基于語義網的智能云制造服務研究

董朝陽 張琳

摘? 要：文章建立集中統一的云制造服務大數據語義網，通過本體解決數據異構問題，在語義層面支持數據的互操作，實現數據有效集成共享，充分發掘隱含在大數據背后的知識和價值，構建跨領域可重構的云服務智能制造知識庫，通過語義推理，實現對制造過程及制造系統的動態優化調度，使云制造服務處于最優效能狀態。

關鍵詞：云制造;智能制造;智能云制造服務;語義網;知識發現

中圖分類號：TH166? ? ? ? 文獻標識碼：A? ? ? ?文章編號：2095-2945（2019）30-0001-02

Abstract： The integrated semantic web for big data of cloud manufacturing service is constructed. The heterogeneous data are integrated by ontology. Then the semantic interoperability between data is realized. The data are effectively integrated and shared. The knowledge and value hidden behind the big data are fully mined， so the cross-domain and reconfigurable intelligent manufacturing knowledge base for cloud service is build. By semantic inference， the dynamic optimization and scheduling of manufacturing process and manufacturing system are realized， so the cloud manufacturing service is adjusted to be in optimized condition.

Keywords： cloud manufacturing; intelligent manufacturing; intelligent cloud manufacturing service; semantic web; knowledge discovery

引言

云制造服務是構成制造云的基本要素，是服務化的制造資源和制造能力。云制造服務將各種制造資源和制造能力進行抽象封裝，通過網絡為用戶提供面向產品全生命周期，并具有標準接口的規范可共享的制造服務。在云制造模式下，分散在各地的云制造服務提供方將其擁有的云制造服務智能接入云制造服務平臺，從而實現云制造服務的智能發現匹配、組合優化、動態調整和按需使用[1]。

與此同時，智能制造借助RFID技術在識別、感知、聯網、定位等方面的強大功能，將包括機器、設備和設施群在內的工業網絡與先進的傳感器、控制裝置和應用軟件相連。智能制造可應用于復雜零件制造過程管理，能有效提升其制造效率和品質[2]。

在現階段，云制造需要與智能制造結合才能發揮出更大作用，而現有云制造服務研究主要圍繞著制造資源的虛擬化及可視化、基于云計算技術的制造服務封裝、遠距離監測與控制等，對于面向云制造的智能云制造服務（ImaaS）研究不夠。

云計算、物聯網、移動互聯技術的飛速發展極大促進了制造業的信息化應用和發展，這些應用時時刻刻產生著海量數據，其中蘊藏著豐富價值的同時也帶來了許多新問題，例如數據來源復雜，數據形式混雜異構、存儲格式多樣化，形成了一個個缺乏有效溝通共享的信息孤島，大量的信息不能及時地共享。

云制造環境下的智能云制造服務需要研究如何在云制造服務內部結合大數據處理技術、物聯網技術、云計算及知識發現，對云制造服務中的人力資源、設備及各種裝置、物料庫存、刀夾量具等多類制造要素進行全面狀態感知、實時分析、并實現動態優化調度及自主決策，使制造過程以及制造系統處于最優狀態[3]。

1 基于本體映射的加工任務與云制造服務匹配方法

智能云制造服務的關鍵技術即在于實現云制造服務智能搜索匹配、針對復雜加工任務進行云制造服務組合優化、以及通過有效集成共享制造大數據，充分發掘數據知識和價值，實現智能云制造服務。

對特定加工任務而言，搜索匹配具備加工能力的制造資源一直依靠傳統人工管理模式進行，云制造服務智能搜索匹配的主要目的就是便于實現加工任務的加工要求和云制造服務的制造資源及制造能力之間的搜索匹配。

本文利用概念樹對云制造服務的財務、技術、設備、人力資源、軟件資源、物流資源等方面知識進行描述，建立本體概念框架，明確各種概念之間的關系，利用本體表達的制造資源知識結構對Web制造資源進行映射，構成云制造服務制造能力本體模型。同樣，制造任務及制造要求也可以通過本體進行建模。

云制造服務智能搜索匹配就是總加工任務分解為便于協同完成的原子加工任務，再為每個原子加工任務搜索出具備加工能力的備選云制造服務，有了云制造服務本體及加工任務本體，則備選云制造服務搜索就轉化為制造任務本體與云制造服務本體之間的映射問題。概念是本體結構中的主要實體，概念相似度計算是云制造服務智能檢索即本體之間的映射的基礎。

2 云制造服務組合優化

云制造服務組合優化通過綜合考慮各備選云制造服務的加工時間、加工成本、加工能耗、服務質量、可信任性，以及備選云制造服務之間的運輸時間及運輸成本、物流能耗等指標，為加工任務中的每個原子任務選擇出整體最優的云制造服務。

當不考慮各備選云制造服務之間的運輸時間、運輸成本、物流能耗等指標時，云制造服務組合優化問題屬于典型的多目標、多選擇、多約束背包問題。當考慮各備選云制造服務之間的運輸時間及運輸成本時，該問題變得極為復雜，因為整條工藝路線中任何一個原子任務選擇的云制造服務改變時，都會使得該云制造服務與上一個原子任務及下一個原子任務所選擇的云制造服務之間的運輸時間、運輸成本、物流能耗發生變化，從而對上一個及下一個原子任務選擇云制造服務產生影響，進而對工藝路線中其余所有的原子任務選擇云制造服務形成約束[4]。

多目標、多選擇、多約束背包問題是更為廣義的背包問題，多目標、多選擇、多約束背包問題遠比0-1背包問題復雜，已有解決方法存在限制條件很多的缺點，而且當約束較多時算法性能不穩定，求解效率也大大降低，在一些情況下無法在多項式時間內求解。目前，對于同時具備多目標、多選擇、多約束特征的背包問題的研究較為少見。本文通過設計并行群智能優化算法求解云制造服務組合優化問題，并使該算法適合于求解一般多背包問題。

3 基于大數據處理技術及知識發現實現智能云制造服務

生產過程中產生的海量數據來源復雜，數據形式混雜異構、存儲格式多樣化，形成了一個個缺乏有效溝通共享的信息孤島，大量的信息不能及時地共享。需要建立集中統一的大數據語義網對這些數據進行分析處理，并及時對生產過程進行動態優化調度[5]。

例如，需要對生產過程中刀具信息的全方位管理，包括刀具長度、磨損量、刀具所在位置等信息，實現刀具的加工工藝參數、刀具補償量、刀具壽命參數、刀具磨/破損等在線監控，以及刀具借用、歸還、配置、檢驗、報廢、采購的全面管理，提高刀具利用率，提高機床使用效率。同樣需要實現物料/在制品從“倉庫→配送→加工→檢測”全過程可視化管理;實現各種生產數據采集的自動化和實時化;能有效跟蹤、管理和控制生產所需資源和在制品等。

本文根據采集到的各類制造大數據構建面向云制造服務大數據的本體模型，建立大數據RDFS。包括CRM系統的訂單數據、ERP的計劃數據;SCM的主計劃和調度數據、PDM工藝文件和各種配方及操作參數、車間執行系統實時采集的生產狀態信息、設備狀態監測數據、各種工裝的加工工藝參數、刀具壽命參數、刀具磨/破損等在線監控數據等。

根據已構建的RDFS，抽取云制造服務大數據中結構化數據（關系型數據庫）和半結構化（XML及其它標記語言等）、非結構化數據（巡檢記錄、圖形、圖像、監控視頻等）并進行語義標注，建立面向云制造服務大數據的語義網。

本文基于深度學習等知識發現方法，構建跨領域可重構的智能云制造服務制造知識庫，并對已有云制造服務大數據RDFS進行補充完善。實現現場采集的制造狀態信息與逐步積累的制造知識之間的有效協同。將一個個缺乏有效溝通共享的信息孤島集成到高度語義共享的語義網系統之中，使所有資源、數據、知識達到充分共享。

基于SPARQL及推理規則SWRL，實現對云制造服務大數據語義網的語義搜索及推理，對現場采集的制造數據進行實時分析，將來源復雜，數據形式混雜異構、存儲格式多樣化的車間現場大數據通過語義推理，轉化為可用于智能決策的可視化信息。在制造過程中不斷地動態優化智能云制造服務知識庫，使制造過程以及制造系統處于最優效能狀態。

具體技術實現方案如圖1所示。

4 結束語

本文旨在突破云制造環境下智能云制造服務的瓶頸技術，即云制造服務智能匹配、云制造服務組合優化、以及基于大數據處理及知識發現的智能云制造服務。為了便于搜索最優的云制造服務，建立了制造任務本體及云制造服務本體，并通過基于概念樹的語義相似度計算方法實現二者之間的匹配映射。對云制造服務組合優化問題進行深入分析，將其歸類為復雜多目標、多選擇、多約束背包問題，通過設計智能優化算法進行求解。建立了集中統一的云制造服務大數據語義網，充分發掘隱含在大數據背后的知識和價值，構建跨領域可重構的云服務智能制造知識庫，通過語義推理，實現對制造過程及制造系統的動態優化調度，使云制造服務處于最優效能狀態。

參考文獻：

[1]李伯虎，張霖，任磊，等.云制造典型特征關鍵技術與應用[J].計算機集成制造系統，2012，18（7）：1345-1356.

[2]尹周平，陶波.智能制造與RFID技術[J].航空制造技術，2014（3）：32-35.

[3]Yang Cao， Shilong Wang， Ling Kang， et al. Study on machining service modes and resource selection strategies in cloud manufacturing[J].Int J Adv Manuf Technol，2015，81：597-613.

[4]董朝陽，蔡安江，等.多背包問題求解及其在網絡化制造中的應用[J]. 機械設計與制造，2010，5：72-74.

[5]Yunliang Chen， Fangyuan Li， Junqing Fan. Mining association rules in big data with NGEP[J].Cluster Comput，2015，18：577-585.