云环境下大规模制造产品生产模式及资源调度研究

李雪 李芳

摘 要：为解决大规模定制中因个性化产品需求过多导致批量不足而增加生产成本问题，提出一种云制造环境下涵盖从客户提交制造请求到制造完成的产品定制模式。为解决该模式中涉及的资源调度问题，建立由所有产品制造时间总和最小、制造总成本最低和总合格率最高的多目标优化函数，并使用NSGA-Ⅱ算法对模型进行求解。使用3种无人机协同制造案例模拟该模式运行过程，验证了资源调度模型的实用性和有效性。

关键词：云制造;成组技术;大规模产品定制;NSGA-Ⅱ

DOI：10. 11907/rjdk. 192577 开放科学（资源服务）标识码（OSID）：

中图分类号：TP301文献标识码：A 文章编号：1672-7800（2020）005-0065-04

0 引言

云制造是基于云计算、物联网、大数据、面向服务技术等新兴信息技术发展起来的一种新的制造模式，主要基于李伯虎院士的“分散资源集中使用，集中资源分散服务”思想，为制造业的发展提供了新的方向[1-5]。在云制造系统运行过程中，制造需求具有个性化特点[6]，与大规模产品定制中的客户需求個性化不谋而合。

以较低成本提供高质量产品是企业的经营目标之一，而大规模产品定制的核心能力表现为降低成本、高效地为顾客提供商品。大规模定制生产呈现出多品种、小批量以及快速响应的特性[7]。然而，随着顾客需求越来越偏向个性化发展，大规模定制的理念和规范化产品定位难以适应这种变化，而云制造环境的运行特点可以弥补这种不足。

云制造中产品个性化定制指利用云计算、物联网等技术，将分布在全球不同企业的各类制造资源汇聚到云平台并进行统一的管理和调度，通过网络全面共享制造资源、制造能力、客户定制信息以及第三方企业服务信息。云制造平台为顾客、定制企业和第三方企业提供包括产品、信息、平台等服务，从而实现低成本高效率的个性化定制生产[8]。目前，关于云制造研究主要集中在云制造服务构架[9-11]、云制造技术和模式创新[12]、资源服务的优化组合[13]等方面;而大规模定制相关研究主要集中在技术[14]、管理[15]、产品[16]3个方面。目前，有关云制造与大规模定制融合的研究还处于探索阶段，李强等[17]针对单个企业实施个性化定制生产面临的实际问题，提出一种新的个性化定制生产模式，但该模式缺乏对多个个性化产品生产需求的研究;童晓薇等[18]提出一种云制造环境下大规模产品定制的组织模式及需求转换模型，但对其中的资源调度问题未涉及。

本文结合云制造环境，针对大规模定制产品需求个性化不足的问题，提出一种云制造环境下涵盖从客户提交制造请求到制造完成的产品定制模式，并建立由所有产品制造时间总和最小、制造总成本最低和总合格率最高组成的多目标优化函数，解决涉及的资源调度问题。使用NSGA-Ⅱ算法对其进行求解，并通过算例进行验证其有效性与实用性。

1 云制造环境下大规模定制组织模式

本文提出的云制造环境下大规模定制模式如图1所示，该组织模式共有3个过程：①需求收集过程。客户登陆云平台，发布产品制造需求;②需求分解与重组过程。云制造平台通过云计算对客户需求进行分类整合，先根据内部零部件构成，把每种产品分解成多种制造子任务，再运用成组技术并根据内部零部件的相似构成，对不同产品的相似制造子任务进行归类整合;③需求分配过程。对整合完毕的制造任务寻找最合适的供应商生产制造。

在对子任务进行归类时，主要利用成组技术相关知识。成组技术是一种制造组织策略， 在该策略中， 具有某些相似性 （如几何形状、材料、制造工艺或质量标准） 的零件被归到特定群组或系列中， 然后采用一种通用生产方法进行制造。在计划加工工序时， 它针对的是整个零件系列而不是单个工件[19]。而后，基于相同的制造服务规范，进一步将制造需求与制造服务供应商目录建立映射，实现制造需求的再分配，形成大规模定制需求到云制造服务供应商之间的高效转换。在需求分配过程中，如何选择最合适的供应商是本研究的主要内容。

2 多目标优化模型

2.1 问题描述及模型假设

本模型的生产组织模式：在客户向云平台发出生产请求后，云平台对产品进行工艺流程分解，利用成组技术对包含相同零件系列的制造子任务进行归类，统一寻找合适的供应商。通过这种方式，可在生产过程中使某些个性化要求的任务形成规模，便于生产和运输。从客户提交请求、云平台分析计算到寻找合适的供应商提供服务的整个生产调度过程中，涉及到的调度问题比较复杂，本文主要从制造总时间、制造总成本以及质量三方面实现整个调度过程的最优化。为使研究更具操作性，本文作以下假设：①供应商提供的服务只包含本任务所需的生产服务以及物流运输服务，不提供装配服务，装配工作由固定的装配公司进行;②不同供应商之间的生产服务是独立的，没有时序约束;③同一产品的制造子任务具有相同的优先级;④供应商都具有足够的生产能力。

2.2 多目标优化函数建立

假设同时有多个客户在云平台发布不同产品制造需求，不同产品依次对应不同编号，产品制造需求编号集合为N={1，2，3， …，n};每种产品制造需求在云平台进行零件制造任务分解，产品制造子任务集合为FN={[Partmi]}，其中，i表示针对某一产品需求进行任务分解时的编号，i∈N+;m表示经过归类整合后的任务编号，m∈N+。多目标优化目标函数为：

式（4）为时间约束，每种产品的完成时间不能超过客户要求的时间[Tn];式（5）为成本约束，每种产品的制造装配以及物流所产生的成本不能大于客户限定成本（市场平均价格）[Cn];式（6）为质量约束，每种产品的质量不能低于客户所要求的产品质量[Qn]。

3 带精英策略的非支配排序遗传算法

NSGA-Ⅱ算法是Deb等学者于2000年在NSGA 算法的基础上提出的，该算法能够得到一系列分布均匀、多样性较好的最优解集，适用于多个目标的优化问题[21] 。算法流程如图2所示。

在对种群进行初始化时， 按整数编码的方式对染色体进行多层编码。每个染色体的编码表示一个具有二维特征的可行解，该染色体前段表示子任务编号，后段表示对应的供应商编号。产品[n]的子任务总数为[i]，子任务[ni]对应的供应商为[mj]时，每个染色体的长度为[2i=1knimj]。例如个体[24135//21312]中，子任务2选择对应的第2个供应商，子任务3选择对应的第3个供应商。

然后，对初始种群中的个体进行Pareto 优胜级别排序，级别越低表示其适应度越高。接着对初始种群进行选择：首先比较个体的非劣级别，级别最低的进入进化池，如果级别相同则进行拥挤距离计算，拥挤距离大的进入进化池。个体i的拥挤度计算公式为：

它表示在所有目标函数中拥挤距离的和，优先选择拥挤距离大的个体进入下一代，有利于保持种群的多样性[22]。选择完毕后的个体分别进行交叉和变异操作，二者具有随机性，但都有相应的概率。此时形成子代种群，将其与父代种群进行合并，继续进行拥挤距离排序和 Pareto 优胜关系排序，循环至满足条件停止。

4 算例验证

无人机主要由机架、飞控、电调、电机，桨、航模锂电池、遥控器7部分组成，因客户对其功能要求不同，在机架、风控、电调等方面会存在型号差异。某客户通过云平台向无人机代销公司发布3种不同的无人机需求各10次，现该公司要根据其需求寻找最优供应商来满足客户需求。

由图2可以看出，经过约35次迭代后群趋于平稳，此时，目标函数值minT=115，minC=18639，maxQ=0.906，与需求整合前相比，3种无人机的生产时间共节省5天，成本节省861元，每种任务所选对应供应商见表3，每种产品需求的计算结果值见表4。

5 结语

本文针对大规模定制生产中因个性化需求过多导致批量不足而增加成本和时间的问题，结合云制造环境，提出云制造环境下涵盖从客户提交制造请求到制造完成的产品定制模式。建立由所有产品制造时间总和最小、制造总成本最低和总合格率最高组成的多目标优化函数，解决制造成本、质量、时间的调度问题，并使用带精英策略的非支配排序遗传算法对其进行求解。最后使用无人机这一算例模拟该模式下的生产过程。计算结果表明，可实现该生产方案最优，说明该模式具有一定的现实意义。

本文虽然创新地提出了云环境下解决大规模定制中个性化不足的生产模式，但由于现存研究对该模式的研究尚处于起步阶段，后续还需结合更多生产实例加以优化。

参考文献：

[1] 李伯虎，张霖，王时龙，等. 云制造——面向服务的网络化制造新模式[J]. 计算机集成制造系统，2010，16（1）：1-7，16.

[2] 李伯虎，张霖， 任磊，等. 再论云制造[J]. 计算机集成制造系统，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，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， 16（7）：1345-1356

[5] 张霖，罗永亮，陶飞，等. 制造云构建关键技术研究[J]. 计算机集成制造系统，2010，16（11）：2510-2520.

[6] 杨文伟，樊蓓蓓，李聪. 基于改进粒子群算法的大规模定制生产调度问题研究[J]. 计量与测试技术，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. 云制造中产品个性化定制研究综述[J]. 工程设计学报，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] 黄爽，黄必清. 云制造平台安全体系架构[J]. 计算机集成制造系统，2018，24（4）：851-861.

[11] 李清，唐骞璘，陈耀棠，等. 智能制造体系架构、参考模型与标准化框架研究[J]. 计算机集成制造系统，2018，24（3）：539-549.

[12] 任磊，任明仑. 基于学习与协同效应的云制造任务动态双边匹配模型[J]. 中国管理科学，2018，26（7）：63-70.

[13] 马俊涛，陈业恩，胡国杰，等. 云计算环境下基于遗传算法的任务调度技术研究[J]. 软件导刊，2016，15（1）：51-53.

[14] 程德通，李登峰，余高锋. 大规模定制模式下多类型评价信息的多目标生产指派问题[J]. 控制与决策，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] 权锡鉴，杜元伟. “互联网+”下大规模个性化定制产品的三元证据融合配置方法[J]. 科技进步与对策，2016，33（21）：83-89.

[17] 李强，史志强，闫洪波，等. 基于云制造的个性化定制生产模式研究[J]. 工业技术经济，2016，35（4）：94-100

[18] 童晓薇，刘艳斌. 云制造环境下大规模产品定制技术研究[J]. 图学学报，2018，39（1）：109-115.

[19] PATRICK DE VOS. 成组技术：在工业4.0时代实现卓越运营[J]. 金属加工（冷加工），2019（3）：16-17.

[20] 陈友玲，牛禹霏，刘舰，等. 面向云制造的多供应商协同生产任务分配优化[J]. 计算机集成制造系统，2018（2）：56-61.

[21] 程楠. 一种改进的非支配排序多目标遗传算法[J]. 计算机与数字工程，2010，38（4）：23-25，77.

[22] 汪文彬，钟声. 基于改进拥挤距离的多目标进化算法[J]. 计算机工程，2009，35（9）：211-213.

（责任编辑：杜能钢）