云制造环境下个性化产品配置研究

童晓薇，曾思通，刘艳斌



云制造环境下个性化产品配置研究

童晓薇1，曾思通1，刘艳斌2

(1. 福建船政交通职业学院机械工程系，福建 福州 350007；2. 福州大学测试中心，福建 福州 350002)

在分析了云制造环境下的产品配置典型过程的基础上，总结了云制造环境下参与者及制造资源组织的特点，包括产品配置过程需要兼顾不同参与方的利益，以及在产品配置求解过程中需要覆盖不同制造服务实例的差异化属性的基础，提出了面向云制造的个性化产品配置技术框架，阐述了面向产品配置的云服务模型、基于关联规则挖掘的产品初步配置以及基于蚁群算法的产品完整配置3个关键问题的求解方法，为云制造环境下开展个性化产品配置提供了一种新的思路。在模型设计及方案求解过程中，以轮式装载机产品配置作为示例进行了阐述，验证了该方法的有效性和可行性。

产品配置；云制造；云制造服务建模；关联规则挖掘；蚁群算法

个性化定制正逐步成为信息时代产品制造企业的重要生产模式。通过针对客户的特点和偏好提供个性化产品和服务，个性化定制模式有效提升了客户满意度，成为了企业赢得市场竞争力的重要手段。产品配置技术是实现个性化定制的基础[1]，是建立企业与潜在客户之间关联的关键纽带。产品配置技术基于产品基本技术方案、结构框架和功能模块，能够为客户快速配置出符合其需求的产品，是个性化定制得以兼顾高效率和低成本的关键点。

另一方面，经过多年的研究推动，云制造的相关技术已逐渐发展成熟，并在相关领域实现了初步应用[2-3]。通过对产品制造过程及资源组织方式的重构，云制造提供了对分散制造资源的集中利用途径，使客户需求与制造服务供需匹配优化成为可能。当前，面向云制造产品配置的相关研究主要集中在云制造任务及服务调度问题的建模，运用如基于多智能体的技术[4]和实时仿真等方法[5]对云制造任务服务供需匹配问题进行优化，尚无以兼顾客户、企业及云制造平台的三方利益为前提，并基于云制造平台的资源组织及调度特点讨论云制造环境下个性化产品配置框架的研究。本文针对云制造环境下个性化产品配置技术进行了探讨，提出了较为系统的、面向云制造的产品配置技术框架及关键求解方案，为云制造的资源配置能力与个性化产品配置快速设计能力相结合提供了一种新的思路。

1 云制造环境下的产品配置框架

1.1 云制造环境下的产品配置特点

在云制造环境下，个性化产品定制主要涉及的参与者包括作为需求提出者的客户、作为服务提供者的制造企业，以及作为供需撮合及服务调度的云制造平台。云平台负责统一收集来自客户的个性化需求，开展面向云制造服务的产品配置，调度制造企业完成生产装配，并最终向客户交付定制产品。其主要运行模式如图1所示。

图1 云制造环境下个性化产品定制运行模式

由于参与者及定制过程的显著差异，云制造环境下的产品配置也有着与传统产品配置不一样的特点，包括：

(1) 产品配置过程需要兼顾不同参与方的利益。传统的产品配置目标是在满足企业利润需求基础上尽可能提高客户满意度。在云制造环境下，涉及的参与方变成客户、平台和制造企业三方，并有着不同的利益关注点：客户方希望能够快速、低价地获取符合需求的高质量产品，总体表现为客户满意度；制造企业希望能够充分利用产能、降低制造成本，提高利润；制造平台期望高效促成客户与企业双方的供需匹配，并通过制造能力的优化配置与协调体现平台价值，产生平台层面的效益。产品配置的参与方的变化，要求云制造环境下的产品配置应能够有效平衡三方利益，维护云制造生态。

(2) 产品配置结果受不同制造服务实例的影响。传统的产品配置通常局限在一个企业范围内，目的是将客户对产品的功能、性能、外观等需求转换为不同的产品实例，并进一步分解为组件(含部件、零件等)的组合；在云制造环境下，制造服务替代产品组件成为配置的基本单元。不同制造企业可以为同一个制造服务提供不同的生产价格、完成时间及质量属性的服务实例。由于这些属性的权衡取舍是确保客户满意度和企业利益的关键，要求云制造环境下的产品配置在求解过程中覆盖不同制造服务实例的差异化属性，产品配置的结果也相应转换为制造服务实例的集合。

1.2 产品配置技术框架

本文提出一种适用于云制造的产品配置技术框架，其主要思路是：以制造服务作为产品配置的基础单元，产品配置的结果可以直接转换为制造企业任务；以客户满意度为主要目标，在确保制造企业利润基础上通过任务调度的优化实现云制造平台的自身收益，有效平衡了客户、平台和制造企业三方利益。技术框架如图2所示。

(1) 需求收集与转换阶段。利用“需求详单”统一收集来自客户的个性化需求。需求详单是一种主流的需求收集方法，将功能参数、性能参数、价格范围、交付时间、质量要求等客户可感知、能理解的产品的主要特性进行分组归类列出，供用户选择和填写。需求详单可以轻易转换为Web表单，支持在云服务平台上通过Web页面收集客户需求。

(2) 初步配置阶段。准确完整地获取客户需求是产品配置活动的起点。受信息不对称及专业知识限制，需求详单中来自客户的产品定制需求可能是定性的、不准确的。为此，产品配置技术框架单独设置了初步配置阶段，期望将客户域需求先准确完整地映射到产品域，避免需求理解不正确并在后续阶段放大。在云制造环境下，产品的初步配置结果就是将需求转换为采用一组制造服务进行表达，为进一步形成完整的、由制造服务构成的产品配置实例做好准备。

图2 云制造环境下的产品配置技术框架

(3) 完整配置阶段。即在初步配置基础上形成完整的产品配置实例。一方面，由于本阶段是初步配置结果的延续和完整化，可以确保客户明确提出的需求都可以得以体现；另一方面，需求详单中未能体现的隐性需求往往是提升客户满意度的关键[6]。为了最大程度提升客户满意度，本阶段将采用面向“价格低”、“时间短”及“高性能”等常见满意度目标的多种产品配置策略，形成多套产品完整配置实例供用户选择与最终确认，使用户在需求表述不准确、不完整情况下仍可能获得超预期产品配置方案。

(4) 完整配置实例引导确认阶段。由客户从众多方案中挑选最满意的完整产品配置实例，同时对订单最终确认；如客户对所有配置方案均不满意，极有可能是之前提交的需求并非其真实需求，可引导客户补充明确需求并对需求详单进行变更，迭代上述过程，直到确认最终产品配置方案或终止服务。

(5) 需求重组阶段。云制造环境下的产品配置方案体现为一组制造服务实例的组合。所以，产品配置方案可直接形成制造任务，派发给相关的制造企业。然而，考虑到单个客户的需求规模较小，相对成本较高，作为总体协调者及制造任务调度者的云制造平台可以对同一时间范围的不同产品定制需求进行批次整合，将配置方案中关联的相同制造服务实例(同类产品、部件或零件加工任务)重组后统一派发给制造企业。制造任务的批次整合与再分配提升具体制造服务任务的规模水平，一定程度上实现个性化需求的规模化制造，有利于降低制造企业的制造成本。批次规模不同产生的价格差可以作为云制造平台的运营收入。在兼顾制造企业利益和客户满意度前提下确保云制造环境下平台运营方的利益需求，有利于云制造生态的健康发展及持续运行。

上述5个主要阶段中，需求收集阶段基于成熟的需求详单方案，客户确认阶段可以结合实际情况灵活开展，任务制造重组仅需要对同类任务聚合即可，均有成熟方案。所以，云制造环境下产品配置的关键难点主要体现为如何在产品初步配置环节实现需求到制造服务的转换，以及如何在产品完整配置环节生成符合需求的完整产品配置实例并兼顾客户潜在目标；除此之外，如图2所示，可配置的云制造服务模型是各环节运行的公共基础，连接了产品配置的全过程。目前，主流的云制造服务建模研究主要关注通用的云服务形式化描述方法、面向特定目的的云服务建模方法[7-8]等方面，有必要专门从产品配置角度研究云制造服务的建模方法、技术框架及相关关键点共同形成面向云制造的产品配置求解整体方案。

本文将针对云制造服务模型、产品初步配置、产品完整配置3个关键点提出具体的建模及求解方案。在此过程中，以典型机电产品轮式装载机的产品配置为主要示例对象，验证方案的合理性。

2 面向产品配置的云服务模型

本文提出的面向产品配置的云服务模型由云制造服务目录及云制造服务节点模型两个部分组成。其中，云制造服务目录是产品级制造服务组织框架，关注如何从无到有实现主要云制造服务节点的定义和组织；云制造服务节点模型注重具体制造服务节点的模型设计，是在服务目录基础上的细化设计。

2.1 云制造服务目录

借鉴文献[9]提出的云制造服务清单建模框架思路，参照产品数据管理中常用的BOM技术，本文将特定产品的制造服务组织为层次化的、类似BOM树的“云制造服务目录”树，为制造企业、云制造平台建立关于产品结构的共性知识，便于制造企业在平台上注册具体的制造服务，以及后续进一步将个性化制造需求转换到产品制造服务。图3以轮式装载机工作装置系统为例，展示了其云制造服务目录的构建过程，主要分两个阶段。

图3 轮式装载机工作装置系统云制造服务目录构建完善过程

(1) 服务目录的初步构建。面向特定行业和产品，由云平台组织行业及产品专家、参考行业标准及各类BOM，识别出基本的云制造服务体系，面向特定产品阶段的基本服务集合需要覆盖具体产品或者行业在该阶段的全部服务，确保其普适性和完整性。

(2) 服务目录的动态完善。在初步构建的服务目录基础上，制造企业根据服务目录结构对其制造能力进行封装，提交初步封装的云制造服务。云平台从企业封装的制造服务信息、制造需求信息中发掘基本服务及集成服务之间的相关性[9]，根据识别的相关性结论确定标准制造服务的模块化组织形式，形成层次化的云制造标准服务体系。随着在云制造平台上注册封装服务、发布服务需求数量的日益增多，通过上述动态完善过程的迭代，最初的云制造服务目录不断演变为更为合理的云制造服务标准化体系，能够很自然地与同样基于行业标准构建的云制造服务清单(bill of cloud manufacturing service，BCMS)中的基本服务和集成服务相匹配。

2.2 云制造服务节点模型

现有的云制造服务建模研究主要侧重于为制造服务的搜索、组合等任务提供支持，服务模型往往设计为对服务节点结构、接口等功能域及能耗等特定域的概念特征的表达。然而，云制造环境下个性化产品的快速配置要素通常还包括价格、性能和时间等制造能力属性，需要将这些符合某些特定需求的参与配置的全部零部件及其特征信息融合到云制造服务模型中，建立节点内部组织清晰和外部耦合关联的产品模型。本文提出的云制造服务节点模型以本体(ontology)技术为描述方案，着眼于从可配置角度抽象与描述产品配置知识的相关概念与关系，将云制造服务节点模型定义为如式(1)所示的三元组，即

C-SNode::= (1)

其中，C-SNode (configurable service node)指可配置制造云服务模型。

(1) Concept指概念实体。进一步派生为6个基本实体，包括：Structure，用以描述产品或零部件节点的结构特征，包括材质、颜色、零部件类型、机构等；Interface，描述产品的接口特征，指明部件节点之间的拓扑关系；Function节点，从功能角度阐述产品及部件；Constrain节点，描述零部件节点之间连接配合的限制条件；Price节点，描述产品或零部件节点的生产价格；Time节点，描述从获得制造任务到完成制造所需要的时间；Performance节点，描述产品的性能指标与参数。所有的新扩充概念实体要从上述实体继承，如式(2)所示

Contept::=

Constrain, Price, Time, Performance> (2)

(2) Attribute指概念实体属性集。具体属性包括字符属性、数值属性、范围属性、布尔属性等。

(3) Relation指概念实体之间的关系集。包括继承关系type-of、组合关系part-of、实例关系instance-of、属性关系attribute-of等。

根据C-SNode的定义，可以进一步发现：云制造服务目录中的产品级的概念属性可以依次分解到不同的下级零部件节点，且产品级、部件级、零件级的云制造服务节点的概念属性丰富程度依次降低，如零件级别的节点通常不具有Function概念。由于所有零部件节点都将承载部分产品级概念属性(如价格概念)，所以称之为“可配置服务节点”。

图4展示了轮式装载机部分模块云制造服务节点模型的设计。

图4 轮式装载机部分模块云制造服务节点模型示例

综上所述，云制造服务目录及云制造服务节点模型共同构成了面向个性化产品配置的云服务模型。其中，云制造服务目录解决了面向特定行业及产品的制造服务组织问题，形成了标准化的制造服务目录框架；云制造服务节点模型C-SNode实现了云制造服务的规范化描述，涵盖了产品的结构信息和制造能力信息，提出了“可配置服务节点”的概念。服务提供者(制造企业)可根据云制造服务目录注册对应的制造服务，并根据相应的C-SNode服务模型要求描述具体的属性值，将制造服务真正转换为“可配置服务节点”，为面向云制造服务的产品配置过程奠定基础。

3 基于关联规则挖掘的产品初步配置

产品初步配置的目标是将需求详单中的信息转换、映射到对应的云制造服务中，形成客户域需求到制造域产品配置知识的转换。本文采用关联规则挖掘算法作为产品初步配置的求解方案。关联规则挖掘是数据挖掘的重要研究方向，主要用于在事务集中不同领域或属性之间找出可信的、有价值的依赖关系，挖掘隐藏在数据项之间的关联关系，如用购物清单中各项商品之间存在的联系实现商品精准推荐。Apriori是开展关联规则挖掘最常用的算法之一[10]。

具体到面向云制造的产品初步配置场景，规则挖掘涉及到两个不同的域：需求域与配置域。每个域都是一个子项集，其中需求域子项集由需求详单中的所有需求点构成，配置域子项集由所有云制造服务节点构成。需求域子项集与配置域子项集共同构成项集；一个历史产品配置记录对应事务，同时包含了需求域的子项集域配置域子项集的一部分；所有历史产品配置记录构成事务集。利用Apriori算法求解产品的初步配置步骤如下：

步骤1.设定最小支持度Min-及最小置信度Min-。

步骤2. 读取历史产品配置记录，记录为。

步骤3. 将中涉及的所有项记为候选的1项集1，而后计算各1项集的Support，识别满足Support > Min-的项集，记为1。

步骤4. 通常Apriori算法将对1中的元素进行组合形成候选2项集2，然而，在产品初步配置场景下获取频繁项集的目的是发现需求域与配置域中不同属性的关联关系，所以，将Apriori算法执行过程调整为仅组合来自不同域的元素，形成候选2项集2，并再次遍历所有事务记录，识别Support > Min-的项集，记为2。

步骤5. 在2基础上，采用相同的策略迭代，连接2中的不同域的元素形成3，反复执行以上Support计算、比较以及产生更高项集的过程，直到没有候选项集为止，产生所有的有效频繁项集。

步骤6. 对各项频繁集计算置信度，取所有满足最小置信度的项集为强规则，获得所有存在强映射关系的“需求-服务”关联集合。

图5以轮式装载机的产品初步配置过程为例，展示了Apriori算法的执行过程。其最终执行结果获得的强规则是：“爬坡能力强”需求与“型发动机制造服务”有强相关性，即“爬坡能力强”需求则可初步配置到“型发动机制造服务”；在实际云制造产品配置场景中，项集与事务集的规模都远大于示例，此时，将继续在2基础上开展3及后续更高项数的频繁项集挖掘，获得更多的强规则。

图5 轮式装载机的产品初步配置过程示例

4 基于蚁群算法的产品完整配置

基于产品初步配置结果，以不同配置目标为导向，形成多种产品完整配置实例，是产品完整配置阶段的目标。其求解过程本质上是一个多目标优化的过程。在云制造环境下，产品配置的结果是云制造服务实例，而同一个服务节点通常都注册了多个来自制造企业的服务实例，导致求解过程的复杂度和计算量都较高。综合上述考虑，本文采用主流的多目标进化算法——蚁群算法(ant colony algorithm，ACA)作为产品完整配置的求解算法。

4.1 基于ACA的产品完整配置思路

ACA是由DORIGO等[11]受到蚁群行为启发而提出的一种算法，用以解决多目标优化问题(multi-objective optimization problem，MOP)。由于在鲁棒性、分布式计算能力等方面的优势，目前广泛用于解决各类分配、调度等最优解搜索问题。ACA的基本思想是：将一定数量的蚂蚁随机放在某些节点上，并按照一定规则分别向其他节点移动；蚂蚁走过的路径上会留下信息素，从而形成信息素轨迹，通过信息素的强弱来指导蚂蚁运动方向；当所有蚂蚁都走过全部节点，信息素最强的轨迹就是最优路径。

利用ACA对产品完整配置过程进行建模，需要将逐步关联云制造服务、形成产品实例的过程转换为适合蚂蚁寻址的方式。相关概念的对应关系见表1。

表1 产品完整配置过程与蚁群算法相关概念的对应关系

在ACA运行过程中，一个很重要的步骤是决定如何向下一个节点移动，在本文中综合考虑了节点之间的可配合性及与配置目标匹配的程度，并用移动概率对其进行综合，形成量化判断准则，即

4.2 基于ACA的产品完整配置过程

基于ACA获得产品完整配置的主要过程是：设置配置目标，如成本优先或价格优先。而后，从产品初步配置结果中获得初始的云制造服务节点，并将多只“蚂蚁”部署在相应的节点上。根据节点C-SNode模型的Interface特征识别可配合性，并基于众多可配合节点C-SNode模型的Constrain、Price、Time、Performance等各属性值，利用余弦算法等相关度算法计算与该节点配置目标的符合度，更新信息素强度，将可配合性及信息度强度代入到式(3)中，计算该节点的移动概率。重复上述过程并执行多次迭代，“蚂蚁”会朝向可配合、目标匹配度高的服务实例节点移动，直至遍历完成所有节点。“蚂蚁”移动过程需要遵循蚁群算法的规则，如不允许访问已经走过的节点等。经过数次迭代，即可形成最优引导路径，从而获得最为符合配置目标的产品完整配置实例。算法实现流程如图6所示。

图6 面向产品完整配置的蚁群算法实现流程

ACA是分布式算法，每一只“蚂蚁”均可发现其局部最优配置路径。在发现最佳路径的过程中会增强相关节点的信息素浓度。通过上述的多次迭代，最终可以发现与配置目标有最好匹配度的完整配置实例；通过初始化阶段设置不同的产品配置目标，可获得不同完整产品配置实例，供下一阶段客户确认判断。

需要指出的是，在寻找下一步潜在节点阶段，根据2.1节所阐述的云制造服务目录结构，对于位于目录树中级别的节点的某个云制造服务实例，潜在的可以与其配合的云制造服务实例包括：

(1) 同样位于层，但不属于相同服务节点的服务实例。

(2) 位于-1层，但不属于直属父节点的服务实例。

(3) 位于+1层，但不属于本节点的子字节。

上述三者构成ACA过程中特别制造服务实例的下一步潜在节点集合。由于ACA是通用算法，限于篇幅，算法过程中其他具体参数的计算不再展开阐述。

5 结论与展望

本文从云制造环境下产品配置活动特点入手，考虑对云制造生态中多方利益的兼顾，提出了一套面向云制造的产品配置技术框架，并进一步针对其中的3个关键点，包括面向产品配置的云服务模型设计、个性化需求映射与产品初步配置，以及面向不同目标的产品完整配置的过程都进行了详细分析，给出模型设计方法及产品配置不同阶段的求解方案。在模型设计及方案求解过程中，以典型机电产品轮式装载机为示例进行了阐述，验证相关方法的可行性和有效性。

本文的重点是探讨云制造环境下产品配置总体过程及关键环节，由于涉及面较广，限于篇幅，未给出完整的示例；在云服务模型设计阶段重点考虑整体构建体系，对部分实际存在的复杂情况进行了简化处理，如服务节点模型的概念属性可能还不够完备；在产品完整配置阶段，未能展开讨论多目标进化算法以外的相关求解方案，存在进一步寻优的可能。后续，将针对个性化需求产品配置的实际开展情况进行更深入的调研和分析，改进整体框架及相关环节设计，进一步完善云制造环境下产品配置思路。

[1] 盛步云, 汪星刚, 萧筝, 等. 基于客户需求分析的模块化产品配置方法[J]. 计算机集成制造系统, 2017, 23(10): 2091-2100.

[2] 程幼明, 吴英, 龚本刚, 等. 众包: 一种云制造的运作模式[J]. 计算机集成制造系统, 2017, 23(6): 1167-1175.

[3] 林廷宇, 杨晨, 谷牧, 等. 面向航天复杂产品的云制造应用技术[J]. 计算机集成制造系统, 2016, 22(4): 884-898.

[4] 李孝斌, 尹超. 面向生产过程云服务的制造执行系统[J]. 计算机集成制造系统, 2016, 22(1): 177-188.

[5] 赵淳, 张霖, 任磊, 等. 面向云制造交易过程的仿真平台[J]. 计算机集成制造系统, 2016, 22(1): 25-32.

[6] 杨沁, 唐伟, 李建国. 产品定制中客户需求冲突的高效消解研究[J]. 机械科学与技术, 2015, 34(1): 94-98.

[7] 汤华茂, 郭钢. 云制造资源虚拟化描述模型及集成化智能服务模式研究[J]. 中国机械工程, 2016, 27(16): 2172-2178.

[8] 程臻, 战德臣, 徐汉川. 云制造环境下基于本体的资源虚拟化方法[J]. 华中科技大学学报: 自然科学版, 2013, 41(S2): 106-112.

[9] 童晓薇, 朱结枝. 云制造环境下的制造服务标准化建模方法研究[J]. 图学学报, 2017, 38(2): 185-191.

[10] 赵洪英, 蔡乐才, 李先杰. 关联规则挖掘的Apriori算法综述[J]. 四川理工学院学报: 自然科学版, 2011, 24(1): 66-70.

[11] DORIGO M, MANIEZZO V, COLORNI A. Ant system: optimization by a colony of cooperating agents [J]. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 1996, 26(1): 29-41.

Research on Personalized Product Configuration in Cloud Manufacturing Environment

TONG Xiaowei1, ZENG Sitong1, LIU Yanbin2

(1. Mechanical Engineering Department, Fujian Chuanzheng Communications College, Fuzhou Fujian 350007, China; 2. Test Center, Fuzhou University, Fuzhou Fujian 350002, China)

A personalized product configuration technology framework for cloud manufacturing is proposed in this article,analyzing the typical process of product configuration under cloud manufacturing, and summarizing the characteristics of participants and manufacturing resource organizations in the cloud manufacturing environment, including the need to balance the interests of different participants in the product configuration process and cover the different attributes of different manufacturing service instances during product configuration solution. In addition, we also expound on solutions to the three key issues, including cloud service model for product configuration, preliminary product configuration based on association rule mining, and product integrity configuration based on ant colony algorithm, providing a new idea for personalized product configuration in the cloud manufacturing environment. The product configuration of the wheel loader is used as an example in the process of model design and case solving, which demonstrates the effectiveness and feasibility of this method.

product configuration; cloud manufacturing; cloud manufacturing service modeling; association rule mining; ant colony algorithm

TH166; TP391

10.11996/JG.j.2095-302X.2018061192

A

2095-302X(2018)06-1192-08

2018-05-07；

2018-06-27

福建省中青年教师教育科研项目(JZ180373)

童晓薇(1982-)，女，福建武平人，讲师，硕士。主要研究方向为计算机辅助制造、先进制造技术。E-mail：tongxw2010@qq.com