云環境下大規模制造產品生產模式及資源調度研究

李雪 李芳

摘 要：為解決大規模定制中因個性化產品需求過多導致批量不足而增加生產成本問題，提出一種云制造環境下涵蓋從客戶提交制造請求到制造完成的產品定制模式。為解決該模式中涉及的資源調度問題，建立由所有產品制造時間總和最小、制造總成本最低和總合格率最高的多目標優化函數，并使用NSGA-Ⅱ算法對模型進行求解。使用3種無人機協同制造案例模擬該模式運行過程，驗證了資源調度模型的實用性和有效性。

關鍵詞：云制造;成組技術;大規模產品定制;NSGA-Ⅱ

DOI：10. 11907/rjdk. 192577 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2020）005-0065-04

0 引言

云制造是基于云計算、物聯網、大數據、面向服務技術等新興信息技術發展起來的一種新的制造模式，主要基于李伯虎院士的“分散資源集中使用，集中資源分散服務”思想，為制造業的發展提供了新的方向[1-5]。在云制造系統運行過程中，制造需求具有個性化特點[6]，與大規模產品定制中的客戶需求個性化不謀而合。

以較低成本提供高質量產品是企業的經營目標之一，而大規模產品定制的核心能力表現為降低成本、高效地為顧客提供商品。大規模定制生產呈現出多品種、小批量以及快速響應的特性[7]。然而，隨著顧客需求越來越偏向個性化發展，大規模定制的理念和規范化產品定位難以適應這種變化，而云制造環境的運行特點可以彌補這種不足。

云制造中產品個性化定制指利用云計算、物聯網等技術，將分布在全球不同企業的各類制造資源匯聚到云平臺并進行統一的管理和調度，通過網絡全面共享制造資源、制造能力、客戶定制信息以及第三方企業服務信息。云制造平臺為顧客、定制企業和第三方企業提供包括產品、信息、平臺等服務，從而實現低成本高效率的個性化定制生產[8]。目前，關于云制造研究主要集中在云制造服務構架[9-11]、云制造技術和模式創新[12]、資源服務的優化組合[13]等方面;而大規模定制相關研究主要集中在技術[14]、管理[15]、產品[16]3個方面。目前，有關云制造與大規模定制融合的研究還處于探索階段，李強等[17]針對單個企業實施個性化定制生產面臨的實際問題，提出一種新的個性化定制生產模式，但該模式缺乏對多個個性化產品生產需求的研究;童曉薇等[18]提出一種云制造環境下大規模產品定制的組織模式及需求轉換模型，但對其中的資源調度問題未涉及。

本文結合云制造環境，針對大規模定制產品需求個性化不足的問題，提出一種云制造環境下涵蓋從客戶提交制造請求到制造完成的產品定制模式，并建立由所有產品制造時間總和最小、制造總成本最低和總合格率最高組成的多目標優化函數，解決涉及的資源調度問題。使用NSGA-Ⅱ算法對其進行求解，并通過算例進行驗證其有效性與實用性。

1 云制造環境下大規模定制組織模式

本文提出的云制造環境下大規模定制模式如圖1所示，該組織模式共有3個過程：①需求收集過程。客戶登陸云平臺，發布產品制造需求;②需求分解與重組過程。云制造平臺通過云計算對客戶需求進行分類整合，先根據內部零部件構成，把每種產品分解成多種制造子任務，再運用成組技術并根據內部零部件的相似構成，對不同產品的相似制造子任務進行歸類整合;③需求分配過程。對整合完畢的制造任務尋找最合適的供應商生產制造。

在對子任務進行歸類時，主要利用成組技術相關知識。成組技術是一種制造組織策略， 在該策略中， 具有某些相似性 （如幾何形狀、材料、制造工藝或質量標準） 的零件被歸到特定群組或系列中， 然后采用一種通用生產方法進行制造。在計劃加工工序時， 它針對的是整個零件系列而不是單個工件[19]。而后，基于相同的制造服務規范，進一步將制造需求與制造服務供應商目錄建立映射，實現制造需求的再分配，形成大規模定制需求到云制造服務供應商之間的高效轉換。在需求分配過程中，如何選擇最合適的供應商是本研究的主要內容。

2 多目標優化模型

2.1 問題描述及模型假設

本模型的生產組織模式：在客戶向云平臺發出生產請求后，云平臺對產品進行工藝流程分解，利用成組技術對包含相同零件系列的制造子任務進行歸類，統一尋找合適的供應商。通過這種方式，可在生產過程中使某些個性化要求的任務形成規模，便于生產和運輸。從客戶提交請求、云平臺分析計算到尋找合適的供應商提供服務的整個生產調度過程中，涉及到的調度問題比較復雜，本文主要從制造總時間、制造總成本以及質量三方面實現整個調度過程的最優化。為使研究更具操作性，本文作以下假設：①供應商提供的服務只包含本任務所需的生產服務以及物流運輸服務，不提供裝配服務，裝配工作由固定的裝配公司進行;②不同供應商之間的生產服務是獨立的，沒有時序約束;③同一產品的制造子任務具有相同的優先級;④供應商都具有足夠的生產能力。

2.2 多目標優化函數建立

假設同時有多個客戶在云平臺發布不同產品制造需求，不同產品依次對應不同編號，產品制造需求編號集合為N={1，2，3， …，n};每種產品制造需求在云平臺進行零件制造任務分解，產品制造子任務集合為FN={[Partmi]}，其中，i表示針對某一產品需求進行任務分解時的編號，i∈N+;m表示經過歸類整合后的任務編號，m∈N+。多目標優化目標函數為：

式（4）為時間約束，每種產品的完成時間不能超過客戶要求的時間[Tn];式（5）為成本約束，每種產品的制造裝配以及物流所產生的成本不能大于客戶限定成本（市場平均價格）[Cn];式（6）為質量約束，每種產品的質量不能低于客戶所要求的產品質量[Qn]。

3 帶精英策略的非支配排序遺傳算法

NSGA-Ⅱ算法是Deb等學者于2000年在NSGA 算法的基礎上提出的，該算法能夠得到一系列分布均勻、多樣性較好的最優解集，適用于多個目標的優化問題[21] 。算法流程如圖2所示。

在對種群進行初始化時， 按整數編碼的方式對染色體進行多層編碼。每個染色體的編碼表示一個具有二維特征的可行解，該染色體前段表示子任務編號，后段表示對應的供應商編號。產品[n]的子任務總數為[i]，子任務[ni]對應的供應商為[mj]時，每個染色體的長度為[2i=1knimj]。例如個體[24135//21312]中，子任務2選擇對應的第2個供應商，子任務3選擇對應的第3個供應商。

然后，對初始種群中的個體進行Pareto 優勝級別排序，級別越低表示其適應度越高。接著對初始種群進行選擇：首先比較個體的非劣級別，級別最低的進入進化池，如果級別相同則進行擁擠距離計算，擁擠距離大的進入進化池。個體i的擁擠度計算公式為：

它表示在所有目標函數中擁擠距離的和，優先選擇擁擠距離大的個體進入下一代，有利于保持種群的多樣性[22]。選擇完畢后的個體分別進行交叉和變異操作，二者具有隨機性，但都有相應的概率。此時形成子代種群，將其與父代種群進行合并，繼續進行擁擠距離排序和 Pareto 優勝關系排序，循環至滿足條件停止。

4 算例驗證

無人機主要由機架、飛控、電調、電機，槳、航模鋰電池、遙控器7部分組成，因客戶對其功能要求不同，在機架、風控、電調等方面會存在型號差異。某客戶通過云平臺向無人機代銷公司發布3種不同的無人機需求各10次，現該公司要根據其需求尋找最優供應商來滿足客戶需求。

由圖2可以看出，經過約35次迭代后群趨于平穩，此時，目標函數值minT=115，minC=18639，maxQ=0.906，與需求整合前相比，3種無人機的生產時間共節省5天，成本節省861元，每種任務所選對應供應商見表3，每種產品需求的計算結果值見表4。

5 結語

本文針對大規模定制生產中因個性化需求過多導致批量不足而增加成本和時間的問題，結合云制造環境，提出云制造環境下涵蓋從客戶提交制造請求到制造完成的產品定制模式。建立由所有產品制造時間總和最小、制造總成本最低和總合格率最高組成的多目標優化函數，解決制造成本、質量、時間的調度問題，并使用帶精英策略的非支配排序遺傳算法對其進行求解。最后使用無人機這一算例模擬該模式下的生產過程。計算結果表明，可實現該生產方案最優，說明該模式具有一定的現實意義。

本文雖然創新地提出了云環境下解決大規模定制中個性化不足的生產模式，但由于現存研究對該模式的研究尚處于起步階段，后續還需結合更多生產實例加以優化。

參考文獻：

[1] 李伯虎，張霖，王時龍，等. 云制造——面向服務的網絡化制造新模式[J]. 計算機集成制造系統，2010，16（1）：1-7，16.

[2] 李伯虎，張霖， 任磊，等. 再論云制造[J]. 計算機集成制造系統，2011，17 （3）：449-457

[3] ZHANG L，LUO Y L ，TAO F ，et al. Cloud manufacturing： a new manufacturing paradigm[J]. ?Enterprise Information Systems， 2014， 8（2）： 167-187

[4] 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， 16（7）：1345-1356

[5] 張霖，羅永亮，陶飛，等. 制造云構建關鍵技術研究[J]. 計算機集成制造系統，2010，16（11）：2510-2520.

[6] 楊文偉，樊蓓蓓，李聰. 基于改進粒子群算法的大規模定制生產調度問題研究[J]. 計量與測試技術，2018，45（8）：19-23.

[7] JIAO J X， TSENG M M. A methodology of developing product family architecture for mass customization [J]. ?Journal of Intelligent Manufacturing， 1999，10（1）： 3-20.

[8] 魏宏靜，李少波. 云制造中產品個性化定制研究綜述[J]. 工程設計學報，2018，25（1）：12-17.

[9] WANG X V，WANG L H ，G？RDES R. Interoperability in cloud manufacturing：a case study on private cloud structure for SMEs[J]. International Journal of Computer Integrated Manufacturing，2018，31（7）：653？663.

[10] 黃爽，黃必清. 云制造平臺安全體系架構[J]. 計算機集成制造系統，2018，24（4）：851-861.

[11] 李清，唐騫璘，陳耀棠，等. 智能制造體系架構、參考模型與標準化框架研究[J]. 計算機集成制造系統，2018，24（3）：539-549.

[12] 任磊，任明侖. 基于學習與協同效應的云制造任務動態雙邊匹配模型[J]. 中國管理科學，2018，26（7）：63-70.

[13] 馬俊濤，陳業恩，胡國杰，等. 云計算環境下基于遺傳算法的任務調度技術研究[J]. 軟件導刊，2016，15（1）：51-53.

[14] 程德通，李登峰，余高鋒. 大規模定制模式下多類型評價信息的多目標生產指派問題[J]. 控制與決策，2017，32（11）：2099-2106.

[15] PETER J JOST，THERESA SUSSER. Company-customer interaction in mass customization[J]. International Journal of Production Economics，2019（65）：213-224.

[16] 權錫鑒，杜元偉. “互聯網+”下大規模個性化定制產品的三元證據融合配置方法[J]. 科技進步與對策，2016，33（21）：83-89.

[17] 李強，史志強，閆洪波，等. 基于云制造的個性化定制生產模式研究[J]. 工業技術經濟，2016，35（4）：94-100

[18] 童曉薇，劉艷斌. 云制造環境下大規模產品定制技術研究[J]. 圖學學報，2018，39（1）：109-115.

[19] PATRICK DE VOS. 成組技術：在工業4.0時代實現卓越運營[J]. 金屬加工（冷加工），2019（3）：16-17.

[20] 陳友玲，牛禹霏，劉艦，等. 面向云制造的多供應商協同生產任務分配優化[J]. 計算機集成制造系統，2018（2）：56-61.

[21] 程楠. 一種改進的非支配排序多目標遺傳算法[J]. 計算機與數字工程，2010，38（4）：23-25，77.

[22] 汪文彬，鐘聲. 基于改進擁擠距離的多目標進化算法[J]. 計算機工程，2009，35（9）：211-213.

（責任編輯：杜能鋼）