一种机床装备资源云制造任务分解方法与流程

本发明涉及一种机床装备资源云制造任务分解方法，该方法首先对机床装备资源云制造任务分解需求进行分析，然后建立了一种机床装备资源云制造任务分解流程总体架构，在此基础上构建了一种基于分层设计结构矩阵(hdsm)的机床装备资源云制造任务分解过程模型，最后对分解后的子任务进行聚类分析与合并重组，以获得满足条件的机床装备资源云制造任务分解方案。该发明属于智能制造技术领域。

技术背景

机床装备是我国广大制造企业维持正常生产运作的重要基础装备，随着新兴信息科技技术的兴起和发展及其与先进制造技术的深度融合应用，有力的推动着机床装备企业市场供需方式的转变，迫使我国量大面广的机床装备行业企业面临着极大的转型压力和升级需求。云制造服务模式“分散资源集中使用、集中资源分散服务”的思想为这一问题提供了一种行之有效的解决思路。在云制造模式下机床装备资源提供方能够更加快捷方便地进行资源共享和协同服务，资源需求方所提出的加工任务需求无论是在任务规模的广度、任务内容的丰富度以及任务的个性化程度上都得到了极大的扩展。云制造环境下的机床装备资源加工任务具有层次性、多样性、动态性和关联性等特性；复杂机床装备资源云制造任务的完成是一个需要多企业、多地域、多学科人员共同参与配合的协作过程，其完成的过程中各子任务间存在着各种信息交互、相互依赖和相互制约的复杂关系。云制造环境下机床装备资源加工任务的分解是为了使各机床装备资源之间能够在最合适的环节最大化地发挥自身的制造能力，并以最优的方式协同完成各制造子任务；因此，机床装备资源云制造任务分解的合理性、均衡性等将直接影响资源间的协作效率以及制造加工任务最终的完成质量。云制造模式下机床装备资源制造加工任务的分解需求主要体现在以下几个方面：

①机床装备资源制造加工任务的分解需以其所对应的机械产品的结构树和加工工艺为指导。由于机械产品自身结构的复杂性，其加工过程通常需要按照其产品结构树拆分为不同零部件进行分别加工，并按照机械产品的加工工艺依次进行。因此，在进行任务分解的过程中，也应首先考虑机械产品的结构树和加工工艺，将其作为分解任务的总体依据和指导。

②应保证分解后各子任务“内紧密，外松散”。分解后各子任务之间应保持尽可能弱的相关性，子任务间的弱相关性有利于降低完成各子任务的复杂度，提升加工任务的完成效率，并减少由于信息交互、物流运输等带来的额外成本；分解后的子任务内部各活动间应保持尽可能高的相关性，将相关性高的活动合并成一个子任务有利于对该任务进行统一处理，提升该任务的完成效率。

③分解后各子任务至少应具有两个以上能够满足其任务要求的待选机床装备资源服务。任务分解是机床装备资源服务组合和优选的基础和支撑，因此，所分解的子任务应当具有满足其任务要求的机床装备资源服务集，以满足资源服务之间的竞争性。

鉴于此，本发明将围绕机床装备资源云制造任务特性及分解需求，融合应用云计算、物联网等先进信息价技术及开发技术，提出一种机床装备资源云制造任务分解方法，为机床装备资源优化配置和高效协同共享提供技术支持。

技术实现要素：

本发明涉及一种机床装备资源云制造任务分解方法。该方法在资源信息解析器、算法知识库和资源本体库的支撑基础上，可有效支持复杂机床装备资源云制造任务的分解，并为机床装备资源的优化配置和高效协同共享提供技术支持，推动云制造服务模式的应用推广。本发明的技术方案为：

本发明首先对机床装备资源云制造任务分解需求进行分析，并建立一种机床装备资源云制造任务分解流程总体架构，在此基础上基于机械产品bom结构对复杂机床装备资源云制造任务进行初步分解，然后基于分层设计结构矩阵(hierarchicaldesignstructurematrix，hdsm)对机床装备资源云制造任务分解过程进行建模，最后对分解后的子任务进行聚类分析与合并重组，以获得满足条件的机床装备云制造任务分解方案。该方法的实现步骤包括：

(1)基于机械产品bom结构的制造任务初步分解

在云制造需求方发布制造需求后，根据需求所对应机械产品的bom结构，自上而下地将总云制造任务按照bom层次结构分解为若干个不可再分的原子任务。在进行任务初步分解的过程中，应遵从用户需求优先、标准件优先、独立不可再分等基本原则。

(2)基于hdsm的任务分解过程建模

针对机床装备资源云制造任务所具有的层次性、复杂性等特征，基于hdsm对机床装备资源云制造任务分解过程进行逐层建模，利用各层级的设计结构矩阵(designstructurematrix，dsm)对任务分解过程的各层级子任务间的相关关系进行综合描述，并通过各层级dsm之间的嵌套来简化机床装备资源任务分解过程建模的复杂性。

(3)子任务聚类分析与合并重组

在建立机床装备资源云制造任务分解过程hdsm模型的基础上，对各子任务间的相关性进行描述与量化，并依此对子任务进行聚类分析。对聚类后的强相关性子任务进行合并重组，进一步验证其粒度大小是否合适，是否满足服务竞争性等要求，最后将满足要求的机床装备资源云制造任务分解方案输出。子任务间相关性度量方法如下：

由于机床装备资源云制造任务分解与其对应的机械产品结构紧密关联，因此在计算子任务间相关性时可将各子任务间的信息关联总体分为：结构信息关联度和物流信息关联度。其中结构信息关联度又包含结构功能相似度、传动信息关联度和电气信息关联度。

1)结构信息关联度，记作srij。指子任务i和子任务j在物理结构等方面信息关联的强弱程度，其主要包含结构功能相似度传动信息关联度和电气信息关联度分别表示子任务间受机械产品结构影响而存在的结构功能、机械传动和电气等方面的关联。

2)物流信息关联度，记作lrij。指子任务i和子任务j间存在物流信息交互的强弱程度，其取值区间为[0,1]。

3)本发明方法基于粗糙集理论对子任务间的物流信息关联度和实物信息关联度的模糊数进行了求解。在此基础上，采用加权和对子任务间的综合相关性trij进行度量，度量公式如下：

其中w1，w2，θ1，θ2和θ3为对应相关性描述指标的权重值，其根据实际情况进行不断完善并确定。

与现有技术相比，本发明具有如下优点和功效：

本发明是一种针对云制造环境下复杂机床装备资源制造任务的合理高效分解方法。云制造服务平台用户可根据自身需求对子任务间的关联度和粒度大小进行优化配置；通过本发明方法可快速获得满足需求的任务分解方案，为机床装备资源优化配置和高效协同提供技术支持。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1是机床装备资源云制造任务分解流程总体架构

图2是基于hdsm的机床装备资源云制造任务分解过程模型

图3不同信息关联类型下dsm的表示

图4是制造子任务聚类分析与合并重组实现步骤

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。

如附图1所示，为机床装备资源云制造任务分解流程总体架构。所述的机床装备资源云制造任务分解流程总体架构基本内容包括如下：

1)用户将其制造任务需求发布到机床装备云制造服务平台上，云平台自动辨识任务类型，简单归结为两类(简单任务和复杂任务)，然后通过信息解析器对复杂任务进行解析和描述，形成描述文档；

2)调用资源本体库知识和相关知识库，基于机械产品bom结构复杂机床装备云制造任务进行初步分解；

3)基于hsdm对机床装备资源云制造任务分解过程进行过程建模，将所有子任务表示成层级dsm，并通过层层嵌套dsm形成全局dsm，以全局dsm表示总云制造任务分解过程执行方案；

4)对各层级子任务进行聚类分析和合并重组；

5)对合并后的子任务进行粒度校验和服务竞争性校验；

6)输出最后的任务分解方案。

如附图2所示，为基于hdsm的机床装备资源云制造任务分解过程模型。以所述图中机床装备云制造任务cmt为例，基于hdsm的机床装备资源云制造任务分解过程建模由如下步骤组成：

1)根据所述机械产品的bom结构判断任务初步分解后各原子任务间的信息关联类型，所述信息关联类型包括串行、并行和耦合三种基本类型。如附图3所示，表示不同信息关联类型下的dsm；行表示信息的输出，列表示信息的输入，元素值取值为1表示元素所在行和列对应的子任务间存在信息关联，且信息流动方向为由行至列。

2)根据机床装备资源云制造任务初步分解结果，自上而下分别建立第一层dsm(dsma1)、第二层dsm(dsma2)、第i层dsm(dsmai)，每一层中均可以包含多个子dsm。

3)根据所建立的各层级的子dsm，自下而上完成各层级dsm的嵌套。参考附图2示例，嵌套步骤如下：

步骤①判断第二层子任务cmt11cmt12与第一层子任务cmt2、cmt3之间的相关关系，根据dsma1的结构将第二层子dsm21嵌套进第一层子dsm11中形成第一层的局部dsm；

步骤②分析子任务cmt31、cmt32和cmt33与子任务cmt1、cmt2之间的相关关系，将第二层子dsm22嵌套进已嵌入子dsm21的局部dsm中；

步骤③重复上述步骤①、步骤②，直至将该层所有dsm嵌套进上层dsm中，形成该层层级dsm。

4)将所有子dsm进行层层嵌套，最终形成整个任务分解过程的全局dsm。

如附图4所示，为制造子任务聚类分析与合并重组实现步骤。所述步骤如下：

1)确定任务粒度范围

所述云制造任务粒度表示任务内部的耦合程度，机床装备资源云制造任务粒度的大小可直接影响任务执行的服务时间和成本等因素，本发明采用执行各子任务的服务时间t和服务成本c衡量任务分解及子任务合并重组过程中的粒度范围，设定最新粒度值为grmin，最大粒度值为grmax，任务粒度范围为[grmin,grmax]。

2)计算任务间距离

各子任务间的距离可由子任务间的相关度进行表示。子任务间相关度越大，则距离越小；子任务间相关度越小，则距离越大。子任务i与子任务j间的距离可量化为：

3)确定聚类核心

子任务聚类分析的目的是将粒度细小的子任务进行合并重组，使得最终获得的任务分解方案中各自任务具有合适的任务粒度。设任务初步分解后各子任务的粒度从小到大排序为t¹,t²,…,t^j,…，以任务初步分解后各子任务中粒度最小的子任务t¹为聚类中心，判断子任务粒度大小是否在确定的粒度范围内，

①若gri∈[grmin,grmax]，由于子任务不可再分性，可认为粒子最小的子任务已满足粒度范围要求，因此其余任务也在该范围内，即此时的分解方案已符合要求，不需要进行合并重组；

②若gri＜grmin，则执行步骤4)。

4)子任务合并重组

根据已确定的聚类核心，计算与其具有相关关系的子任务与聚类核心之间的距离dij，寻找与之距离最近的子任务，判断两任务合并后是否满足粒度范围要求，若满足，则将两个子任务合并为一个新的子任务；若合并后的子任务粒度超出最大粒度值grmax，则按照与聚类核心由近至远的顺序依次搜索，直到发现与其合并后满足服务粒度范围要求的子任务。

5)服务竞争性校验

若以t¹为聚类核心进行合并重组后的子任务满足服务竞争性条件，则返回步骤3)重新以此时粒度最小的子任务作为聚类核心并重复上述步骤，直到所有子任务均满足粒度和服务竞争性要求；若合并重组后的子任务不满足服务竞争性条件，则返回步骤4)按照与聚类核心t¹由近至远的顺序重新寻找新的满足条件的子任务与聚类核心t¹进行合并，并依次执行后续步骤。

6)任务分解方案获取

若经上述步骤处理后的所有子任务均满足粒度和服务竞争性要求，则输出该条件下的最终任务分解方案。