一种面向云制造系统的资源服务组合柔性量测和提高方法

摘要

本发明涉及一种面向云制造系统的资源服务组合柔性的量测和提高方法。具体说是为了在当前面向资源服务的网络化制造中，建立有效的资源服务组合柔性评价体系并实现资源服务组合的动态重构能力和适应变化能力的一种方法。本发明通过分析影响资源服务组合全生命周期的相关因素，对资源服务组合的柔性分类并分别量测，从而实现资源服务组合柔性的定量化测评；通过建立资源服务组合柔性管理体系架构，对资源服务组合中各资源服务节点及其所运行的任务和环境进行监控，利用ECA规则库对异常进行协调，最终实现资源服务组合稳定、健壮、透明的运行。本发明具有如下优点：支持资源服务组合柔性，量测方法简洁、适用性强，提高策略的通用性和扩展性好。

说明书

技术领域

本发明涉及一种面向云制造系统的资源服务组合柔性的量测和提高方法，即一种可以实现资源服务组合柔性的定量化的测评方法，以及一种可以实现基于黑盒的资源服务组合的动态重构能力和适应服务组合过程变化能力的柔性提高方法。该发明属于分布式制造系统信息集成技术领域。

背景技术

随着信息技术和计算机网络技术的迅速发展，传统的制造模式已经不能适应现代化生产的制造要求，为了响应市场的快速变化和提高企业的核心竞争力，工业界和学术界研究提出了一批先进制造技术或模式，如：制造网格(MGrid)、全球化制造(Global manufacturing)、虚拟制造(VM)、敏捷制造(AM)等。当前对网络化制造的研究主要是基于在各企业间建立信息共享技术，通过企业间的协同合作以及制造资源的集成与共享，从而生产出能够适应市场变化、高质量的产品。虽然网络化制造已经有了较大的发展，但是无论在技术上还是运营模式还存在着一定的问题，如缺乏服务的集中管理和运营，没有很好地解决制造资源的动态共享与智能分配以及在网络通信、数据传输中的安全性等，这些问题严重阻碍了网络化制造的推广应用。

针对这些问题，中国工程院李伯虎院士等在2010年1月提出了一种基于云计算服务模式的网络化制造新模式——云制造(Cloud manufacturing，CMfg)。云制造主要面向制造业，把企业产品制造所需的制造资源整合成云制造服务中心，用户可以根据需要随时获取安全可靠、高质量、低成本的各类资源服务。虽然以往的网络化制造都致力于制造资源的分布式共享，云制造更强调为资源服务提供者和资源服务请求者打造第三方资源服务运营平台。在云制造模式下，用户所面对的只是一个虚拟的云，从中得到资源和服务，而不必去关心和维护其中的细节。

资源服务组合是指从网络上分布的大量资源服务中选择符合要求的资源服务，并按照一定的规则和逻辑顺序组合起来以满足用户需求的过程。然而，随着云制造服务中心制造资源、服务的不断增加，服务质量的改变以及企业用户需求的动态变化，通过资源服务的动态组合实现资源与任务在接口、功能等方面的匹配以完成产品的全生命周期的过程中，将存在许多不确定的因素制约资源服务的动态组合，进而导致无法高效、高质量的调用资源服务来完成制造任务。在面向云制造系统的资源服务组合过程中引入柔性对解决动态组合中的这些不确定性问题是非常必要的。

柔性是相对于刚性而言的，刚性的生产线只能实现单一品种的大批量生产，而柔性的生产线却能适应市场变化，实现短周期、多品种、高质量产品的生产。柔性的产生源于随着科学技术的发展和产品更新换代速度的加快，中小批量多品种的生产成为制造工业的生产特征。为了适应中小批量多品种生产，1967年英国莫林公司首次提出完整的柔性制造系统的概念，并介绍了Molin-24系统的构想，随后苏联、日本、联邦德国都相继研究出这类系统，后来很多学者对柔性进行了广泛的研究。现在，随着微电子技术、计算机技术、信息技术、机械与控制设备的智能化发展，柔性制造技术已成为各国先进制造技术的发展重点。

当前对柔性制造系统的研究主要围绕制造业中某一柔性类型(如machine，labor，routing，process，operation等)的量测和生产制造过程中柔性的提高等，这些研究大多局限于柔性的技术实现方法上，没有考虑到网络化制造中资源服务对柔性的重要影响，对于资源服务组合柔性的研究很少。因此，针对在面向云制造系统中对基于资源服务组合的柔性的研究中的问题和不足，给出资源服务组合柔性的量测与提高方法是目前网络化制造技术中一个亟待解决的问题。

发明内容

目的：本发明涉及一种面向云制造系统的资源服务组合柔性的量测和提高方法，即一种可以实现资源服务组合柔性的定量化的测评方法，以及一种可以实现基于黑盒的资源服务组合的动态重构能力和适应服务组合过程变化能力的提高方法。通过对影响资源服务组合全生命周期的相关因素的分析，将资源服务组合的柔性分成多种类型，然后分别对这些资源服务组合柔性类型进行量测，从而可以定量化的测评资源服务组合适应变化的能力；通过对服务组合中的各资源服务节点及其所运行的任务和运行环境等进行监控，利用建立的ECA规则库对资源服务组合过程中的异常进行协调处理来提高服务组合的柔性，最终实现资源服务组合稳定、健壮、透明的运行。

技术方案：一种面向云制造系统的资源服务组合柔性的量测和提高方法，即针对五种资源服务组合的柔性类型给出了相应的量测方法，以及通过对资源服务组合中异常因素的监控和基于ECA规则库的协调来提高资源服务组合的柔性的方法，该方法具体包括以下步骤：

步骤1)分析在面向云制造系统的资源服务组合全生命周期中，影响资源服务组合的相关不确定性因素，然后将这些因素分成以下几类：与任务相关的因素、与资源服务相关的因素、与资源服务组合质量(QoS)相关的因素、与资源服务间关联关系相关的因素这四种内力因素，以及网络带宽不足、访问权限受限等外力因素。同时分析这些异常因素相互之间所存在的影响关系，并按照对资源服务组合执行前、执行中、执行后三个阶段影响的差异分别确定相关的异常因素，以便于为服务组合的协调提供更加准确的信息。

步骤2)根据步骤1中给出的主要影响因素从不同的角度将资源服务组合的柔性进行分类，得到的基本的资源服务组合柔性类型包括五种：任务柔性、资源服务组合流程柔性、资源服务柔性、资源服务QoS柔性、资源服务间关联关系柔性。

步骤3)针对任务柔性给出量测方法。首先求出在几个相同的采样时间段内任意一个资源服务组合流程所能执行的任务个数，然后通过用Shannon的熵反映服务组合所能执行的平均任务数的大小来量测资源服务组合的任务柔性。

步骤4)针对资源服务组合流程柔性给出量测方法。资源服务组合流程之间的差异由两个方面来反映，一个是两流程之间资源服务的差异，另一个是两流程之间控制逻辑关系的差异，分别求出这两种差异的大小，再通过用几何平均数反映总的服务组合流程集的差异来量测资源服务组合流程柔性。

步骤5)针对资源服务柔性给出量测方法。给定一个矩阵，它的对角线元素为资源服务可由组合服务来替代的方案的数量，非对角线元素为资源服务互相替代的能力，即在所有的组合流程中，一个资源服务能被另一资源服务替代的总的次数。最后，用这个矩阵的谱半径来量测服务组合的资源服务柔性。

步骤6)针对资源服务组合QoS柔性给出量测方法。为任务集中的每一个任务计算出完成此任务的所有资源服务组合流程的QoS值，然后求出完成任意一个任务的所有服务组合流程的QoS值之间的最大差异，最后对于任务集中的所有任务，用Shannon的熵反映这个最大差异来量测资源服务组合的QoS柔性。

步骤7)针对资源服务间关联关系柔性给出量测方法。定义两个矩阵，其中一个矩阵的元素用来反映资源服务间的关联关系的数量，另一矩阵的元素用来反映这种关联关系对服务组合的QoS产生的影响，最后用Shannon的熵反映这两个矩阵所表达的信息量来量测资源服务间关联关系的柔性。

步骤8)监控资源服务组合过程的步骤。主要的监控对象为步骤1中分析得到的相关不确定因素，然后部署传感器或拦截器来获取资源服务组合过程中发生异常的对象，通过数据流的分析识别发生异常的因素。然后通过对异常信息的预处理后，得出的处理结果用于对服务组合过程进行协调。

步骤9)协调资源服务组合过程的步骤。将步骤8中得到的对资源服务组合过程中监控发现的异常信息的分析结果进行数据解析，从中获取异常情况的关键信息，然后将这些关键信息与ECA规则库中的规则进行匹配以得出处理异常情况的方法，最后通过执行这些规则中所包含的操作原语来协调资源服务组合过程。

优点及功效：

1、本发明针对以往对柔性制造系统的研究大多局限于柔性的技术实现方法上，没有考虑网络化制造中资源服务、人的因素等对柔性的重要影响，提出了面向云制造系统的资源服务组合的柔性的概念，并对资源服务组合的柔性进行了分类，将制造系统的柔性问题扩展到了适用于网络化制造模式的资源服务组合层面。

2、本发明给出了五种资源服务组合柔性类型的量测方法，有效的实现了对资源服务组合柔性的定量化描述与测评，完善了对柔性评价的适用范围。

3、本发明设计了基于ECA规则库协调模式的资源服务组合柔性的提高方法，借助于ECA规则所具有的比应用代码更强的抽象表达能力，使得资源服务组合可以更好的处理异常情况，从而实现资源服务组合稳定、健壮、透明的运行。

附图说明

图1是面向云制造系统的资源服务组合全生命周期图；

图2是影响资源服务组合全生命周期的主要相关因素图；

图3是面向云制造系统的资源服务组合柔性管理体系架构图；

图4是资源服务组合柔性管理的监控流程图；

图5是资源服务组合柔性管理的协调流程图。

具体实施方式

下面结合附图对本发明作进一步详细的描述。

本发明包括一种对面向云制造系统的资源服务组合柔性的多种类型的量测方法，以及一种资源服务组合柔性提高方法，该柔性提高方法主要是基于面向云制造系统的资源服务组合柔性管理体系架构以及在该体系架构下的资源服务组合柔性管理监控流程、协调流程来实现，如图3、图4和图5所示。具体实现步骤如下：

第一步，找出在面向云制造系统的资源服务组合全生命周期中，影响资源服务组合过程的相关不确定性因素及其相互之间的影响关系并对这些影响因素进行分类，然后再根据这些影响因素从不同的角度对资源服务组合的柔性进行分类，参见图1和图2。

首先，将影响资源服务组合的相关因素按照资源服务组合执行前、执行中、执行后三个阶段分为以下几类：1)与资源服务的相关的因素：主要包括资源服务过载、资源服务的动态加入、资源服务退出；2)与任务相关的因素：主要包括任务需求改变、任务挂起、任务取消、任务重置；3)与资源服务组合QoS相关的因素：主要包括执行时间改变、成本改变、可用性改变、可靠性改变、信誉度改变；4)与资源服务间关联关系相关的因素：主要包括可组合关联关系改变、商业实体关联关系改变、统计合作关联关系改变；5)其它因素：主要包括网络带宽不足、访问权限受限。

其次，分析这些异常因素相互之间所存在的影响关系。资源服务的动态加入、资源服务间关联关系改变会对资源服务组合的QoS产生影响，在对资源服务组合过程进行协调时需考虑这些影响关系，使得服务组合的协调更加准确。

再次，分别确定影响资源服务组合执行前、执行中、执行后的因素。任务重置只对资源服务组合执行前和执行后有影响，资源服务的加入和资源服务间可组合关联关系的改变只对资源服务组合执行中有影响，除此之外的所有因素对资源服务组合执行前、执行中、执行后都有影响。

最后，根据影响资源服务组合的相关因素的不同将资源服务组合的柔性分成以下五类：1)任务柔性，即构建服务组合执行不同任务的能力；2)资源服务组合流程柔性，即不同的服务组合流程能够执行特定任务的能力；3)资源服务柔性，即单个资源服务能够执行不同任务的能力；4)资源服务组合的QoS柔性，即资源服务组合保持QoS性能等级水平的能力；5)资源服务间关联关系柔性，即资源服务组合适应资源服务间关联关系变化的能力。

第二步，针对资源服务组合的五种柔性类型，分别进行量测。

对任务柔性进行量测。假设在h个相同的采样时间段内，资源服务组合流程C_k(k＝1，…，l)在每个时间段i(i＝1，…，h)内所执行的任务个数为其中l为资源服务组合流程总的个数，则在这段时间内C_k所能执行的任务数为对进行标准化得用Shannon的熵来量测资源服务组合的任务柔性：$T_f=-\underset{k=1}{\overset{l}{\Sigma }}{\bar{N}}_{T_k}^{\prime }\log {\bar{N}}_{T_k}^{\prime }.$

对资源服务组合流程柔性进行量测。资源服务组合流程之间的差异由两个方面来反映，一个是两个流程之间资源服务的差函数，另一个是两个流程之间控制逻辑关系的差函数。假设资源服务集中的服务所组成的服务组合流程共有l条，则两个流程之间资源服务的差函数为两个流程之间控制逻辑关系的差函数为其中，SC_i∩SC_j表示两个流程相同的资源服务集合，SC_i∪SC_j表示两个流程所包含的所有资源服务的集合，CC_i∩CC_j表示两个流程资源服务间相同的控制逻辑关系的集合，CC_i∪CC_j表示两个流程所包含的所有资源服务的控制逻辑关系的集合。理论上资源服务组合流程之间共有C_l²种比较，则资源服务组合流程的柔性的量测为：$D_f=\frac{2}{l(l-1)}\underset{i=1}{\overset{l}{\Sigma }}\underset{j=1}{\overset{l}{\Sigma }}\sqrt{d_{\mathrm{ij}}·d_{\mathrm{ij}}^{\prime }}.$

对资源服务柔性进行量测。给定矩阵Rf，对角线元素Rf_ij(i＝j)为资源服务可由组合服务来替代的方案的数量，非对角线元素Rf_ij(i≠j)为资源服务互相替代的能力，即在所有的资源服务组合流程中，一个资源服务能被另一资源服务替代的总的次数。用矩阵Rf的谱半径来量测服务组合的资源服务柔性：RS_f＝ρ(Pf)。

对资源服务的QoS柔性进行量测。为任务集T＝{T₁，T₂，…，T_m}中的每一个任务计算出完成任务的所有服务组合流程的QoS值，定义完成任务T_j时，资源服务组合流程的QoS值的最大损耗为其中，和分别为能够完成任务T_j的服务组合流程的QoS的最大值和最小值。然后用Shannon的熵来量测资源服务组合的QoS柔性：${\mathrm{QoS}}_f=-\underset{j=1}{\overset{m}{\Sigma }}{e}^{-{\mathrm{LossT}}_j}{\log e}^{-{\mathrm{LossT}}_j}.$

对资源服务间关联关系进行量测。首先定义一个集合G，它表示具有关联关系的资源服务的信息，即把具有某种关联关系的所有资源服务作为一个数组存放在G中。然后，定义两个矩阵和其中n为资源服务的个数，r为G中总的数组的个数，且

定义矩阵D＝(d_ij)_n×r为：则资源服务RS_i的信息量为：对d_i进行标准化得：最后，用Shannon的熵来量测资源服务间关联关系的柔性：

第三步，监控整个资源服务组合的全生命周期过程，包括资源服务组合的设计、部署、执行和后处理四个阶段，获取异常信息进行预处理后传输给资源服务组合协调模块，参见图3和图4。

首先，确定监控对象，主要是指影响资源服务组合的相关不确定因素，即资源服务组合中的各资源服务节点及其所运行的任务以及运行环境，包括它们的静态信息，如：资源服务的名称、提供者、IP地址、QoS属性值，资源服务间的关联关系，任务的参数，CPU利用率，网络负载等，以及动态信息，如：资源服务的绑定、动态加入、退出或过载，任务的取消、挂起或重置等。

其次，运用Agent的感知功能，通过为每一个监控对象部署基于多Agent的传感器或拦截器来确定资源服务组合过程中发生异常的对象。对发生异常的对象基于控制流图建立数据流方程，通过迭代算法求解此方程来进行数据流的分析，以此来识别发生异常的具体因素。

最后，对异常对象进行预处理。主要包括基于LabJack U12数据采集卡对异常信息进行采集，利用LabVIEW等软件提取有用的信息，利用MultiInstrument2.1等软件来诊断发生异常的原因和程度，基于API接口传输得出的结果用于对资源服务组合过程进行协调。

第四步，基于ECA规则库来协调资源服务组合过程中出现的异常。

首先，通过API接口接收来自对资源服务组合过程监控发现的异常信息的分析结果，并将其存储于数据库中。

其次，将存储于数据库中的数据进行解析，主要利用矩阵数据解析法来解析数据。在这个过程中，需要通过知识库中存放的基于以OWL-S描述的本体的领域知识，以解决在将这些数据与ECA规则匹配时的语义异构问题。

再次，运用Jena或Racer推理机中的规则匹配引擎与ECA规则库中预定义的知识、迁移条件等规则进行匹配，如果匹配成功，则根据这些规则来协调处理资源服务组合中的异常情况。如果匹配失败，说明资源服务组合无法协调，则取消任务。

最后，由基于Java虚拟机的协调执行引擎执行ECA规则中包含的操作原语以实现资源服务组合过程的协调。