相关,不同的供应方对设计任务表现出不同的兴趣偏好。知识资源供应方对设计任务偏好的影响因素包括任务需求的知识类型、技能水平、任务报酬等,这些任务属性为基于资源供应方偏好的任务匹配提供了依据。本文从任务类型和任务复杂度两方面对设计任务进行建模,设计任务的表示模型为
T=(Tt,Tc)。
(6)
式中:Tt为任务类型;Tc为任务的难易程度。
资源提供方对不同类型任务的偏好程度由该项资源参与的所有任务中该类任务所占的比重确定,通过分析和统计其参与的设计任务属性,即可获得资源提供方对不同任务的偏好评分,从兴趣偏好角度进行任务匹配。
在任务—资源双边匹配模型中,设任务集T={T1,T2,…,Ti,…,Tm},m>1,Ti表示第i个任务,i=1,2,…,m;资源集S={S1,S2,…,Sj,…,Sn},n>1,Sj表示第j个资源,j=1,2,…,n;设m 因为序值Rij,Qij的确定分别受任务需求与资源服务能力、资源偏好等诸多因素影响,特别是在云模式下,多主体交互与资源共享过程中存在需求表述不明确、评价结果难以定量描述等模糊和不确定问题,所以处理不确定信息的模糊数学方法适用于确定偏序值。Vague集在含糊性知识表达和处理方面具有独特优势,且可同时表示支持和反对的证据[8],因此本文采用Vague集对双边匹配满意度评价信息进行处理。Vague集A在点x的Vague值可表示为 uA(x)∈[tA(x),1-fA(x)]⊆[0,1]。 (7) 式中:tA(x)为真隶属函数,表示x∈A的支持度;fA(x)为假隶属函数,表示x∉A的支持度;1-fA(x)-tA(x)表示x∈A的未知程度。 假设集团企业云服务平台中存在l条记录,由于记录是真实发生的资源匹配,在理想情况下对于每条记录均有tA(x)=1,fA(x)=0,1-fA(x)-tA(x)=0。设wk为记录k在所有记录中所占的比值,则设计任务与知识资源间的序值可定义为 (8) (9) 由此可计算双边匹配主体的满意度矩阵。因为序值和满意度属于互逆指标,所以定义如下: 设计任务对知识资源的满意度矩阵 ST=[aij],aij=[Di(Ri,G)(j)]-1。 (10) 资源供应方对设计任务的满意度矩阵 SS=[bij],bij=[Dj(Qj,H)(i)]-1。 (11) 双边匹配的目的是使参与双边匹配的两个主体——设计人员和知识资源供应方都能获得最大满意度,通过分析和计算两者间的满意度,可以建立以设计任务和设计知识资源双方主体满意度最大为原则的双边匹配决策模型,尽量满足设计人员和资源供应方的需求。设xij是一个0-1变量,xij=0表示设计任务Ti最终没有与设计知识资源Sj形成匹配,xij=1表示设计任务Ti与供应方Sj最终形成匹配。根据设计任务和设计知识资源双方满意度最大的要求及计算获得的双方满意度矩阵,构建双边匹配数学模型: (12) (13) (14) (15) xij∈{0,1}。 (16) 其中:式(12)和式(13)为设计任务和知识资源双边匹配模型的目标函数,式(12)表示尽量使设计任务T对设计知识资源S的满意度最大,式(13)表示尽量使设计知识资源S对设计任务T的满意度最大;式(14)和式(15)为设计任务双边匹配模型的约束函数,分别表示每个设计知识资源最多只被分配到一个设计任务,每个设计任务最多只分配给一个设计知识资源。 式(12)和式(13)为多目标优化函数,可采用线性加权的方法对其进行加权并转化为一个新的目标函数。设式(14)和式(15)的权重分别为θ1和θ2,转化得到的函数为: (17) (18) (19) xij∈{0,1}。 (20) 通过线性混合整数规划的方法对上式进行求解,即可获得最终的任务—资源匹配方案。 本文以卫星研制过程中的产品工艺设计任务与工艺知识资源间的匹配为例,验证设计任务与知识资源的双边匹配方法。首先,面向覆盖设计、工艺、制造、装配、检测等业务过程,梳理卫星研制过程的概念术语,以卫星产品结构为核心构建卫星研制本体,并对研制周期各阶段知识资源进行组织,卫星研制本体(部分)如图2所示。 从某云设计平台获取了最近一年的历史数据,抽取了7个待匹配元任务(T)和系统中的12位设计知识资源供应方(U)进行双边匹配,根据本文方法对平台内的相关数据做初步处理和分析,并进行双边评价,根据评价结果对设计任务和知识资源供应主体之间进行双边匹配和验证,具体过程如下: (1)基于任务需求的设计知识资源服务能力评价 结合表1中对用户能力素质评价指标的描述和计算方法,分别计算各评价指标间的相似度,最终获得用户知识能力与任务需求间知识能力的相似度,构建任务T对资源S的完全序值矩阵。基于任务需求的知识资源能力评价结果如表2所示。 采用主成分分析法(Principal Components Analysis, PCA)和层次分析法(Analytic Hierarchy Process, AHP)计算知识资源评价矩阵KREM,将其应用卡方分布离散化为Vague集等级,获得设计任务对知识资源的满意度矩阵(如表3),并根据历史记录获取期望向量G=([0.7,0.8],[0.3,0.6],[0.4,0.5],[0.75,0.9],[0.8,0.9],[0.65,0.7],[0.55,0.65],[0.7,0.75],[0.4,0.7],[0.3,0.65],[0.6,0.75],[0.5,0.5])。 (2)基于资源供应方偏好的满意度评价 根据资源供应方对设计任务的兴趣偏好评价获得对设计任务的满意度矩阵,如表4所示。 表2 设计任务T1对部分设计知识资源服务能力的评价结果 表4 资源供应方对设计任务的满意度矩阵 (3)双边匹配结果与分析 根据设计任务和资源供应方满意度最大的要求,将上述计算获得的两个满意度矩阵代入式(5)进行求解,获得任务匹配矩阵。最终的匹配结果为T1-U4,T2-U7,T3-U11,T4-U12,T5-U5,T6-U10,T7-U1。 为验证本文所述匹配方法的有效性,现将原有匹配结果与本文得到的匹配结果进行对比,从任务完成时间、任务完成评分、设计任务对知识资源的满意度及资源对设计任务的满意度多方面衡量匹配结果。 根据云平台中的数据,原来的设计任务-资源供应方匹配情况为T1-U10,T2-U12,T3-U2,T4-U11,T5-U5,T6-U9,T7-U4。平台原始匹配结果中,所有设计用户完成任务的总时长为133.25 h,任务完成的质量总评分为733。设计人员对知识资源供应方的满意度依次为0.54,0.57,0.35,0.88,0.80,0.60,0.58,0.93,总体满意度为5.25;知识资源供应方对设计任务的满意度依次为0.77,0.27,0.78,0.49,0.85,0.07,0.86,0.59,总体满意度为4.68。 按照本文得到的匹配结果邀请相关设计人员完成设计任务,所有设计人员完成任务的总时长为119.3 h,较原方案提高了10.47%,任务完成的质量总评分为747,较原方案提高了1.91%。设计人员对知识资源供应方的满意度依次为0.68,0.78,0.58,0.55,0.80,0.79,0.59,0.95,总体满意度为5.72,较原有匹配方案提高了8.95%;知识资源供应方对设计任务的满意度依次为0.68,0.98,0.86,1.00,0.85,0.77,0.93,0.98,总体满意度为7.06,较原有匹配方案提高了50.85%。 为解决研发设计任务与知识资源之间的双边匹配问题,充分提升集团企业云服务平台在知识资源共享和复用方面的能力,本文提出面向云制造模式的研发设计任务与知识资源双边匹配总体框架,并提出双边匹配满意度评价指标体系、多指标满意度评价信息处理,以及多目标双边匹配决策模型构建与求解等方法。通过卫星产品研制工艺知识对设计任务和知识资源供应主体之间进行双边匹配与验证。结果表明,本文所提方法提高了设计人员与知识资源供应方之间的满意度,并在此基础上提升了产品设计任务执行的效率和质量。然而,设计任务与知识资源匹配的讨论并未结束,对目前平台的运行效果仍有可以提升的地方,未来将继续学习最新的方法理论,对这些问题进行更深入地研究。3.2 多目标决策模型的构建与求解
4 实例验证
5 结束语