云制造服务质量评价

云制造服务质量评价贺可太;朱道云【摘要】为了更好地实现云制造平台中的服务匹配，提出云制造系统中针对服务提供商的选择准则，建立了一般评价指标体系和可扩展的量化模型.提出项目协同的方法以校正指标数值,根据项目协同的三角模糊数算法计算提供商服务和需求者期望的相似度，取得服务质量综合性能排序结合算例,对该指标体系、数据获取方法和模型进行了验证，结果表明所提出评价指标、属性值计算方法和评价模型具有实际可操作性,能够帮助平台准确地选择最佳服务.％Torealizetheservicematchingincloudmanufacturingplatform,theselectioncriteriaofcloudmanufacturingserviceproviderincloudmanufacturingsystemwasproposed,andthegeneralevaluationindexsystemwiththescalablequantificationmodelwereestablished.Theprojectcollaborationmethodwasproposedtocorrecttheindexvalue.Theservicequalitycomprehensiveperformancerankingwasobtainedbasedonsimilaritybetweenserviceprovidersanddemandexpectationcalculatedbytriangularfuzzynumberalgorithmaccordingtoprojectcollaboration.Combinedwithanexample,theindexsystem,dataacquisitionmethodsandmodelswereverified.Theresultsshowedthattheproposedevaluationindex,attributevaluecalculationmethodandevaluationmodelwerepracticalandcouldhelptheplatformtoaccuratelychoosethebestservice.【期刊名称】《计算机集成制造系统》【年(卷)，期】2018(024)001【总页数】10页(P53-62)【关键词】云制造;服务质量;评价指标体系;评价模型【作者】贺可太;朱道云【作者单位】北京科技大学机械工程学院，北京100083;北京科技大学机械工程学院北京100083【正文语种】中文【中图分类】TP3910引言云服务是利用一组标准实现面向服务架构模式的服务［1］，随着信息技术(物联网和其他嵌入式软件)的发展，继基础设施即服务(InfratructureasaService,IaaS)、平台即服务(PlatformasaService,PaaS)、软件即服务(SoftwareasaService,SaaS)这3种云服务之后，面向服务的云制造模式这一新类型的云服务应运而生。云制造是采用分布式制造服务的一种网络化制造新模式，其利用互联网和云制造服务平台，根据用户需求组织网上制造资源，为用户提供各种制造服务［2］。与传统的制造从研发到销售的周期长、效率较低不同，云制造模式由需求者提出需求，由云制造平台组织资源与能力来完成设计、加工、生产、协作等订单，效率更高；与敏捷制造相比，云平台更加高度开放，资源和能力可以自由出入，云制造可根据协作过程中的变化灵活变更联盟中的参与企业；与一般网络化制造相比，云制造模式的扩展性更强，在制造网格分散资源集中使用的基础上，还可以做到集中资源分散服务。除此之外，云制造平台中有丰富的仿真服务，在产品论证和设计过程中可利用仿真技术优选服务。目前，云制造技术已在模具、服装、柔性材料、装备制造等行业开展了初步的应用，优化配置了各种制造资源［3］。云制造是云服务在制造领域的落地和延伸，虽然已在现实世界中应用，但是云制造理念仍存在很多技术与方法问题没有解决和规范，约束了云制造的大规模开展和推广。云制造在以往先进模式分散资源集中使用的基础上提出集中资源分散服务，打开盘活资源的格局，可以更好地实现资源优化配置，然而平台中存储的海量制造资源和能力，能否又好又快地匹配到合适的服务，是将这一先进理念落实到实践的关键。只有实现了平台的高性能运转，才能产生效益、实现价值，促进制造业的发展。因此，服务匹配是云制造平台高效运转的关键技术之一。与当前广泛应用的京东商城、淘宝商城等交易平台不同，云制造平台不止于产成品的供需对接，还包括基于制造能力的过程协同业务，交易过程更为复杂［3］。因此，云制造服务的匹配更加复杂和困难。分布式云制造服务有众多候选服务，面向服务的平台性能在很大程度上依赖于被采用的云制造服务的性能。服务质量(QualityofService,QoS)通常用来描述Web服务的非功能性特征，QoS管理对活动的QoS进行规范、评价、预测和聚合，并对资源进行控制，以匹配用户和应用程序端到端的要求［4］。与一般Web服务的软件、数据的实时调用相比，云制造是制造过程的协同业务，有实体的流动。云制造的QoS评价不仅要顾及云平台的网络性能而且要充分考虑资源和能力性能。Web服务的QoS管理已经不能适应云制造的QoS管理。目前，关于云制造的研究尚处于起步阶段，结合实践的云制造服务评价较少。有关功能属性匹配、语义匹配研究的主要思想，是在平台中对基础功能信息进行描述并建立语义本体，利用语义距离实现基础匹配。首先通过模糊逻辑将Web服务的基础数据抽象和归类为术语与规则，将服务映射为语义服务［5-8］；进而采用本体描述语言将资源服务信息划分成类，实现服务类别的判断以及功能和状态信息与需求者请求服务的匹配［9-11］。国内夕卜学者对云制造服务非功能属性的研究主要集中在以下几方面：①从Web服务评价的角度结合云服务特点建立云服务评价模型［1,12］;②建立制造网格系统服务质量评估模型［13］；③构建网络交易的信誉评价［14-17］。黄云［1］采用QoS属性计算法，基于Web服务评价通用模型结合云服务的领域特点，构建了评价指标体系，针对制造网格的QoS评价提出需综合考虑资源管理和网络性能的QoS评估模型，该模型未考虑云制造的行业特殊性;马文龙等［12］提出在云平台中加入监测器以校正QoS信息，并采用变精度粗糙集对属性权重进行计算，建立了云制造服务选择模型;Liu等［14］提出可扩展的信誉度计算模型，甘佳等［15］提出云制造服务推荐信任度权值确定方法，Yau等［16］提出QoS排序算法，胡业发等［17］建立了制造网格资源服务QoS信任评估模型。这些研究工作虽然不很完善，但都对云制造QoS评价进行了很有价值的探索。本文将综合云制造一般属性建立可扩展的综合性评价模型。1云制造服务质量评价指标体系云制造系统由云制造平台、需求者和服务提供商3种角色组成。云制造QoS评价指云平台对提供商的服务质量展开评价，评估其制造服务是否满足平台需求和需求者利益最大化，进而为需求者快速匹配并推荐最合适的服务，实现云制造平台的高性能运转。为此，首先要建立一个能全面、正确反映被评价系统特征的评价指标体系。1.1指标因子云制造针对具体的制定产品进行，具有协同制造、生命周期短、制造过程个性化等特点，可采用项目管理模式对云制造进行交易过程管理［18］，云制造平台对提供商的评价、匹配、推荐可看作项目开展之前的项目评估和投标、招标、定标过程。项目开展的驱动力在于利益和风险，云平台作为评估和选择的主体，需要综合考虑自身、需求者和提供商的利益。商业的核心竞争力在于满足顾客的需求，充分考虑需求者的利益和风险。本文从需求者利益和风险两个关键要素建立云制造QoS的考核指标。1.1.1需求者的利益不论线下还是线上交易，需求者都希望所需产品物美价廉、售后有保障、交易体验良好。需求者利益可分为以下指标：产品性能首先必须满足产品功能需求，其次产品质量精度越高越好。通常从产品的质量性能参数、故障出现频率来衡量一个产品的性能，其中产品的质量性能考核指标依具体产品而定。服务价格服务全过程所产生的费用和服务提供商利润之和。服务价格由客观费用和服务提供商的利益组合而成。客观费用包括服务的制造成本和物流成本。提供商的主观利益具有不确定性，但是平台可通过比较提供商的报价来衡量提供商的主观利益。为避免恶意低价或损害提供商利益，平台在衡量过程中应将提供商的主观利益置于合理范围之内，在合理范围之内选择价格最优的候选服务提供商。服务时间服务全过程所耗费的总时间。服务时间包括响应请求时间、生产制造时间和物流时间。交货准确性包括交货时间的准确性、交货产品的数量、质量的准确性。可维护性包括提供商的技术支持和修复方案。及时提供技术支持及维护以保证正常使用，对需求者很重要，也是影响需求者满意度的重要指标。1.1.2项目过程中的风险在项目实施过程中存在很多风险，项目实施之前的风险评估通常从评价项目实施的难易程度和可靠性进行衡量。从风险角度对云制造QoS的评价可参考下列指标：制造工序能力工序能力是工序具有的实际加工能力。在确定由哪个提供商来完成制造任务之前，需要对提供商的工序能力进行判断，观察其是否具有充分的工序能力淇次，通过计算工序能力指数对提供商满足规格要求的能力进行判断，工序能力指数越大的提供商，其质量保证能力越强、潜力越大;最后，在制造过程中会涉及工序的优化和调整，因此要求提供商具有清晰合理的工艺流程。接口配合云制造是协同制造的平台，制造子任务间接口的效果与效率直接影响整个制造链。故在数据管理规范的基础上还应重视共享性和安全性，在安全性的前提下尽可能高效地共享，加强信息的交互性和标准化。制造子任务接口间的配合需要考虑接口间形成的依赖度，从信息共享延误率、计划完成率、发运差错率等指标进行评价。企业经营业绩良好的业绩能够保障项目资金充足，从侧面展示了其QoS可靠。从需求者利益和云制造项目过程中的风险两个关键要素建立的云制造QoS考核指标总结如图1所示。和云计算服务、Web服务的QoS评价相比，云制造QoS评价指标有其专门特征:①平台中需要连接制造服务提供商的制造过程，工序能力是反映制造过程的加工能力和质量的重要指标；②云制造需要考虑制造过程的多个工序和服务商间的协同，主要表现为数据链集成效果、工序计划完成效果和协同可靠性，分别由信息共享延误率、计划完成率、发运差错率等指标进行衡量。对信息共享延误率的考核会对制造过程数据的格式规范形成约束和指导，促进制造过程数据链的集成。同时，计划完成率和发运差错率会对服务提供商的协同可靠性形成约束。1.2指标因子的处理上述指标因子既有定量指标，又有定性指标。产品性能、服务价格、服务时间、交货准确性、制造工艺能力、企业经营业绩均可用定量指标反映，而可维护性、信息化水平则是定性指标。为了便于云制造系统的计算，需要对各指标进行量化，实现指标体系的数值衡量和计算。按定性和定量指标进行划分以后，将指标逐级细分，最末层可以收集数据并进行数值计算。对于无法通过定量收集数据的指标，设指标状态描述的变量为S，其论域为Ds；描述评价结论的变量为C，其论域为Dc，转化成定量论域为Dq。例如，平台知识库中针对定性评价指标工序能力有如下决策知识：如果工序能力强，则该服务评价指标评价值为优；如果处理速度较快，则该服务评价指标评价值为良……以此类推。此时，定义在论域Ds，Dc上的变量S，C分别表示工序能力强弱和评价等级，S的取值为｛S1,S2,S3,S4,S5｝，分别表示｛强，较强，适中，较弱，弱｝，对应C中的取值为｛C1,C2,C3,C4,C5｝，分别表示｛优，良，中，较差，差｝，再对应的定量论域Dq分别表示为｛1.0-0.8,0.8-0.6,0.6-040.4-020.2-0｝，或表示为｛0.9,0.7,0.5,0.3,0.1｝。最后，因为各个指标的属性值和计量单位都存在很大不同，不能直接计算，所以需要进行归一化处理实现统一量化。为方便后面的指标数值计算，本文采用归一化效用函数：(1)(2)式中：表示多个相似用户对候选服务第j个属性的最大值，表示多个相似用户对候选服务第j个属性的最小值。QoS指标属性可分为效益型指标和成本型指标，效益型指标数值越大，对服务请求越有利，可通过式(2)计算；成本型指标数值越小，对服务请求越有利，可通过式(1)计算。1.3评价指标量化模型该云制造QoS评价指标模型包括8个指标因子，用形式化的语言表示为Q=｛Q1,Q2,Q3,Q4,Q5,Q6,Q7,Q8｝=｛产品性能，服务价格，服务时间，交货准确性，可维护性，制造工序能力，信息化水平，企业经营业绩｝，其中：Q1,Q4,Q5,Q6,Q7,Q8是一类，由各自的子指标因子加权得出数值；Q2,Q3是一类，由各自的指标因子直接相加得出数值。下面对两类指标因子分别展开计算。产品性能Q1由q11产品质量性能参数和q12故障出现频率共同决定。q11为效益型指标，q12为成本型指标，分别通过归一化效用函数计算，然后分别赋予权重。OQ1=w1xpwork+w2xfbreak,w1+w2=1。式中：OQ1,pwork,fbreak分别为Q1产品性能、q11产品质量性能参数和q12故障出现频率的数值表现形式。后面也采用类似数值表现形式，不再螯述。同理可得OQ4=w1xrtimely+w2xaquantity+w3xaquality,w1+w2+w3=1。式中w1,w2与Q1中不同，分别是w41,w42的简写，余同。OQ6=w1xpc+w2xpci,w1+w2=1;OQ7=w1xrdelay+w2xrcomple+w3xrderror,w1+w2+w3=1;OQ8=w1xvturnover+w2xrtrade,w1+w2=1。Q5的可维护性从q51技术支持和q52修复方案考核，技术支持和修复方案均为定性的效益型指标。将定性指标的评价结果换算至相应的定量论域，再对定量论域进行归一化效用计算，然后分别给各指标赋予权重，则OQ5=w1xnts+w2xnrs,w1+w2=1。Q2的服务价格包括q21服务报价和q22运输成本，OQ2=cservice+clog。Q3的服务时间包括q31受理请求的时间、q32生产制造时间和q33物流时间，满足OQ3=tresponse+tproduc+tlog。1.4评价指标模型云制造平台中包括不同行业、不同特点的产品，建立一个完善、通用的评价指标体系不切实际，立足于需求者的角度对提供商QoS进行评价，是提高交易质量和交易效率的有效方法。建立这样的评价指标体系作为评价的准则和依据，可使服务的匹配和组合更加科学、合理、高效。前述指标是云制造平台中QoS评价的通用指标，实际应用中的评价指标可以在这些基础上增加或减少。平台中记录的评价指标有多种，需要将这些指标分门别类建立标准的处理流程，以增强评价系统的灵活性。首先根据云制造具体的制定产品，选择评价指标因子及其分解的子指标；然后将一级指标分为两类，即由子指标因子加权得出数值的指标和由子指标因子直接相加得出数值的指标；最后，对子指标进行定性定量数值映射、归一化处理，并量化各类指标。Qi由qik(k=12...,n)多个子指标决定，并由子指标因子加权得出数值。⑶式中：OQi表示一级指标的数值，fik表示第i个一级指标的第k个子因子的数值，wk为其权重，n表示一个一级指标分解至下一层的子因子个数。Qi由qik(k=12...,n)多个子指标决定，并由子指标因子直接相加得出数值。(4)式中fik表示第i个一级指标的第k个子因子的数值，n表示一个一级指标分解至下一层的子因子个数，OQi表示一级指标的数值。关于QoS评价的一般思路是:首先计算出各一级指标的数值OQi，进而确定每个指标的权重wQi，然后根据权重和权数的乘积计算出所有具有相似功能的候选服务的分值，取分数最高的为最优的服务提供商。这类方法操作简单，但也有不足之处:①忽略了需求者的偏好，这样评价和匹配推荐的服务与需求者心理预期有较大差距，导致需求者在云制造平台的体验不佳。②数值获取不客观实际。在实际交易过程中，提供商很难提供所有的QoS指标属性值，其提供的指标属性值也不一定符合其实际的QoS，从而导致评价和推荐的服务与实际不符，云制造平台的效能也会降低。为了避免这些弊端，本文针对提供商的QoS属性值提出基于项目的三角模糊数的评价算法。该算法的优势在于利用三角模糊数来表示权数，并利用历史数据完善候选提供商的服务质量缺失的属性值；通过计算提供商与需求者期望之间的相似度来进行服务评价排序，更多地考虑了需求者对服务质量的期望。2云制造服务质量评价模型2.1评价模型的框架在云制造平台中，当前制造项目中需求者和候选提供商能够提供的QoS属性信息是有限的，大量缺失或不真实的属性数值信息将严重限制云制造平台的评价和匹配推荐的效能。为解决这一问题，本文提出一套评价框架机制，在云制造评价中利用历史需求者和服务项目所提供的信息和数据，通过分布式的评价框架提供更为完善和准确的评价信息。评价机制要求需求者将其观察到的云制造服务项目的QoS性能分享到平台的服务器中，并将历史评价结果保留在数据中心，以便其他需求者获取［19］。评价框架机制如图2所示。与单一利用历史需求者评价数据的研究不同，为使评价结果更准确，本评价模型还利用历史制造项目中的数据。该评价框架是建立在平台已经完成任务分解和功能匹配的基础上，对众多功能相似的提供商进行QoS性能评价。在云制造服务质量评价过程中，受理请求中心接受并分析需求者的请求，将分解、规范后的请求信息发送至指标管理器。指标管理器根据请求的类型在系统数据库中自动建立适当的评价指标模型，生成各指标属性值的格式，并将评价所需的准则数值传递给属性值收集分配器，由属性值收集分配器分配数据收集。数据库中存储了历史项目按一定规则记录下的指标评价值，系统接收到数据采集请求后，从数据库中调用相关历史数据，形成相应的测试用例。测试用例在历史项目和用户中找出与当前需求者需求相似的项目及用户，并调用其评价数据。历史用户和历史项目的数据被按照一定格式收集和记录下来，发送至相似度分析器，并在分析器中生成矩阵，计算需求者需求和各候选提供商所能提供的QoS相似度。服务推荐器获取需求一性能相似度排序结果，将结果推荐给需求者。将当前服务评价指标的数据存储到云制造平台的服务器中。本评价架构的优点包括：①通过相似度计算获得的相似用户和相似项目，其合作过的提供商信息具有很高的参考价值，且评价指标和属性值格式更接近当前需求者的实际情况，可以帮助需求者得到更真实、精确、有效的对提供商的评价信息；②历史评价结果可以重复利用，当前需求者的评价过程也将存储到云制造平台的历史数据中，这样的评价架构具有良性循环的特征。基于QoS评价框架，本文还将进一步给出数据获取方法和评价的算法。2.2数据获取2.2.1建立平台评价元数据规范评价数据主要来源于制造过程中的设备物联数据和平台中的评价记录，对分享使用记录的用户给予一定的激励，激发其完成使用评价。这一做法在YouTube等网络社区证明是易于被用户接受的，且参与度很高。目前用户评价通常是文本类型的，没有固定格式，数据组织松散，不利于数据内容提取。因此云制造平台应该建立评价规范，给出评价元数据，便于用户在交易过程中或交易结束后，与系统交互。平台的评价元数据一般包括所需评价的字段内容、字段格式、评价可选项等内容，指导用户在交互时，根据元数据规范进行评价。平台将评价记录汇总到评价数据池。针对定性类数据，在评价数据池中嵌入映射机制，完成定性类数据向定量数据的转换。2.2.2协同评价数据池云制造平台通过相似用户和相似项目来协同提供评价所需的信息：①相似用户和相似项目在其制造交易结束后按照系统给出的评价内容对其合作过的提供商做出评价，将结果存储在平台的服务器中供后来的需求者使用;②历史相似用户将其在交易中选择的评价指标和性能的理想期望值信息发送给云制造平台。表1所示为信息收集示例。表1用户一指标信息收集示例用户指标1指标2指标3指标4指标5指标61VVVnullVV2nullVVVVV3nullVnullVVnull4VnullWnullV表1中列出4个用户对6个指标的评价和记录完善情况，寸表示该用户对该条指标有评价记录，null表示该用户对该条指标的评价缺失。在制造云服务平台中有大量用户数据和项目数据。首先对相似项目进行聚类，通过语义搜索、匹配识别完成相似项目的搜寻，获得相似项目后，调出历史使用用户的评价元数据表，即可获取相似项目的用户评价数据。2.3基于项目的三角模糊数评价算法本文利用项目协同的方法以校正指标数值，提出基于项目协同的三角模糊数算法来计算提供商服务和需求者期望的相似度。2.3.1算法设计假设①需求者在提交制造服务需求时，对每个QoS指标提交一个属性值的理想区间，即需求者认为能够接受的性能数值范围。②对每个服务性能指标提交一个最佳的性能属性值，即该数值的性能是需求者最希望得到的［20］。用三角模糊数表示需求者对各指标的理想区间和期望值，表现形式为s=(sl,sm,su)，其中s是一个三角模糊数，(sl,su)表示指标的理想区间，sm是期望值。同理，提供商的指标属性值也都用三角模糊数o=(ol,om,ou)表示，(ol,ou)表示指标属性值的取值区间，om是最可能出现的数值。评价宗旨通过比较候选服务性能属性值与需求者提供的属性期望之间的吻合度来判断候选QoS的优劣。与需求者理想区间和期望值越吻合的提供商，其服务质量越好、排序位置越靠前。在平台匹配应用时，需求者不具备专业的评价知识和技能，不一定能准确地表达自身的期望，需求者在寻求制造方案时也不一定会耗费太长时间去表达细节的评价数据，而提供商会在实际交易过程中为了自身的利益也会夸大服务质量水平。因此，获得真实的提供商的指标属性值也比较困难。以上问题可以通过相似项目的用户在交易中所选择的评价指标、指标性能的理想区间、指标性能的期望值，以及交易结束后对提供商的评价，都将存储在系统中。2.3.2算法流程本文用三角模糊数表示属性值。需求者期望属性值表示为矩阵S=(s1,s2...sk...,sn)T，其中n为评价指标总数量，是一个三角模糊数且表示需求者认为能够接受的性能数值范围，sm表示需求者最希望得到的性能属性值。同理提供商性能属性值表示为矩阵O=(o1,o2...ok...,on)T,其中(ol,ou)表示提供商服务性能数值范围，om表示服务商给出的可能性最大的服务性能。设该制造项目1存在m个功能相似的提供商，j表示第j个提供商(j=12...,m)。则全部候选提供商的性能矩阵算法流程如下:步骤1找出当前需求的相似项目。相似项目的匹配可以通过语义匹配技术实现。将需求者的需求分解后用系统的规范进行描述，并与云平台中的历史项目进行语义距离匹配，语义距离越相近，其语义相似度越大。由基于Web服务本体描述语言(WebOntologyLanguageforService,OWL-S)的云制造服务语义匹配算法筛选出相似项目［21］，选取相似度最高的前K个项目的用户评价作为依据。步骤2提取相似项目的指标数据。指标管理器根据所制造的产品类型在系统知识库中选择相应指标集，生成对应的分解指标属性值的格式，按照相应的格式提取相似项目的指标数据，并根据评价指标量化模型对指标进行处理。对于同一指标存在多个用户的评价记录，比较同一评价指标各个用户的评价数值或数值范围，取重合最多的区间(ol,ou)为该提供商该服务性能的数值范围，由此类推得Ojk的数值。在云制造数据库中选取与当前需求相似度最高的K个相似项目的用户，调出其对各指标的理想区间和期望值的历史数据记录，供当前需求者参考并校正其数值，得到需求者对各指标属性值的理想区间和期望值，用矩阵S-k表示，步骤3针对任务i的候选服务j的第k个属性进行相似度讨论。关于两个三角模糊数的相似度计算引用计算公式［22］r(ojk,s-k)=⑸称r(ojk,s・k)为ojk和s-k的相似度，表示针对第k个属性，第j个候选服务商提供的结果的与需求者的需求之间的相似度。步骤4重复步骤3，完成任务i的候选服务j的所有n个属性的相似度求解。步骤5确定每个属性的权重。综合需求者的偏好、专家知识判断和平台实例经验，采用变精度粗糙集属性权重计算方法［12］确定权重：(6)式中：ap为任一条件属性，Y(ap)为属性ap的信息量，入(ap)为属性ap的被依赖度。得出权重矩阵W=(w・1,w2...,w・k,...,w・n)T。步骤6候选服务j与需求者期望的相似度步骤7重复步骤6,计算所有功能相似的候选服务与需求者期望的相似度，并将提供商按相似度大小进行排序。步骤8结束。2.4分阶段的服务质量评价模型在上述算法中，计算所有候选服务与需求者每对属性之间的相似度，形成mxn维的相似矩阵，计算复杂度为O(mxn),候选服务数量越多，计算时间越长。为了优化计算复杂度，先对刚性需求指标进行处理。刚性需求指标指候选服务一旦不满足该指标要求的数值，即使其他指标属性值相对优也不能被选用，属于劣行解，这类候选服务的相似度无需求解。本文采用分阶段评价模型。首先在指标管理器阶段加入对指标的判断，区分刚性指标和柔性指标两个模块，刚性指标记作模块1,柔性指标记作模块2。初选阶段刚性指标包括效益型指标和成本型指标，效益型指标的值越大越好，成本型指标的值越小越好。刚性需求指标完全根据服务需求者的偏好，平台知识库对需求者的历史交易数据进行记录、处理和分析，形成偏好知识储存在平台知识库中。效益型指标可再细分，数据库中存有需求者各细分项的最低要求，数据标准化处理后，效益型指标值要求的取值范围为(min,1］，同理成本型指标要求的取值范围为(0,max)。如果效益型指标值小于最小值，则剔除该候选服务；如果成本型指标值大于最大值，则剔除该候选服务。该方法在决策的第一步即淘汰了劣行解，留下了可行方案，大大降低了计算时间。相似度决策在剔除劣行解之后，该阶段对可行的功能相似的服务提供商的决策按照2.2节提出的评价算法进行。3实例分析以某减速箱制造厂的光轴生产为例，要求在30天内完成100个45#钢光轴的制造业务，厂家将制造请求发送到云制造服务平台。平台根据服务请求在平台资源库中完成搜索，假设平台受理请求中心通过语义匹配检索到有5个相近提供商能满足厂家的功能要求。指标管理器针对齿轮轴的制造项目选择产品性能、服务价格、服务时间、交货准确性4个指标来决策。Q=｛产品性能，服务价格，服务时间，交货准确性｝=｛Q1/Q2,Q3/Q4｝，Q1=｛产品质量性能参数，故障出现频率｝，齿轮轴属轴类制品，产品质量性能参数有电镀层厚度、表面硬度、全表面淬硬深度、硬度的均匀性等，为简化算法说明过程，本文选取电镀层厚度。由评价指标量化模型得OQ1=w1xpthick+w2xfbreak,w1+w2=1。同理可得Q2=｛服务报价，物流成本｝,OQ2=cservice+clog;Q3=｛受理请求的时间，生产制造时间，物流时间｝,OQ3=tresponse+tproduc+tlog;Q4=｛及时交货率，交货数量准确率，交货质量准确率｝,OQ4=w1xrtimely+w2xaquantity+w3xaquality,w1+w2+w3=1。选取5个相似度最高的相似项目的用户历史信息，结合平台收集的候选服务商的信息收集候选服务的指标属性值，结果如表2所示。表2指标信息收集记录指标i=1i=2i=3i=4i=5电镀层厚度/um(15,20,25)(8,12,15)(10,15,18)(18,20,25)(20,23,25)故障出现频率/%(5,10,15)(6912)(6,8,10)(135)(5810)服务报价/(元・件-1)(70,71,73)(65,67,69)(67,68,70)(66,69,71)(68,70,72)物流成本/(元・(k・km)-1)(53,56,65)(57,62,66)(58,61,65)(52,54,58)(58,60,61)受理请求时间/d(0,1,1)(0,1,1)(1,1,2)(0,0,1)(1,1,2)生产制造时间/d(17,18,20)(16,18,22)(18,23,27)(14,17,18)(23,26,28)物流时间/d(3,4,5)(2.5,3,3.5)(3,3.5,4)(2.5,3.5,4.5)(4,5,6)及时交货率/%(90,92,97)(92,95,100)(93,95,97)(96,97,99)(94,96,97)交货数量准确率/%(92,96,97)(94,96,97)(93,96,97)(95,96,99)(91,92,95)交货质量准确率/%(87,87,91)(90,92,95)(86,88,91)(90,96,98)(91,92,94)对数据进行归一化处理。根据专家知识得到如下权重：wthick=30%,wbreak=70%,wtimely=40%,wquantity=30%,wquality=30%将归一化处理后的指标数值加入权重计算，得评价一级指标的三角模糊数值表，如表3所示。表3相似提供商一指标记录提供商产品性能服务价格服务时间交货准确性01(0.12,0.44,0.77)(0.06,0.88,1.19)(1.32,1.71,2.54)(0.05,0.27,0.59)02(0.14,0.35,0.54)(0.5,1.00,1.56)(1.56,1.96,2.74)(0.27,0.50,0.79)03(0.27,0.49,0.60)(0.44,0.94,1.25)(0.57,1.49,1.96)(0.19,0.41,0.59)04(0.65,0.77,0.95)(0.75,1.25,1.76)(1.59,2.42,2.88)(0.46,0.66,0.88)05(0.44,0.59,0.77)(0.43,0.76,1.13)(0.00,0.89,1.36)(0.27,0.40,0.58)生成矩阵⑸通过相似项目的用户的数据校正得需求者各指标期望范围如下：产品性能(0.41，0.68，0.95)；服务价格(0.63，1.44,2);服务时间(1.57，2.54,2.93)；交货准确性(0.53，0.81，1)；S・4=|(0.41,0.68,0.95)(0.63,1.44,2.00)(1.57,2.54,2.93)(0.53,0.81,1.00)|。分别求解相似度，结果如表4所示。表4单一指标相似度表相似度k=产品性能k=服务价格k=服务时间k=交货准确性r(o1ksk)0.710.570.790.43r(o2ksk)0.530.750.880.69r(o3k,s・k)0.660.640.600.53r(o4ksk)0.880.900.970.86r(o5k,s・k)0.860.560.360.54根据式(6)假设在平台中计算各指标的权重如下：w产品性能=30%,w服务价格=25%,w服务时间=25%,w交货准确性=20%。由分别计算候选服务与需求者期望之间的相似度：R(o1,s)=0.639,R(o2,s)=0.706,R(o3,s)=0.613,R(o4,s)=0.903,R(o5,s)=0.595。候选服务的相似度排序为O4>O2>O1>O3>O5，则该项目的最佳服务为提供商4。4结束语本文在云制造背景下，结合制造行业的特点提出一种云制造QoS评价模型。研究建立了符合云制造业务、具有实际可操作性和扩展性的云制造QoS评价指标体系，给出了指标数值获取和量化方法，对评价过程中的数值缺失和不准确等问题进行了校正，并给出了相似服务的排序方法。该方法利用三角模糊数表示从历史数据中挖掘的各提供商评价指标的数值，并依据基于项目的三角模糊数评价算法计算QoS性能的综合排序，为平台服务评价和推荐提供量化的参考依据。实例结果表明，该方法能够为平台进一步推荐满足需求的理想提供商，并有效减少数值缺失对推荐结果的影响。本文提出的指标构建、指标量化处理流程到评价框架普遍适用于制造即服务这一云制造服务情景，拟作为一个评价程序嵌入到CAXA工业云平台，辅助平台根据相应的需求推荐服务提供商。目前国家在政策上大力倡导、扶持建设工业互联网平台，云制造服务是工业云、工业互联网平台的重要组成部分，云制造平台是云制造服务的基础条件。本文对云制造服务质量进行了初步研究，希望以现有的探索和积累为基础，下一步针对云制造组合服务进行研究，优化平台协同流程，提高云制造的效率。参考文献：HUANGYun.TheresearchonevaluationmodelofcloudservicebasedonQoSandapplication[D].Hangzhou:ZhejiangGongshangUniversity,2013:78(inChinese).[黄云.基于QoS的云服务评价模型及应用的研究[D].杭州：浙江工商大学,2013:78.]LIBohu,ZHANGLin,WANGShilong,etal.Cloudmanufacturing:anewservice-orientednetworkedmanufacturingmodel[J].ComputerIntegratedManufacturingSystems,2010,16(1):1-16(inChinese).[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):1-16.]LIBohu,ZHANGLin,RENLei,etal.Typicalcharacteristics,technologiesandapplicationsofcloudmanufacturing[J].ComputerIntegratedManufacturingSystems,2012,18(7):1345-1356(inChinese).[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.]ZHENG乙LYUMR.QoSManagementofWebServices[M].Berlin,Germany:Springer-Verlag,2013.SYCARAK,PAOLUCCIM,ANKOLEKARA,etal.Automateddiscovery,interactionandcompositionofsemanticWebservice[J].WebSemantics,2003,1(1):27-46.VACHARASINTOPCHAIT,BARRYW,WUWONGSEV,etal.SemanticWebserviceframeworkforcomputationalmechanics[J].JournalofComputinginCivilEngineering,2007,21(2):65-77.CHAOK,YOUNASM,LOC,etal.Fussymatchingforwebservice[C]//Proceedingsofthe19thInternationalConferenceonAdvancedInformationNetworkandApplication.Washington,D.C.,USA:IEEE,2005:721-726.TAOFei,HUYefa,ZHAODongming,etal.Studyonresourceservicematchandsearchinmanufacturinggridsystem[J].InternationalJournalofAdvancedManufacturingTechnology,2009,43(3/4):379-399.LIHuifang,DONGXun,SONGChanggang.Intelligentsear-chingandmatchingapproachforcloudmanufacturingservice[J].ComputerIntegratedManufacturingSystems,2012,18(7):1485-1493(inChinese).[李慧芳，董训，宋长刚.制造云服务智能搜索与匹配方法[J].计算机集成制造系统,2012,18(7):1485-1493.LIUMin,SHENWeiming,HAOQi,etal.Amulti-levelmatchingframeworkforsemanticwebserviceincollaborativedesign[C]//Proceedingsofthe12thInternationalConferenceonComputerSupportedCooperativeWorkinDesign(CSCWD2008).Washington,D.C.,USA:IEEE,2008:392-398.JIANGJianhua.Researchonservicediscoverybasedonsemanticinmanufacturinggrid[D].Wuhan:WuhanUniversityofTechnology,2008(inChinese).[姜建华.制造网格中基于语义的服务发现研究[D].武汉:武汉理工大学,2008]MAWenlong,ZHULinan,WANGWanliang.CloudserviceselectionmodelbasedonQoS-awareincloudmanufacturingenvironment[J].ComputerIntegratedManufacturingSystems,2014,20(5):1246-1254(inChinese).[马文龙，朱李楠,王万良.云制造环境下基于QoS感知的云服务选择模型[J].计算机集成制造系统,2014,20(5):1246-1254.]ZHOU乙XUW,PHAMD,etal.QoSmodelingandanalysisformanufacturingnetworks:aserviceframework[C]//Proceedingsofthe7thIEEEInternationalConferenceonIndustrialInformatics.Washington,D.C.,USA:IEEE,2009:825-830.[14]LIUY,NGUAH,ZENGLZ.QoScomputationandpolicingindynamicwebserviceselection[C]//Proceedingsofthe13thinternationalWorldWide