基于语义网的智能云制造服务研究

董朝阳 张琳

摘  要：文章建立集中统一的云制造服务大数据语义网，通过本体解决数据异构问题，在语义层面支持数据的互操作，实现数据有效集成共享，充分发掘隐含在大数据背后的知识和价值，构建跨领域可重构的云服务智能制造知识库，通过语义推理，实现对制造过程及制造系统的动态优化调度，使云制造服务处于最优效能状态。

关键词：云制造;智能制造;智能云制造服务;语义网;知识发现

中图分类号：TH166        文献标识码：A       文章编号：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

云制造服务是构成制造云的基本要素，是服务化的制造资源和制造能力。云制造服务将各种制造资源和制造能力进行抽象封装，通过网络为用户提供面向产品全生命周期，并具有标准接口的规范可共享的制造服务。在云制造模式下，分散在各地的云制造服务提供方将其拥有的云制造服务智能接入云制造服务平台，从而实现云制造服务的智能发现匹配、组合优化、动态调整和按需使用[1]。

与此同时，智能制造借助RFID技术在识别、感知、联网、定位等方面的强大功能，将包括机器、设备和設施群在内的工业网络与先进的传感器、控制装置和应用软件相连。智能制造可应用于复杂零件制造过程管理，能有效提升其制造效率和品质[2]。

在现阶段，云制造需要与智能制造结合才能发挥出更大作用，而现有云制造服务研究主要围绕着制造资源的虚拟化及可视化、基于云计算技术的制造服务封装、远距离监测与控制等，对于面向云制造的智能云制造服务（ImaaS）研究不够。

云计算、物联网、移动互联技术的飞速发展极大促进了制造业的信息化应用和发展，这些应用时时刻刻产生着海量数据，其中蕴藏着丰富价值的同时也带来了许多新问题，例如数据来源复杂，数据形式混杂异构、存储格式多样化，形成了一个个缺乏有效沟通共享的信息孤岛，大量的信息不能及时地共享。

云制造环境下的智能云制造服务需要研究如何在云制造服务内部结合大数据处理技术、物联网技术、云计算及知识发现，对云制造服务中的人力资源、设备及各种装置、物料库存、刀夹量具等多类制造要素进行全面状态感知、实时分析、并实现动态优化调度及自主决策，使制造过程以及制造系统处于最优状态[3]。

1 基于本体映射的加工任务与云制造服务匹配方法

智能云制造服务的关键技术即在于实现云制造服务智能搜索匹配、针对复杂加工任务进行云制造服务组合优化、以及通过有效集成共享制造大数据，充分发掘数据知识和价值，实现智能云制造服务。

对特定加工任务而言，搜索匹配具备加工能力的制造资源一直依靠传统人工管理模式进行，云制造服务智能搜索匹配的主要目的就是便于实现加工任务的加工要求和云制造服务的制造资源及制造能力之间的搜索匹配。

本文利用概念树对云制造服务的财务、技术、设备、人力资源、软件资源、物流资源等方面知识进行描述，建立本体概念框架，明确各种概念之间的关系，利用本体表达的制造资源知识结构对Web制造资源进行映射，构成云制造服务制造能力本体模型。同样，制造任务及制造要求也可以通过本体进行建模。

云制造服务智能搜索匹配就是总加工任务分解为便于协同完成的原子加工任务，再为每个原子加工任务搜索出具备加工能力的备选云制造服务，有了云制造服务本体及加工任务本体，则备选云制造服务搜索就转化为制造任务本体与云制造服务本体之间的映射问题。概念是本体结构中的主要实体，概念相似度计算是云制造服务智能检索即本体之间的映射的基础。

2 云制造服务组合优化

云制造服务组合优化通过综合考虑各备选云制造服务的加工时间、加工成本、加工能耗、服务质量、可信任性，以及备选云制造服务之间的运输时间及运输成本、物流能耗等指标，为加工任务中的每个原子任务选择出整体最优的云制造服务。

当不考虑各备选云制造服务之间的运输时间、运输成本、物流能耗等指标时，云制造服务组合优化问题属于典型的多目标、多选择、多约束背包问题。当考虑各备选云制造服务之间的运输时间及运输成本时，该问题变得极为复杂，因为整条工艺路线中任何一个原子任务选择的云制造服务改变时，都会使得该云制造服务与上一个原子任务及下一个原子任务所选择的云制造服务之间的运输时间、运输成本、物流能耗发生变化，从而对上一个及下一个原子任务选择云制造服务产生影响，进而对工艺路线中其余所有的原子任务选择云制造服务形成约束[4]。

多目标、多选择、多约束背包问题是更为广义的背包问题，多目标、多选择、多约束背包问题远比0-1背包问题复杂，已有解决方法存在限制条件很多的缺点，而且当约束较多时算法性能不稳定，求解效率也大大降低，在一些情况下无法在多项式时间内求解。目前，对于同时具备多目标、多选择、多约束特征的背包问题的研究较为少见。本文通过设计并行群智能优化算法求解云制造服务组合优化问题，并使该算法适合于求解一般多背包问题。

3 基于大数据处理技术及知识发现实现智能云制造服务

生产过程中产生的海量数据来源复杂，数据形式混杂异构、存储格式多样化，形成了一个个缺乏有效沟通共享的信息孤岛，大量的信息不能及时地共享。需要建立集中统一的大数据语义网对这些数据进行分析处理，并及时对生产过程进行动态优化调度[5]。

例如，需要对生产过程中刀具信息的全方位管理，包括刀具长度、磨损量、刀具所在位置等信息，实现刀具的加工工艺参数、刀具补偿量、刀具寿命参数、刀具磨/破损等在线监控，以及刀具借用、归还、配置、检验、报废、采购的全面管理，提高刀具利用率，提高机床使用效率。同样需要实现物料/在制品从“仓库→配送→加工→检测”全过程可视化管理;实现各种生产数据采集的自动化和实时化;能有效跟踪、管理和控制生产所需资源和在制品等。

本文根据采集到的各类制造大数据构建面向云制造服務大数据的本体模型，建立大数据RDFS。包括CRM系统的订单数据、ERP的计划数据;SCM的主计划和调度数据、PDM工艺文件和各种配方及操作参数、车间执行系统实时采集的生产状态信息、设备状态监测数据、各种工装的加工工艺参数、刀具寿命参数、刀具磨/破损等在线监控数据等。

根据已构建的RDFS，抽取云制造服务大数据中结构化数据（关系型数据库）和半结构化（XML及其它标记语言等）、非结构化数据（巡检记录、图形、图像、监控视频等）并进行语义标注，建立面向云制造服务大数据的语义网。

本文基于深度学习等知识发现方法，构建跨领域可重构的智能云制造服务制造知识库，并对已有云制造服务大数据RDFS进行补充完善。实现现场采集的制造状态信息与逐步积累的制造知识之间的有效协同。将一个个缺乏有效沟通共享的信息孤岛集成到高度语义共享的语义网系统之中，使所有资源、数据、知识达到充分共享。

基于SPARQL及推理规则SWRL，实现对云制造服务大数据语义网的语义搜索及推理，对现场采集的制造数据进行实时分析，将来源复杂，数据形式混杂异构、存储格式多样化的车间现场大数据通过语义推理，转化为可用于智能决策的可视化信息。在制造过程中不断地动态优化智能云制造服务知识库，使制造过程以及制造系统处于最优效能状态。

具体技术实现方案如图1所示。

4 结束语

本文旨在突破云制造环境下智能云制造服务的瓶颈技术，即云制造服务智能匹配、云制造服务组合优化、以及基于大数据处理及知识发现的智能云制造服务。为了便于搜索最优的云制造服务，建立了制造任务本体及云制造服务本体，并通过基于概念树的语义相似度计算方法实现二者之间的匹配映射。对云制造服务组合优化问题进行深入分析，将其归类为复杂多目标、多选择、多约束背包问题，通过设计智能优化算法进行求解。建立了集中统一的云制造服务大数据语义网，充分发掘隐含在大数据背后的知识和价值，构建跨领域可重构的云服务智能制造知识库，通过语义推理，实现对制造过程及制造系统的动态优化调度，使云制造服务处于最优效能状态。

参考文献：

[1]李伯虎，张霖，任磊，等.云制造典型特征关键技术与应用[J].计算机集成制造系统，2012，18（7）：1345-1356.

[2]尹周平，陶波.智能制造与RFID技术[J].航空制造技术，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]董朝阳，蔡安江，等.多背包问题求解及其在网络化制造中的应用[J]. 机械设计与制造，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.