基于双前沿面数据包络分析的云制造服务功能匹配

针对云制造环境下功能匹配过程中属性权重需提前确定,进而影响匹配精度的问题,提出了一种基于本体相似度的双前沿面数据包络分析(DEA)匹配方法,该方法根据总体几何平均相似度进行服务排序,并自动生成属性权重。首先,为了提高匹配效率,从基本信息、类型、状态及功能四方面对云制造服务与需求进行描述;然后,引入信息量并改进相似度计算方法,提出基于概念语义距离、信息量和概念层次顺序的本体概念综合语义相似度计算方法;在此基础上,运用双前沿面DEA模型衡量总体效率,以此进行服务排序;最后通过算例证明了该方法的可行性。所提方法为改善云制造服务功能匹配效果提供了参考。

基于改进Gale-Shapley算法的云制造供需双向选择研究

针对传统云制造交易机制下以需求方偏好为中心,而缺乏对资源提供方需求偏好考虑的问题,提出了一种基于改进Gale-Shapley算法的云制造双向选择机制。该机制通过将供需双方给出的不同评价数据类型转化为联系数,并利用数据集成算子集成得到双方间的综合满意度排序,然后由需求方根据排序结果提出交易申请并与提供方达成暂时交易状态,根据双方的需求偏好,经过多轮匹配,最终找到满意的交易对象。通过实验验证了该机制的有效性,并对比了两种交易机制下双方对交易对象的满意度评价,结果表明改进后的交易机制在满足需求方需求偏好的前提下,能够很大程度提高提供方对交易对象的满意度。

云制造模式下的再制造企业生产调度研究

针对多重不确定因素影响下再制造企业如何高效合理进行再制造生产调度决策问题,提出了一种云制造模式下包含回收产品质量、再制造时间、再制造成本以及再制造处理方法等多种不确定因素的再制造生产调度模型。首先,对回收产品通过模糊层次聚类分析法进行质量等级划分;然后,根据划分结果采用不同的再制造处理方法;最后,通过NSGA-Ⅱ算法求解模型得到再制造生产调度方案。通过实验验证了该模型的可行性,并对比了进行质量划分与否对再制造生产过程中再制造时间和成本不确定的影响,结果表明进行质量等级划分能够有效减少再制造生产调度过程中再制造时间和加工成本不确定的影响。

基于CNN满意度模型的云制造服务组合优化算法

本文研究云制造服务组合问题,针对传统云制造服务组合采用单一的线性加权模型,不能动态地反映用户满意度的需求,提出一种基于卷积神经网络(CNN)的满意度动态模型,从而构建基于动态模型和改进遗传算法的云制造服务组合的优化算法。构造非对称的多尺度卷积神经网络,使用历史数据训练CNN,实现权值的动态调节,从而构建满足用户不同需求的云制造服务满意度的动态模型。对遗传算法采取了动态的精英策略并且引入排挤机制和快速非支配排序。结果表明,得到的云制造服务组合用户满意度相比线性加权模型提高了17.33%,相比BP神经网络构建的非线性模型提高了9.34%,均方误差(MSE)降至0.00226。在云制造服务平台中验证所提模型构造方法和算法策略的可行性和有效性,在高维度模型中收敛速度仍然很快,克服了以往使用固定权值的线性组合的弊端,使得满意度得到提高,同时具有较高的稳定性。

基于CiteSpace的国内云制造研究热点与发展趋势分析

借助CiteSpace软件对2010年至2022年发表在中国知网核心期刊上的云制造领域文献进行文献计量分析,通过对发文量、发文作者、发文机构、研究热点与研究前沿的分析,旨在对国内云制造领域的研究现状与研究趋势进行梳理。研究发现:云制造文献数量在2010年至2012年呈现出井喷现象,此后经历了反复下降上升的波动趋势;云制造文献主要来源于计算机领域相关期刊;国内云制造高产作者之间与研究机构之间合作关系较为紧密,呈现高度专业化的现象;近十三年来国内云制造领域研究内容可分为云制造平台构建、云制造模式及应用研究以及云制造服务,其中云制造服务是当前该领域的研究热点与趋势,且云制造服务研究视角逐渐从服务需求方扩展到服务供需双方。

不完全信息下云制造平台动态匹配时域与稳定匹配研究

鉴于现有研究侧重于构建云制造平台供需匹配模型并开发求解算法,批处理匹配时域长度在不确定环境下对云制造平台运营的影响关注不足,针对云制造平台产能供需双方随机到达并可随时离开的复杂情景,建立了基于动态二部图的Markov决策模型,并提出基于状态和动作重塑技术的Q-learning动态时域匹配决策方法。该方法根据平台订单和共享产能的聚合信息,自适应地决策匹配时域长度,并产生考虑了供需双方偏好的稳定匹配方案。数值实验表明,在多种情景和问题参数下,该方法的综合平台运营指标优于常用的随机事件触发和固定匹配时域方法。实验结果为云制造平台供需匹配运营提供了管理启示。

考虑订单接受的云制造调度研究

为了使云制造模式更面向商业实际和保证云制造任务实际执行率,考虑实际生产和交易订单接受要求,在云制造资源调度问题中引入订单接受与调度问题的解决思路,提出考虑订单接受的云制造联合调度问题。从服务提供者订单接受逻辑角度出发,考虑生产连续性的影响,以最大化用户满意度和平台资源利用率为目标构建了云制造调度模型,引入Circle混沌映射和模拟退火机制设计了一种改进的蜣螂优化算法实现对模型的优化求解。使用铸造云的实例进行测试,验证所提方法有效,优于不考虑订单接受的调度目标,改进算法更高效,获得了更优适应度。

基于改进NSGA-Ⅲ算法的云制造服务组合优化

为解决云制造环境下复杂制造任务的服务组合问题,促进云制造模式的良性发展,构建综合考虑服务需求方、云制造平台和服务提供方三方利益的多目标服务组合优化模型。基于反向学习机制和多目标种群自适应进化机制改进NSGA-Ⅲ算法,并将该算法应用于多目标服务组合优化模型求解。通过比较NSGA-Ⅲ算法与改进NSGA-Ⅲ算法的各个方向适应度的均值和方差,验证了后者在求解多目标服务组合优化问题上的有效性。

云制造环境下面向多任务协同的机床装备资源动态调度方法

针对云服务环境下支持多任务协同运行的机床装备资源易受紧急插单、系统故障、质量异常等不确定高频扰动影响,致使云制造服务难以高效、稳定运行的问题,提出一种面向多任务协同的机床装备资源动态调度方法。通过应用非线性工艺规划理论,建立了一个包括最小时间、成本、能耗、负载均衡度及最优服务质量和可靠性为约束目标的调度模型,并采用改进遗传变邻域算法对其求解。同时,基于生产随机扰动致使调度方案动态偏离的问题,提出一种基于事件驱动和周期性重调度的动态调度策略,以支持云制造服务的协同优化运行;最后通过仿真案例验证该模型及算法的可行性和适用性。

基于图卷积的云制造服务编码算法

随着云制造模式及相关技术的发展,越来越多的服务提供者在云平台上发布并提供云服务业务。客户如何在大量功能相似、服务质量相近的云制造服务中检索并选择合适的云服务,已成为云平台运行过程中的难题。将服务关系与服务特征相结合,将制造过程中的协作关系引入服务哈希编码,对制造服务生成二进制编码,提出一种基于图卷积的云制造服务编码检索算法,通过采用汉明距离等方法度量服务间相似性,筛选服务候选集,提高算法效率。实验结果表明:该算法能够准确、有效地为服务平台上的客户提供良好的制造服务候选集。

基于不完全信息博弈的云制造群智能优化方法

为解决云制造过程中云平台经营方与需求方之间的不完全信息以及相互竞争制约的关系导致制造服务难以抉择的问题,提出了一种基于不完全信息博弈模型的云制造群智能优化方法。以各自理性追求自身收益函数最大化为目标,针对需求方与云平台之间的利益竞争关系建立了基于不完全信息的静态博弈模型,并提出了需求方与云平台之间的竞争规则,通过海萨尼转换引入自然,将其转换为完全信息下的动态博弈得到贝叶斯扩展式,并证明了贝叶斯纳什均衡的存在性和唯一性。提出了一种基于高斯函数与扰动策略更新的粒子群算法对上述模型进行求解。仿真结果表明:改进算法相对其他算法有较快的收敛速度与较高的云制造系统总收益,不完全信息博弈模型能够兼顾不同类型的需求方提高云制造系统的总收益。

云制造下小批量定制产品的服务组合双层优选方法

为解决云制造环境下小批量定制产品的服务组合优选问题,提出一种以加工特征作为任务粒度的资源服务组合双层优选方法。该方法首先构建了需求—特征图谱、制造资源供应图谱对供需两方信息进行描述与存储;然后设立加工合格率、满意度评价值、交付按时率、供应偏好值4个指标,并依托变异系数法进行赋权来初筛供应商,实现一层优选;最后建立了以工艺总成本、工艺总时间及总碳排放作为优化目标,特征间的优先级关系作为约束的优化模型,并使用融入次候选集变异算子的改进遗传算法NSGA-Ⅲ对其进行求解,完成二层优选。通过对实例结果的工艺流动顺序分析验证了该方法的可行性,并证明了改进后的算法求解效果更佳。

能耗感知的云制造服务选择与调度优化方法

云制造服务选择与调度(CMSSS)问题在优化资源配置和满足用户需求方面被广泛关注。然而,大多数现有方法对制造设备的预热过程考虑不足,导致了能源的浪费。为了降低制造能耗并保证服务质量(QoS),建立了CMSSS的多目标优化模型,通过任务衔接度模型量化制造服务设备的预热能耗,并提出一种能耗感知的云制造服务选择与调度优化方法(ECAM)。该方法根据QoS指标为任务选择复合服务,根据制造服务占用情况将子任务调度到空闲时段,并最大化任务衔接度,以降低制造设备的预热能耗。结果表明,在6种评价指标权重下,ECAM比以往的可行调度生成方案(FSGS)具有更好的适应度。在具有预热过程的云制造场景中,ECAM能获得与FSGS基本一致的QoS满意度和更好的能耗经济性。

云制造环境下分布式制造资源的优化配置

针对云制造环境下分布式制造资源的优化配置问题,对制造资源需求方所提交的任务进行形式化描述以及复杂任务细化分解;改进了传统的多目标粒子群优化算法,提出融合多策略的多目标优化算法,解决云制造环境下制造资源的多目标优化配置问题;基于综合评价策略,进一步优选配置方案。通过对分布式制造工厂进行仿真实验,验证了融合多策略的多目标优化算法的合理性和优越性。

基于改进灰狼算法的云制造服务随机调度优化研究

为研究云制造背景下分散的制造资源随机调度问题,将服务时间设置为不确定生产参数,建立随机调度模型,并使用与强化学习结合的改进灰狼算法进行求解以优化调度方案。从云平台、用户以及服务提供商三方出发,提出了基于不确定环境的多目标数学模型,同时,将灰狼优化算法与强化学习结合,使用Q-learning调整参数,并利用双种群分别进行探索和挖掘,防止陷入局部最优,并用于解决中大规模实例。通过对比实验评估算法性能,该算法在16组算例中性能均显示最优,能够提升加工效率并增加相关者收益,对算法参数进行了敏感性分析,验证了参数的合理性和适用性。

“大数据与云制造”课程教学探索与实践

“大数据与云制造”作为一门将制造技术与信息技术深度融合的课程,对拓展学生创新思维,构建具有时代特征的智能制造知识体系具有重要意义。基于机械工程专业学科背景,探索了“大数据与云制造”课程的课程组织、教学模型、课程内容设计与考核等环节,通过将大数据和云制造两个维度技术融入其中,并围绕理论教学内容引入行业典型实践案例,优化教学环节和教学活动,以提高学生从大数据与云制造角度分析和解决复杂工程问题的能力和信心,为“新工科”背景下本科课程建设与探索提供参考。

基于改进型哈里斯鹰算法的云制造服务组合优化方法研究

云制造环境下,云平台以制造服务组合的形式为个性化需求提供按需服务,可显著提升订单响应速度与提高资源利用率。采用哈里斯鹰算法构建制造服务组合,针对制造服务间物流转运问题,建立独特的编码与解码机制。为解决该算法存在早熟收敛问题,引入Logistic一维混沌系统,设计非线性逃逸能量更新机制和3种邻域搜索策略。通过实验验证了改进后的哈里斯鹰算法在解决云制造服务组合优化问题时具有显著优越性。

基于工业互联网的云制造虚拟仿真实训基地建设探索——以常州信息职业技术学院为例

由于信息技术的快速发展,国家对职业教育人才的培养模式也在逐步发生变革。利用现代信息技术推动人才培养模式改革,满足学生多样化学习需求,大力推进“互联网+”“智能+”教育新形态,成为当下职业教育变革的主要路径。虚拟仿真实训基地建设可以营造良好信息化育人环境,将实际生产场景融入信息化教学,实现以实带虚、以虚助实、虚实结合目标,提高学生学习质量,有效突破教学设备使用成本高、台(套)数不能满足整班教学需求的困境。

低碳背景下云制造创新生态系统价值共创演化博弈研究

为了更好地促进低碳背景下云制造创新生态系统各主体之间的创新合作和绿色发展,构建云制造创新生态系统价值共创演化博弈模型,运用系统动力学和MATLAB软件仿真分析静态奖惩机制下系统演化的结果,以函数化形式合理地优化奖惩变量,构建动态奖惩机制,分析工艺流程碳排放量、其他组织帮扶、环境质量等因素的影响。结果表明,静态奖惩机制下,不同主体对收益和损失的敏感程度不同,平台企业的补贴奖励与政府的参与行为呈倒U型关系。动态奖惩机制可有效提高企业之间的合作行为,使系统更快趋于稳定状态;整个价值共创过程受工艺流程碳排放量、环境质量提升程度、向其他组织支付费用的影响。

云制造环境下基于遗传算法的人力资源优化配置研究

基于要实现企业目标的最大化,人力资源的合理配置的目的,采用了云制造环境,提出了基于遗传算法的人力资源优化配置方法。该研究针对人力资源优化配置模型,设置七条假设。构建生产总效益和人岗匹配度两个目标函数并设置约束条件,将实际问题转化为数学模型。利用遗传算法求解人力资源优化配置模型,得出最佳配置方案。结果表明,所研究方法应用下,配置方案的生产总效益更大,人岗匹配度更高,由此说明该方法配置的人力资源方案更为合理。