CN102360462A - 基于云制造的虚拟资源模型及其建模方法 - Google Patents

Abstract

本发明涉及一种基于云平台的信息收集存储和加密检索系统，特别涉及一种智能收集网络上交互信息并将信息加密存储，不经过解密就可以实现信息检索的系统，属于信息安全技术领域；具体包括数据信息收集模块、数据信息加密模块、数据信息检索模块和数据访问接口模块。本发明智能地收集用户所需的信息，加密信息检索方法不需要经过解密就可以检索到用户所需的信息，用户随时随地都可以访问获取所需的信息，既提高效率和节省大量的时间，又保证了信息的安全；适用于个人、公司和机关单位，可以安装在个人电脑或者移动设备上，为数据信息的收集、存储、加密和检索带来便利。

Description

基于云制造的虚拟资源模型及其建模方法

技术领域

本发明涉及一种基于云制造的虚拟资源模型及其建模方法，属于先进制造技术领域。 

背景技术

“云制造”是2010年李伯虎等人在《计算机集成制造系统》第十六卷第一期中提出的一种面向服务的网络化制造新模式。其定义为：云制造是一种利用网络和云制造服务平台，按用户需求组织网上制造资源(制造云)，为用户提供各类按需制造服务的一种网络化制造新模式。 

云制造模式面向产品制造的全生命周期，是一种大制造模式，它将现有网络化制造和服务技术同云计算、云安全、高性能计算、物联网等技术融合，实现各类制造资源(制造硬设备、计算系统、软件、模型、数据、知识等)统一的、集中的智能化管理和经营，为制造全生命周期过程提供可随时获取的、按需使用的、安全可靠的、优质廉价的各类制造活动服务。 

云制造模式是在云计算概念的基础上，对传统的网络制造模式的深化和扩展。作为一种新的制造模式，云制造有其独特的特点，其中之一就是制造资源的涵盖范围，云计算中的资源主要是指计算资源、存储资源、软件服务资源等软资源，而云制造面向产品的全生命周期，其制造资源概念更加宽泛，涵盖了制造设备、人力、物流、知识、数据、模型等一系列软硬资源。 

传统的资源建模方法是先对资源进行分类，然后根据分类对不同类型的资源的物理属性进行描述从而建立该资源的模型。资源分类能使资源管理的对象简化，使资源管理工作能分散运行。国标《GBT 25111-2010》中描述了两种资源分类方法。第一种方法是对资源进行层次划分的层次分类法，在第一层将资源粗分为4类，分别为原材料供应商、半成品供应商、成品供应商以及物流供应商，第二层将资源分为市场调研、协同设计、精益生产、产品销售和售后服务5类；第二种方法将资源按物理特性细分为5类，分别是物能资源、技术资源、信息资源、资金资源和人力资源。国内相关研究文献中也提出了其他的资源分类方法，例如按照资源的使用范围将资源分为物资资源、技术资源、信息资源、人力资源、财务资源和辅助资源；按照资源在生产过程中的分布划分将资源分 为生产管理资源、生产资料资源、生产市场资源和公共资源；从供应链的角度将资源分为协同设计资源、协同制造资源、仓储运输资源和销售资源；从工艺技术的角度将资源分为下料资源、锻造资源、表面处理资源、机加工资源、焊接资源、热处理资源、冲压资源、装配资源、物料传输资源和检测资源。 

虽然上述的资源分类方法的出发点各有侧重，但是根据这些分类对资源进行建模的重点都在资源自身的物理属性上，但是在云制造这种网络化制造环境下，这些方法都存在着弊端：云制造主要是一种资源的租赁模式，资源提供方将自身的制造资源通过虚拟化的过程以服务的方式发布到云制造平台当中，资源需求方从云制造平台中搜索符合自己要求的资源，资源需求方是不知道资源提供方的具体情况的，需求方只能从提供方发布有限的资源信息来判断其是否符合自己的要求，这就要求资源提供方对资源的描述尽可能的详细。传统的资源分类方法只考虑资源本身的物理属性，而忽视了人力因素对某些资源的影响，例如一个制造任务需要加工某种零件，如果在云制造平台中寻找满足加工条件的制造设备会得到多个结果，这时候同样型号的制造设备就被认为是加工结果完全一致，而事实上同型号的制造设备随着新旧程度的变化、操作人员水平的高低，其加工结果都会发生变化，即资源的建模方法会严重影响到任务匹配方案进而影响制造成本及制造结果。 

在云制造环境中，资源本身的物理属性不足以来完整的表达资源提供方的制造能力，也不足以帮助资源需求方判断此制造资源是否能满足自己的需求，因此需要建立一种符合云制造特点的资源模型和建模方法。 

发明内容

本发明的目的是通过提供一种新的虚拟制造资源模型和建模方法，改善虚拟资源模型对实物特征的建模精度，提高模型对资源能力的表达程度，从而提高云制造中制造任务与虚拟资源匹配的效率，改善制造任务的资源寻优配置，从而降低制造成本，提高产品质量。 

本发明在传统的物理属性建模方法基础上，结合云制造的特点，综合考虑资源的地理位置和物流因素、人力参与因素、粒度因素和资源能力的可量化性因素，对资源进行建模，得到一个通用的虚拟资源模型。 

本发明的虚拟资源模型是一个所有资源都适用的通用制造模型，在实际应 用中可以根据不同的资源有选择性的填充信息生成对应的模型。本发明所述的资源是在大制造过程(即产品全生命周期)中具有某种功能的单位，该通用模型由五个子模型构成，具体包括粒度层模型、基本模型、物流模型、物理能力模型和人类活动模型，各个子模型所包含的信息独立，共同组合成一整体描述某类资源。 

1、粒度层模型，其中包含的粒度信息可统一描述资源的“粗细”，以便对来自不同企业的资源进行统一管理。从资源提供方来说，它可以将它下属的所有单个资源一个个的接入云制造资源库，也可以将多个资源组成形成一个群组接入，还可以将整个企业作为一个整体接入。例如一个车床、几个车床组成的工作组、整个车间都能接入作为一个虚拟资源。云制造系统中，粒度层是人为定义的，可以根据需求自由的增加或减少。本发明结合常用情况，将资源粒度层分为企业级、车间级、工作组级、个体级，其中企业级是最粗的粒度，个体级是最细的粒度。由此资源提供方就可以自由的在这四个粒度层上对自己的资源进行建模。 

2、基本模型，用来描述资源的物理信息。该信息主要是沿用传统的资源描述方法，对资源本身的物理性质进行描述，包括资源的名称、资源ID、资源类型、资源状态和资源几何特征等。 

3、物流模型，用来描述资源所属的机构、地理位置和使用过程中涉及到的物流信息。在云制造中，虚拟资源对应的真实资源的地理位置和物流信息会影响到制造任务的分配方案，完成同一个制造任务，物流成本会随着选用资源地理位置的不同而有所不同。 

4、物理能力模型，用来描述资源自身的物理性能信息。对资源本身的物理能力信息可以用数值型、描述型和混合型三种方法进行评价：数值型用于描述可以量化表达的能力，描述型用于描述不可以量化表达的能力，混合型混合数值型和描述型来对资源的性能进行互相补充的综合评价。 

5、人类活动模型，用来描述人类活动对资源能力的影响程度，其中包含体力活动权重信息、体力活动技能等级信息、体力活动信息、脑力活动权重信息、脑力劳动信息。在云制造中，某些资源不需要人为操作(例如CPU计算资源、存储资源等)，而某些虚拟资源是需要被人来操作的，人力参与的程度和人的技能水平会对资源的使用产生影响，从而影响制造任务的结果。体力活动权重信 息用来描述体力活动在资源使用过程中对结果的影响程度，体力活动技能等级信息用来描述体力活动的熟练度等级(不同熟练度会对应不同的体力活动权重)，体力活动信息用来描述体力活动的具体情况，脑力活动权重信息用来描述脑力活动在资源使用过程中对结果的影响程度，脑力活动信息用来描述脑力活动的具体情况。 

对于资源提供者来说，对某种虚拟资源的建模流程具体包括如下步骤： 

步骤1，选择资源所属的粒度层(企业级、车间级、工作组级、个体级)，转入步骤2； 

步骤2，获取资源的基本信息(资源名称、ID、类型、状态、几何特征等)，转入步骤3； 

步骤3，判断资源的使用过程中是否涉及物流操作，如果有，则转入步骤4，如果无，则转入步骤5； 

步骤4，获取资源的地理位置和物流信息，转入步骤5； 

步骤5，判断资源的使用过程中是否涉及人类活动，如果全部是人类活动，则转入步骤6，如果没有人类活动，则转入步骤7，如果有部分人类活动，则转入步骤8； 

步骤6，获取人类活动模型，结束； 

步骤7，判断资源的能力是否具备可量化性，如果有，则转入步骤7.1，如果无，则转入步骤7.2； 

步骤7.1，获取数值型能力模型，结束； 

步骤7.2，获取描述型能力模型，结束； 

步骤8，判断资源的能力是否具备可量化性，如果有，则转入步骤9，如果无，则转入步骤11； 

步骤9，获取资源能力的数值模型，转入步骤10； 

步骤10，判断影响资源使用结果的人力因素是体力还是脑力，如果是脑力转入步骤10.1，如果是体力转入步骤10.3； 

步骤10.1，获取脑力因素的权重，转入步骤10.2； 

步骤10.2，获取脑力活动模型，结束； 

步骤10.3，判断熟练度是否影响结果，如果不能影响转入步骤10.4，如果 能，则转入步骤10.6； 

步骤10.4，获取体力因素的权重，转入步骤10.5； 

步骤10.5，获取体力活动模型，结束； 

步骤10.6，获取体力因素的权重，转入步骤10.7； 

步骤10.7，获取体力活动模型，转入步骤10.8； 

步骤10.8，获取体力活动熟练级别，结束； 

步骤11，获取资源能力的描述模型，转入步骤12； 

步骤12，判断影响资源使用结果的人力因素是体力还是脑力，如果是脑力转入步骤12.1，如果是体力转入步骤12.3； 

步骤12.1，获取脑力因素的权重，转入步骤12.2； 

步骤12.2，获取脑力活动模型，结束； 

步骤12.3，判断熟练度是否影响结果，如果不能，则转入步骤12.4，如果能，则转入步骤12.6； 

步骤12.4，获取体力因素的权重，转入步骤12.5； 

步骤12.5，获取体力活动模型，结束； 

步骤12.6，获取体力因素的权重，转入步骤12.7； 

步骤12.7，获取体力活动模型，转入步骤12.8； 

步骤12.8，获取体力熟练度级别，结束。 

有益效果： 

采用本发明既可以以传统方式对虚拟资源进行管理(沿用传统的资源分类管理方式)，同时由于加入了粒度、人力参与程度等新的元素，又可以适应新的云制造环境下对资源建模的要求，可以快速精确的对制造资源进行精确建模，在后续为制造任务搜寻合适的制造资源的时候就能更准确的得到结果，提高任务和资源匹配的准确度和效率。 

本发明可广泛应用于各类产品的制造过程，可有效的改善资源建模精度，提高任务和资源匹配的准确度和效率，改善制造任务的执行质量，具有广阔的市场前景和应用价值。 

附图说明

图1为本发明的虚拟资源的通用模型； 

图2为本发明的虚拟资源的建模流程。 

具体实施方式

为了更好地说明本发明的实施方式，下面结合实例对本发明作进一步说明。 

某企业制造能力过剩，需要将部分制造资源出租获利，为此需要将这些资源接入云制造系统中，其中有一台数控机床，按照传统的建模方式，以XML代码来对其进行建模，信息大致如下(为方便说明，所有标识符全用中文表述)： 

而根据本发明所描述的模型和建模流程来看，该资源粒度属于个体级粒度；该资源工作过程中必然需要物流传递；该资源的物理性能可以量化表示；该资源操作过程中需要操作员编制NC编码，操作员编制NC代码的能力有差别，该企业在出租该资源同时为该资源配备了一个技术等级为中级的操作员(NC代码 的编制主要属于脑力劳动，根据经验大致估算其对加工结果的影响权重值为0.2)。由此根据本发明对该资源进行建模的模型大致如下(为方便说明，所有标识符全用中文表述)： 

从以上两个模型的对比可以看出，使用本发明的模型除了能够完整涵盖传统模型所描述的物理性能之外，还增加了粒度信息、物流信息和人力因素影响等内容，模型更加精细。 

本实施例通过xml文件将本发明的资源模型具象化。在实际应用中，可以用多种手段将本发明的模型具象化，如用数据库、UML、XML等技术，在随后的应用中，只需从具象化的数据库或文件中读取模型信息用于搜索、匹配、优化，即可得到最佳制造方案。 

下面用一个最简单的例子来说明和传统模型相比，本发明的模型在资源和任务匹配方面的优势： 

某资源需求方需要制造100件某工件，在云制造系统中搜寻符合此制造要求的资源。 

1.使用传统的资源模型： 

共寻得三家企业A，B，C能满足此制造需求，A价格为单件100元，B价格为单件95元，C价格为单件105元，结果显而易见是使用B资源价格最优，总价为9500元，A企业为10000元，C企业为10500元。 

2.使用本发明的资源模型： 

共寻得三家企业A，B，C能满足此制造需求，A价格为单件100元，B价格为单件95元，C价格为单件105元；100个工件的原材料需要进行物流运输，每个每公里平均运费为1元，资源需求方至A，B，C三企业的距离分别是150公里、120公里、110公里；A企业为制造资源配备了大量高级工程师和少部分中级工程师，成品率为98％，B企业为制造资源配备了少部分高级工程师和大部分中级工程师，成品率为95％，C企业为制造资源全部配备了高级工程师，成品率为99％。使用此资源模型对制造成本进行简单的估算可得： 

选用A企业至少需要准备(100件/98％)向上取整＝103件的原料才能保证100件的成品，其成本为： 

100元×103件+103件×1元/公里×150公里＝25750元。 

选用B企业至少需要准备(100件/95％)向上取整＝106件的原料才能保证100件的成品，其成本为： 

95元×106件+106件×1元/公里×120公里＝22790元。 

选用C企业至少需要准备(100件/99％)向上取整＝102件的原料才能保证100件的成品，其成本为： 

105元×102件+102件×1元/公里×110公里＝21930元。 

由此可知，当前状况下选用C企业的资源才是最佳选择。 

此处仅就一个最简单的例子说明本发明的资源模型对制造任务与资源匹配结果的影响，在实际的云制造平台中，有许多制造任务需要同时寻找匹配的制造资源，其匹配方法更加复杂，由此对资源模型精度的要求更高，采用本发明的模型和建模流程可以更好的对资源进行建模，更加符合云制造的运行需求。 

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，用于解释本发明，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (4)

1.基于云制造的虚拟资源模型，其特征在于：由五个子模型构成，具体包括粒度层模型、基本模型、物流模型、物理能力模型和人类活动模型，各个子模型所包含的信息独立，共同组合成一整体描述某类资源；

所述的粒度层模型包含的粒度信息描述资源的“粗细”，以便对来自不同企业的资源进行统一管理；资源提供方将其下属的所有单个资源分别接入云制造资源库，或者将多个资源组成形成一个群组接入，或者将整个大资源作为一个整体接入；

所述的基本模型沿用传统的资源描述方法，对资源本身的物理性质进行描述；

所述的物流模型，描述资源所属的机构、地理位置和使用过程中涉及到的物流信息；

所述的物理能力模型，描述资源自身的物理性能信息；用数值型、描述型和混合型三种方法进行评价：数值型用于描述可以量化表达的能力，描述型用于描述不可以量化表达的能力，混合型结合数值型和描述型对资源的性能进行互相补充的综合评价；

所述的人类活动模型，描述人类活动对资源能力的影响程度，包含体力活动权重信息、体力活动技能等级信息、体力活动信息、脑力活动权重信息、脑力劳动信息；体力活动权重信息描述体力活动在资源使用过程中对结果的影响程度，体力活动技能等级信息描述体力活动的熟练度等级(不同熟练度对应不同的体力活动权重)，体力活动信息描述体力活动的具体情况，脑力活动权重信息描述脑力活动在资源使用过程中对结果的影响程度，脑力活动信息描述脑力活动的具体情况。

2.根据权利要求1所述的基于云制造的虚拟资源模型，其特征在于：云制造系统中，粒度层是人为定义的，根据需求增加或减少。

3.根据权利要求1所述的基于云制造的虚拟资源模型，其特征在于：所述的资源是在大制造过程中具有某种功能的单位。

4.基于云制造的虚拟资源模型建模方法，其特征在于：具体包括如下步骤：

步骤1，选择资源所属的粒度层，转入步骤2；

步骤2，获取资源的基本信息，转入步骤3； 

步骤3，判断资源的使用过程中是否涉及物流操作，如果有，则转入步骤4，如果无，则转入步骤5；

步骤4，获取资源的地理位置和物流信息，转入步骤5；

步骤5，判断资源的使用过程中是否涉及人类活动，如果全部是人类活动，则转入步骤6，如果没有人类活动，则转入步骤7，如果有部分人类活动，则转入步骤8；

步骤6，获取人类活动模型，结束；

步骤7，判断资源的能力是否具备可量化性，如果有，则转入步骤7.1，如果无，则转入步骤7.2；

步骤7.1，获取数值型能力模型，结束；

步骤7.2，获取描述型能力模型，结束；

步骤8，判断资源的能力是否具备可量化性，如果有，则转入步骤9，如果无，则转入步骤11；

步骤9，获取资源能力的数值模型，转入步骤10；

步骤10，判断影响资源使用结果的人力因素是体力还是脑力，如果是脑力转入步骤10.1，如果是体力转入步骤10.3；

步骤10.1，获取脑力因素的权重，转入步骤10.2；

步骤10.2，获取脑力活动模型，结束；

步骤10.3，判断熟练度是否影响结果，如果不能影响转入步骤10.4，如果能，则转入步骤10.6；

步骤10.4，获取体力因素的权重，转入步骤10.5；

步骤10.5，获取体力活动模型，结束；

步骤10.6，获取体力因素的权重，转入步骤10.7；

步骤10.7，获取体力活动模型，转入步骤10.8；

步骤10.8，获取体力活动熟练级别，结束；

步骤11，获取资源能力的描述模型，转入步骤12；

步骤12，判断影响资源使用结果的人力因素是体力还是脑力，如果是脑力转入步骤12.1，如果是体力转入步骤12.3；

步骤12.1，获取脑力因素的权重，转入步骤12.2；

步骤12.2，获取脑力活动模型，结束； 

步骤12.3，判断熟练度是否影响结果，如果不能，则转入步骤12.4，如果能，则转入步骤12.6；

步骤12.4，获取体力因素的权重，转入步骤12.5；

步骤12.5，获取体力活动模型，结束；

步骤12.6，获取体力因素的权重，转入步骤12.7；

步骤12.7，获取体力活动模型，转入步骤12.8；

步骤12.8，获取体力熟练度级别，结束。 

Images