Digital Twin-Driven Service Model and Optimal Allocation of Manufacturing Resources in Shared Manufacturing - ScienceDirect

2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
制造系统杂志
第59卷, April 2021, Pages 165-179
Digital twin-driven service model and optimal allocation of manufacturing resources in

shared manufacturing
EI检索 SCI升级版工程技术1区 SCI基础版工程技术2区 IF 12.1
王刚一_,张庚 B C _ ,新郭阿,迎风 Zhang a
展示更多
Outline Share 引用 easyScholar文献收藏
https://doi.org/10.1016/j.jmsy.2021.02.008
获取权利和内容
Highlights
• 构建数字孪生驱动的共享制造资源服务模型。
• 资源配置模型考虑了资源提供者的信用。
• 采用分布式优化方法来保持提供商的决策自主权。
• 案例研究的结果表明了所提出方法的有效性。
抽象的
共享经济已被公认为互利共赢的经济模式。共享制造源于共享经济的理念，在先进信息技术和制造技术的支持下被提出。制造资源配置作为实施共享制造的核心部分，旨在协调跨组织资源，为个性
化制造需求提供按需服务。然而，一些挑战仍然阻碍共享制造有效和高效的资源配置。传统的集中式优化方法只有一种决策模型，难以维护资源提供者的自主决策权。因此，他们很难适应跨组织资
源协调的情况。此外，在资源配置过程中很少考虑资源提供者的信用，这不利于共享制造中促进更可靠的贸易。为了解决这些问题，本研究提出了一种集成架构来促进共享制造中的资源配置。构建
数字孪生驱动的服务模型，对共享制造资源进行无缝监控。资源配置模型是在考虑资源提供者信用的基础上构建的。为了保持资源提供者的决策自主权，采用增强拉格朗日协调方法对构建的资源分
配模型进行分析。进一步采用案例研究来验证所提出的方法在共享制造中执行资源分配的有效性和效率。
Previous 下
Abbreviations
SM, 共享制造; 小型反应堆, 共享制造资源; 物联网, 物联网; 消费者保护计划, 网络物理系统; DT, 数字孪生; SMROA, 共享制造资源优化配置; 社交M, 社会制造; CA, 信用意识; 短信, 共享制造服务; 对
等, 点对点; 产品生命周期管理, 产品生命周期管理; QoS, 服务质量; 自动化机器学习, 自动化标记语言; 国际标准化组织, 国际标准化组织; 丽莎, 线路信息系统架构; 粒子群算法, 粒子群优化; ALC, 增强
拉格朗日协调; 遗传算法, 遗传算法
关键词
共享制造; 数字孪生; 服务模式; 制造资源配置; 增强拉格朗日协调
1 . 介绍
随着先进信息技术（如物联网[1], cloud computing [2], cyber physical system [3], and digital twin [4,5]), the new manufacturing paradigm, shared manufacturing that derives from
sharing economy is proposed and preliminarily applied in practice [6,7]. Shared manufacturing becomes an important driving force for a new round of industrial revolution due to
its promising features of connecting the supplier and demander of manufacturing resources conveniently, breaking the information asymmetry, and making full use of idle
manufacturing resources.
作为实施共享制造的核心部分，共享制造资源配置旨在通过资源组合和优化选择的过程，提供一套满足个性化制造需求的能力/服务。高效的共享制造资源配置不仅可以实现对多样化制造需求的快
速响应，而且有利于企业资源的全面共享[ 8 , 9 ]。
最近，在共享制造领域进行了许多初步研究，例如共享制造的概念和定义[ 9 ]、共享制造服务建模[ 10 ]、考虑能源消耗、成本的制造资源配置的优化算法。和风险 [ 11 , 12 ]。然而，共享制造的

发展和应用仍然面临一些挑战，特别是实现共享制造资源的有效和高效配置。
首先，在共享制造中，通过对共享资源和服务的远程监控和控制，将制造商和客户紧密联系在一起。由于共享制造是一种新兴的制造范式，因此这方面的研究较少。因此，需要采用先进的信息技术
来获取制造资源的服务模型，并对共享资源/服务进行无缝监控。
其次，共享制造的参与者（即资源提供者、客户）彼此之间总是不熟悉的。因此，资源提供者的信用是共享制造中实现可靠贸易的重要参数。然而，目前的研究很少将资源提供者的信用纳入共享制
造配置过程，这可能会影响资源配置结果的满意度。因此，共享制造资源的信用感知分配模型对于弥合资源/服务提供商和客户之间的信用差距以及促进共享制造中的可靠贸易至关重要。
第三，跨组织的资源协调是共享制造的一大亮点。资源提供者在跨组织协调过程中倾向于保持决策自主权，以保持可持续的竞争优势。然而，现有研究大多采用集中式方法/策略来完成制造资源配
置，仅用一种决策模型很难维持资源提供者的决策自主权。因此，分布式方法/策略对于共享制造资源配置势在必行，同时保持资源提供者的决策自主权并促进资源的跨组织协调。
数字孪生被认为是一种能够无缝连接资源的物理空间和网络空间的技术。数字化已在许多领域得到研究，例如加工仿真[ 13 ]、规划和调度[14], and product design [4]. Through the digital twin
model, the remote monitoring and control of manufacturing resources can be achieved efficiently. The optimal allocation of resources will be effective, and the production tasks
can be completed with high efficiency and quality through the support of the real-time information of resources. Digital twins can effectively ensure that demanders participate in
the implementation process of manufacturing resources. Digital twins provide support for the full lifecycle management of manufacturing resources and make resources service-
oriented, which exploit the capability of shared resources. Meanwhile, a distributed optimization method, namely augmented Lagrangian coordination (ALC) has been widely used
to deal with many engineering problems such as multidisciplinary design optimization [15,16], supply chain configuration [17]. ALC has shown its advantages in maintaining
autonomous decision rights of stakeholders.
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 1/16
鉴于上述挑战以及数字孪生和ALC的前景特点，本研究提出采用数字孪生和ALC进行服务模型构建和共享制造资源的优化配置。更具体地说，我们感兴趣的研究问题是：（1）如何利用数字孪生技
术构建共享制造资源的服务模式？（2）如何构建共享制造资源的信用配置模型？(3)如何通过ALC方法在保持资源提供者决策自主权的同时得到共享制造资源的最优配置结果？
本文的其余部分安排如下。第2节回顾相关文献。第三节简要概述了共享制造中的资源分配。第四节阐述了共享制造中的服务模式和资源优化配置。第5节演示了一个案例研究来验证所提出的方
法。第6节列出了贡献和未来的工作。
2 . 文献综述
与本研究相关的三个文献流是共享制造的发展、数字孪生模型的应用和制造资源配置。
2.1 . 共享制造
共享经济是一种点对点（P2P）的经济模式，它使资源所有者（产品或服务提供者）在为客户提供更方便、更实惠的产品或服务的同时获得额外收入[18 ]。在共享经济和先进制造、信息技术发展的
推动下，共享制造被提出，以P2P的方式支持制造业消费的能力/服务的消费[ 9 ]。共享制造也与一些类似的制造范式有很大不同，例如云制造[ 19 ]和社会制造[ 20、21 ]。它们之间的区别如表1所
示。
Table 1. Comparison between shared manufacturing and other similar manufacturing paradigms.
共享制造云制造社会制造传统制造
共享范围生产订单/资源/能力生产订单/资源/能力生产订单不适用
分享方式公有云公有云/私有云/混合云自组织不适用
信息架构服务至上服务至上以生产为导向以生产为导向
平台管理分散式分散式分散式集中
资源分配分散式集中集中集中
开放性全开半开放式半开放式不适用
财产所有权和使用权不同所有权和使用权不同所有权和使用权相同不适用
服务特色线上线下（O2O）基于云的资源线上线下（O2O） Offline
共享制造发展相关文献包括以下几个方面。第一个方面重点关注共享制造的新颖架构。例如，共享制造系统的架构旨在帮助制造商获得战略竞争优势[ 22 ]。江等人。提出了共享制造的理论框架，
并给出了共享工厂的案例[ 8 ]。于等人。描述了共享制造的概念和定义，并提出了共享制造的混合集成和互操作架构[ 9 ]。第二个方面是共享制造资源。设计了一种新颖的方法来构建具有IT功能的
共享服务模型[ 23 ]。他等人。分析了基于互联网的仓储共享的价值并验证了其可行性和有效性[ 24 ]。第三个方面主要是指共享制造知识。制造业的知识共享被认为是服务驱动的商业模式创新[ 25
]。李等人。提出了共享和面向服务的数控加工系统，在不同系统之间共享加工数据库[ 26 ]。黄等人。采用区块链技术并构建了点对点网络来提高参与者之间的数据和知识共享效率[ 27 ]。春古拉
等人。开发了一个基于本体论方法的可互操作的制造知识系统[ 28 ]。
尽管取得了重大进展，共享制造的现有研究缺乏对实现有效和高效的资源配置的方法和应用的研究。
2.2 . 数字孪生模型
数字孪生 (DT) 可以定义为通过数据和模拟器实现物理资产的虚拟表示，用于实时预测、优化、监控和改进决策 [29]. Two issues are relevant to the applications of the digital twin model.
从产品的角度来看，DT模型是通过将物理产品镜像到虚拟产品来构建的，用于产品生命周期管理（PLM）或装配。陶等人。提出了一种DT驱动的产品设计框架，可以使制造商利用DT信息进行产品
设计[ 4 ]。林等人。提出了一种用于工程产品系列设计和优化的DT增强系统[ 30 ]。提出了一种新颖的应用框架，通过物理孪生空间、信息处理空间和全参数化DT空间三个模块来实现基于DT的产
品生命周期管理[ 31]]. Bao et al. proposed a modeling approach of product, process, operation and used Automation Markup Language (AutomationML) for modeling a structural
parts machining cell [32]. Sun et al. proposed the construction method of assembly-commissioning total factor information model of high precision products [33]. A framework of
DT-based complex product assembly is proposed to promote production management and control in the shop-floor [34].
从制造设备的角度来看，刘等人。提出了机床网络孪生的开发方法，以实现物理世界、网络空间和人类之间不同类型的反馈循环[ 35 ]。提出了一种DT驱动的并行控制模型，以在智能车间中建立信
息物理连接[ 36,37]. Xin et al. proposed a DT-enabled framework for the data visualization and analysis of the intelligent machine tool [38]. Urbina Coronado et al. proposed a digital
model of the shop floor, which used the protocol, known as MTConnect to collect data from machine tools [39]. Botkina et al. conducted a DT model of cutting tools and used
international standard ISO 13,399 and event-driven line information system architecture (LISA) to message data [40].
调查表明，数字孪生可以通过共享和融合多维过程数据来建模、监控和控制加工过程。但目前的研究多集中在产品和制造设备上，对共享制造资源的服务模式关注较少。
2.3. Manufacturing resource allocation

制造资源配置可以认为是利用合理有限的制造资源在特定时间内完成制造任务的过程[ 41 ]。为了实现制造资源的优化配置，人们进行了大量的研究。大多数研究集中于与服务质量（QoS）相关的
优化目标，例如成本、时间、可靠性、能耗。程等人。研究了不同的资源配置模式，同时考虑了能源消耗、成本和风险等目标[ 12 ]。埃桑等人。提出了一个考虑运营和物流成本、物流和运营供应
商云熵作为优化目标的数学模型[ 42 ]。张等人。提出了考虑不同参与者心理需求的双目标优化模型[ 43 ]。李等人。开发了一种信任评估模型，以实现资源的高效管理和可靠交易[ 44 ]。上述工作
大多以能耗、成本、时间为优化目标，很少考虑共享制造资源配置过程中的信用评价。
此外，许多研究人员对制造资源配置的优化算法进行了研究。首先，启发式算法在该领域得到广泛应用，例如遗传算法[45], multi-objective grey wolf optimizer [46], multi-objective integer

bi-level multi-follower programming approach [47], extended flower pollination algorithm [48], artificial bee colony optimization algorithm [49,50]. Gao et al. investigated the
particle swarm optimization (PSO) algorithm for the service composition in a hybrid network [51]. Zhang et al. studied the Louvain algorithm for the optimal allocation of
manufacturing resources [52]. Siavash et al. proposed a metaheuristics algorithm [53]. Hu et al. developed the deep Q-network, which belongs to the deep reinforcement learning
method, to achieve dynamic scheduling problem of shared resources [54]. Li et al. proposed an extended Gale–Shapley (GS) algorithm-based approach [55]. Secondly, there are lots
of research studies which applied game theory approach. Carlucci et al. proposed a noncooperation model based on minority game (MG) theory for resource allocation [41]. Guo
et al. proposed a Stackelberg game model to deal with the manufacturing resources allocation problem [56]. However, heuristic algorithms and game theory could hardly maintain
cross-organizational coordination of resources in sharing manufacturing as a centralized mechanism. For this challenge, Ehsan et al. proposed a distributed cloud platform and
using blockchain technology to accomplish the optimality of the resources allocation problem [57].
In summary, centralized optimization methods/strategies were widely used for the manufacturing resource allocation, and decision autonomy of providers were rarely taken into
account.
2.4 . 研究差距
尽管上述文献取得了重大进展，但仍然存在一些研究空白。
1）关于服务模型，大多数研究考虑了云制造环境中的服务，这些服务是由不同的供应商使用各种标准和通信协议/接口以松散耦合的方式提供的，很少考虑云制造环境中服务和资源之间的交互和
集成。共享制造。因此，提出了数字孪生制造服务模型来描述制造资源并对共享资源进行无缝监控。
2）在资源配置方面，大多数研究以能耗、成本和时间为优化目标，而很少考虑共享制造资源配置过程中的信用问题。为了填补这一空白，提出了信用感知的共享制造资源分配模型，以促进共享制
造中的可靠贸易。
3) In respect of cross-organizational coordination of resources, most research adopted a lot of centralized algorithms to obtain optimal results. Those algorithms could hardly
maintain the decision autonomy of resource providers with only one decision model. Therefore, a distributed ALC method for manufacturing resources allocation is introduced in
this paper.
3 . 共享制造中的资源分配
共享制造被定义为一种由先进信息技术支持的制造范式，它可以通过P2P方式允许能力/服务的供需来支持个体之间的共享消费[ 9 ]。本节旨在概述拟议的服务模型和共享制造资源的分配。
3.1 . 共享制造中的资源共享
在共享制造中，企业或个人应该共享其丰富的资源提供的制造能力/服务，而需求者可以轻松地获取共享的能力/服务。这样，供需双方就能达到双赢的局面。
图。1 shows the overall architecture of resource sharing in shared manufacturing. Both individuals and enterprises have multiple roles and can be the “providers” or
“customers”. The providers can provide resources with various on-demand services/capabilities. Then, the manufacturing resources and tasks are matched and allocated on the
shared manufacturing platform. The platform acts as the interfaces to support the consumers to access to the on-demand services/capabilities in a P2P manner. Customers can
timely monitor the execution process of manufacturing tasks and get the feedback from the platform. After the manufacturing task is completed, providers receive the shared fee
paid by the customers, and customers can evaluate the credit of the provided manufacturing resources.
下载：下载高分辨率图像 (573KB)
下载：下载全尺寸图像
图。1。共享制造中的资源共享。
3.2. Overall architecture of service model and allocation of shared manufacturing resources
为了清楚地描述所提出的方法，首先给出制造资源和服务的概念。制造资源（MR）是一种具有静态传输介质的客观物理形式。它可以定义为参与实际生产活动的物理实体，包括人力资源、制造设
备、台车等。制造服务（MS）可以认为是制造制造资源的抽象。它是制造资源的虚拟表示。制造服务既包括制造资源的功能信息，也包括相关制造资源的加工质量信息、服务状态等生命周期信
息。
基于资源共享的工作逻辑，设计了共享制造资源的服务模型和分配的总体架构，如图2所示。它由传感器配置、数字孪生制造服务模型、共享制造资源优化配置三个模块组成。
下载：下载高分辨率图像 (1MB)
Fig. 2. Service model and allocation of shared manufacturing resources.
3.2.1 . 传感器配置
该模块是共享制造资源的数字孪生服务模型的基础。通过配置智能传感器，物理制造资源变得“智能”，可以轻松识别其实时状态。因此，上层管理系统可以及时感知和跟踪制造资源和生产过程的
实时信息。此外，共享制造资源还可以准确地接收和执行来自上层管理系统的更明智的决策。
3.2.2 . 数字孪生制造服务模式
该模块用于构建物理制造空间的孪生虚拟空间，将制造资源的能力封装成按需服务。采用多层次结构（即机器层、单元层、车间层），在虚拟环境中准确反映实际生产过程，提取生产关键绩效指标
和制造资源属性。对制造资源的能力进行层层封装，建立共享制造服务模型。
3.2.3 . 制造资源优化配置
当一个制造任务提交到共享制造平台时，它会被分解为一系列子任务。根据所提供的能力/服务的需求，可以形成每个子任务的候选制造资源集。然后，根据一定的时间约束和逻辑规则，调用优化
方法来实现共享制造资源的分配。在获得优化分配结果后，所选择的共享制造资源将提供按需服务/能力来执行制造任务。通过数字孪生服务模型，可以在共享制造资源执行任务时对其进行监视和
控制。
4 . 共享制造资源的服务模式与优化配置
4.1 . 数字孪生制造服务模式
制造服务是物理制造资源和制造能力封装的结果。与制造任务和制造资源的多层次特征相对应，制造服务也是多维度的。在共享制造范式下，制造服务不是由单个企业提供，而是可以由不同地理位
置的多个企业协作完成。它们是异构的、分布式的和动态的。
图3展示了共享制造资源的数字孪生服务模型。主要由物理资源域、虚拟模型域、服务域三个域组成。物理资源包括一组具有特定能力的客观实体（即存储资源、处理资源、测试资源等）。虚拟模
型包括物理实体的数字模型，能够完整、真实地反映物理资源的实时状态。服务域整合生产、装配、检测等多种制造能力，提供满足个性化制造需求的应用服务。
Fig. 3. Digital twin-enabled manufacturing service model.
物理资源领域涵盖了制造资源和制造要素的各种要素。它利用物理实体来执行制造任务。图4所示为共享制造资源模型的信息模板。物理制造资源可以描述为等式：(1) .
(1)
在哪里表示识别物理对象的基本属性，包括购买日期、资源ID、资源寿命、制造商、资源名称和资源所有者等。表示物理对象所拥有的制造能力，包括能力特征名称、能力特

征参数、能力等级、加工成本、加工效率和加工方法。指示物理对象是否可用，包括工作状态、处理信息、位置信息、任务顺序和感知方法。表示实物的使用信息，包括剩余
寿命、维护信息和用户信息。
Download : Download high-res image (522KB)

图4 . 共享制造资源模型的信息模板。
多域制造资源颗粒（如存储资源、加工资源、测试资源、搬运资源、传感资源）聚合形成具有基础制造能力的资源集群。聚合过程可以由制造商或约束和聚合规则主导。从资源域来看，不同资源集
群聚集形成结构和功能稳定的制造能力群。
在数字孪生技术的支持下，物理制造资源被虚拟化为相应的虚拟模型。同一物理对象的虚拟模型不需要重复创建，只需复制虚拟模型即可。同一虚拟模型可以同时被不同的应用程序使用。因此，虚
拟模型不仅可以实现对物理制造资源的远程监控和控制，还可以为共享按需能力/服务提供信息基础。虚拟模型可以表示为式（1）：(2) .
(2)
表示虚拟模型对应的原始物理对象。 is the identification number. 是这个模型的建立者。是该模型的所有者。表示虚拟模型拥有的能力。表示虚

拟模型的信息流接口。表示虚拟模型的实时状态。 denotes the set of data that supports the operation of the model.
服务封装是将数字孪生模型的组件转换为具有统一描述的服务。图5所示为共享制造服务模型的信息模板。服务模型可以描述为等式：(3) .
(3)
Where indicates the basic attributes to identify a manufacturing service, and includes registration date, service ID, service life, service type, service name and service
owner. 是对资源制造能力的继承和抽象，表示制造服务所拥有的能力，包括能力特征名称、能力特征参数、能力等级、加工成本、加工效率、加工方法、组合MR和组合逻辑。
indicates the real-time status of the manufacturing service, and includes load status, processing information, location information, task sequence, perception method,
service interface, service evaluation. 表示制造服务的质量评价，包括故障率、按时交货率、信用度。
图5。共享制造服务模型信息模板。
The service unit is the mapping of the resource cluster in the service domain, and can be described as Eq. (4).
(4)
在哪里表示服务单位中的所有制造服务。表示服务之间的关系，如约束关系、时序关系等。 denotes the capability of service unit, is the inheritance and synthesis
of the manufacturing capability of each particle in the resource cluster.
对应于资源视角下的制造能力群，服务域视角下的共享制造服务系统的形式化表达可描述为：(5) .
(5)
Where 表示服务体系中的所有制造服务单位。表示服务单元之间的逻辑关系，如串行关系、并行关系、循环关系等。表示服务单元能力，是服务体系内所有制造单元的综

合服务能力。
4.2 . 制造资源优化配置
服务封装后，可以对制造资源进行管理，供不同用户共享。传统作坊信息透明度较低。生产中的干扰会严重制约制造资源优化配置的准确性，如物料短缺、人员流动、设备故障等。通过数字孪生驱
动的服务模型对制造资源进行虚拟表示，将无缝监控制造资源，获取资源的实时状态信息，有效降低扰动的影响，实现资源的优化配置。此外，共享制造资源分布在不同地点、不同车间。当制造资
源的状态通过数字孪生驱动的服务模式共享时，将有助于实现多样化生产流程的自组织。
4.2.1 . 共享制造资源优化配置工作流程
制造资源优化配置的流程如图6所示。制造任务的分解和排序是制造任务与候选资源匹配的前提。根据制造需求将制造任务分解为子任务。制造任务分解排序后，形成一系列具有时序关系的子任
务。对于每个子任务，经过搜索和匹配后可以形成具有提供按需服务/能力潜力的候选资源集。因此，有许多不同的资源链来执行所有子任务。共享制造资源配置模型可以通过优化方法构建和求
解。最终选择最优的共享制造资源链来协调执行制造任务。
图6 . 共享制造资源分配的工作流程。
4.2.2 . 信用感知共享制造资源配置数学模型
With the help of digital twins and the industrial Internet of Things, historical data provides a strong basis for describing the credibility of manufacturing resources and services.
Participants (i.e. resource provider, customer) in shared manufacturing are always unfamiliar with each other. Hence, the credit is necessary when selecting the most appropriate
resource for the manufacturing task. In this section, the credit-based allocation model of shared manufacturing resources is constructed.
所提出的共享制造资源分配模型是基于以下假设构建的：（1）模型中的所有任务都遵循串行顺序；（2）各任务的候选共享制造资源能够满足质量和生产能力的要求，并且可以执行相关任务；(3)
每个候选制造资源只能被选择执行一项任务，并且每个任务只能分配给一个候选共享制造资源；(4)信用度作为共享制造资源最优配置结果的评价标准。信用评分越高，资源越好；(5)以时间、成
本、信用作为共享制造资源最优配置结果的评价标准。
任务提交到共享制造平台的任务池中。有资源池中完成任务的候选资源。该模型的目标是最小化加权总时间、成本和信用的组合。那么，信用感知的共享制造资源分配模型可以表述如下（符

号说明参见表2 ）。
表 2 . 注释。
符号描述
Overall objective of credit-aware shared manufacturing resources allocation
完成所有任务的总制造时间
完成所有任务的总制造成本
完成全部任务的总信用评价
Maximum manufacturing time for completing all tasks
完成所有任务的最大制造成本
符号描述
完成所有任务的最低信用评价
Weight coefficient for manufacturing time of completing all tasks
完成全部任务的制造成本权重系数
Weight coefficient for credit evaluation of completing all tasks
th 候选者共享制造资源第一个任务
候选资源数量第一个任务
制造时间为完成第一个任务
制造成本为完成第一个任务
制造信贷 completing the 第一个任务
链接时间为和
链接成本为和
选择系数为
Objective function
(6)
(7)
(8)
(9)
(10)
(11)
等式。(6)表示目标函数。它由加权总制造时间、成本和信用三部分组成。权重遵循线性关系并且加起来为 1 , ，和用于对每个部分进行无量纲化。等式。(7)–(9) 用于计算总制造

时间、成本和信用。总制造时间由每个任务的制造时间和两个相关共享制造资源之间的链接时间组成。衔接时间主要指物流时间和仓储时间。同样，总制造成本由每个任务的制造成本和两个相关共
享制造资源之间的链接成本组成。链接成本主要指物流成本和仓储成本。等式。(10)–(11) 确保仅选择一个共享制造资源来完成任务i。
4.2.3 . 用于信用感知制造资源分配的分布式 ALC 公式

本节主要重点说明用于信用感知共享制造资源分配的分布式 ALC 公式。为了维护资源提供者的决策自主权，促进资源的跨组织协调，采用ALC来完成资源的优化配置。ALC是一种基于分解的分布
式优化方法。在ALC方法的实现过程中，整个问题被分解为几个独立的元素，形成一个层次结构。每个要素在自己的自主决策范围内迭代求解，最终得到最终的优化结果。有关实现 ALC 方法的更
详细信息可以参考 Tosserams 等人的文章。[ 15 , 16 ]，Qu 等人。[ 17 ] 和张等人。[ 11 ]。
按照采用ALC解决工程问题的流程，首先是将原有的信用感知共享制造资源分配问题分解为多个要素。那么，原问题的分解可以如图7所示，它由n个元素组成，即。
图7 . 原问题的分解。
基于分解模型，原问题的数学模型可以重写如下。
目标函数
(12)
(13)
(14)
从图7和重写后的数学模型可以看出，元素和由以下链接。因此，元素之间的关键链接和被识别为。定

义，该模型中的关键环节可以表示为。
配方：
目标函数
(15)
(16)
(17)
(18)
的制定是关于，并用固定解决。目标函数为由两部分组成。第一部分是完成任务 1 的加权制造时间、成本和信用的总和。第二部分是与元素相关的一致性约束的增强拉格朗日松弛。

等式。(16)表示增广拉格朗日松弛。等式。(17)–(18) 确保只有一个资源可以完成任务 1。
配方 :
目标函数
(19)
(20)
(21)
(22)
(23)
(24)
(25)
的制定是关于和，并用固定解决和。目标函数为由三部分组成。第一部分是加权制造时间、成本和完成任务的信用的总和。第二部分是加权链接成本时间和元素之间的成

本之和和。第三部分是与元素相关的一致性约束的增广拉格朗日松弛。等式。(20)–(21) 表示增广拉格朗日松弛。等式。(22)–(25) 确保只有一种资源来完成一项任务。
配方 :
目标函数
(26)
(27)
(28)
(29)
(30)
(31)
的制定是关于，并用固定解决。目标函数为由三部分组成。第一部分是加权制造时间、成本和完成任务的信用的总和。第二部分是加权链接成本时间和元素之间的成本之和和

。第三部分是与元素相关的一致性约束的增广拉格朗日松弛。等式。(27)表示增广拉格朗日松弛。等式。(28)–(31) 确保只有一种资源来完成一项任务。
5 . 案例分析
5.1 . ALC方法解决共享制造资源分配问题
本节通过一个由五个任务组成的案例来验证ALC方法在解决信用感知共享制造资源分配问题上的有效性和效率。表3列出了有关任务和候选共享制造资源的信息。链接时间为和
。是链接成本和。资源提供者信用评价分为0至10 11个等级。
表3。有关任务和候选共享制造资源的信息。
任务 SMR( O i.j )
t (1.1,2.1) = 5 钴(1.1,2.1) = 10
氧1.1 9 40 10 t (1.1,2.2) = 7 钴(1.1,2.2) = 15
t (1.1,2.3) = 8 钴(1.1,2.3) = 17
t (1.2,2.1) = 3 钴(1.2,2.1) = 9
氧1.2 10 55 8 t (1.2,2.2) = 4 钴(1.2,2.2) = 12
t (1.2,2.3) = 6 钴(1.2,2.3) = 15
任务1
t (1.3,2.1) = 8 钴(1.3,2.1) = 16
氧1.3 14 36 9 t (1.3,2.2) = 7 钴(1.3,2.2) = 19
t (1.3,2.3) = 10 钴(1.3,2.3) = 21
t (1.4,2.1) = 5 钴(1.4,2.1) = 11
氧1.4 12 47 10 t (1.4,2.2) = 5 钴(1.4,2.2) = 13
t (1.4,2.3) = 9 钴(1.4,2.3) = 19
任务2 氧2.1 20 54 10 t (2.1,3.1) = 7 钴(2.1,3.1) = 25
任务 SMR( O i.j )
t (2.1,3.2) = 6 钴(2.1,3.2) = 28
t (2.2,3.1) = 12 钴(2.2,3.1) = 18
氧2.2 16 55 6
t (2.2,3.2) = 13 钴(2.2,3.2) = 19
t (2.3,3.1) = 10 钴(2.3,3.1) = 22
氧2.3 18 60 7
t (2.3,3.2) = 12 钴(2.3,3.2) = 26
t (3.1,4.1) = 0 钴(3.1,4.1) = 0
t (3.1,4.2) = 10 钴(3.1,4.2) = 6
3.1 _ 30 200 7 t (3.1,4.3) = 6 钴(3.1,4.3) = 12
t (3.1,4.4) = 4 钴(3.1,4.4) = 19
t (3.1,4.5) = 3 钴(3.1,4.5) = 7
任务3
t (3.2,4.1) = 10 钴(3.2,4.1) = 6
t (3.2,4.2) = 0 钴(3.2,4.2) = 0
氧3.2 32 180 8 t (3.2,4.3) = 7 钴(3.2,4.3) = 16
t (3.2,4.4) = 2 钴(3.2,4.4) = 8
t (3.2,4.5) = 9 钴(3.2,4.5) = 10
t (4.1,5.1) = 6 钴(4.1,5.1) = 21
t (4.1,5.2) = 9 钴(4.1,5.2) = 24
4.1 _ 14 25 8
t (4.1,5.3) = 7 钴(4.1,5.3) = 18
t (4.1,5.4) = 8 钴(4.1,5.4) = 7
t (4.2,5.1) = 3 钴(4.2,5.1) = 15
t (4.2,5.2) = 6 钴(4.2,5.2) = 17
4.2 _ 16 21 6
t (4.2,5.3) = 1 钴(4.2,5.3) = 20
t (4.2,5.4) = 2 钴(4.2,5.4) = 22
t (4.3,5.1) = 3 钴(4.3,5.1) = 12
t (4.3,5.2) = 5 钴(4.3,5.2) = 15
任务4 4.3 _ 13 28 7
t (4.3,5.3) = 9 钴(4.3,5.3) = 29
t (4.3,5.4) = 10 钴(4.3,5.4) = 10
t (4.4,5.1) = 2 钴(4.4,5.1) = 13
t (4.4,5.2) = 3 钴(4.4,5.2) = 14
4.4 _ 15 30 9
t (4.4,5.3) = 0 钴(4.4,5.3) = 0
t (4.4,5.4) = 5 钴(4.4,5.4) = 10
t (4.5,5.1) = 4 钴(4.5,5.1) = 20
t (4.5,5.2) = 1 钴(4.5,5.2) = 19
4.5 _ 12 32 10
t (4.5,5.3) = 5 钴(4.5,5.3) = 10
t (4.5,5.4) = 0 钴(4.5,5.4) = 0
5.1 _ 1 41 10 -- --
5.2 _ 3 39 8 -- --
任务5
5.3 _ 2 38 9 -- --
5.4 _ 4 29 8 -- --
为了验证ALC方法解决信用感知共享制造资源分配问题的效果，在同一计算环境下对集中式优化方法（即遗传算法（GA））和分布式ALC方法进行了测试。使用Matlab R2016a软件在2.60 GHz、

4.0 GB的PC上运行来获得优化结果。权重系数设置为。其他参数设置为 , , 。最大迭代时间设置为1000。拉格朗日乘子参数和
权重系数的所有初始值设置为0.01。终止容差设置为。
表4对比了遗传算法和分布式ALC方法获得的信用感知共享制造资源配置的最优结果。可以看出，分布式ALC方法取得了与基于GA的集中式优化方法相同的优化分配结果（即选项、目标函数值）。
表 4 . 共享制造资源的优化配置结果。
遗传算法（GA）分布式ALC
Oi.j _ tij co i.j cr i.j Oi.j _ tij co i.j cr i.j
1 氧1.1 9 40 10 氧1.1 9 40 10
2 氧2.1 20 54 10 氧2.1 20 54 10
3 氧3.2 32 180 8 氧3.2 32 180 8
4 4.5 _ 12 32 10 4.5 _ 12 32 10
5 5.4 _ 4 29 8 5.4 _ 4 29 8
目标的价值 0.1892 0.1892
然后分析了ALC方法在解决共享制造资源分配问题上的性能。分析包括两个方面。第一个方面是关于ALC方法的收敛性能。第二个方面是关于优化结果的获得率的表现。为了更好地说明，终止容忍
的情况 , ，和在本节中进行了研究。
整个优化过程完成的迭代次数用于评估每种方法的收敛性能。对于不同的终止容差，GA方法和分布式ALC方法在解决信用感知共享制造资源分配问题时的迭代时间比较如图8、图9和图10所示。如
图8所示，当端接公差设置为，遗传算法和分布式ALC运行50次的平均迭代次数分别为52.36、14.72。如图9所示，当端接容差设置为，遗传算法和分布式ALC运行50次的平均迭
代次数分别为60.56、15.02。如图10所示，当端接容差设置为，遗传算法和分布式ALC运行50次的平均迭代次数分别为61.00、15.18。因此，GA方法比ALC方法需要更多的迭代次数来
完成整个过程。由此可见，ALC方法在解决信用感知的共享制造资源分配问题上具有较好的收敛性能。
图8 . 迭代次数 ( ）。
图9 . 迭代次数 ( ）。
图10。迭代次数 ( ）。
如5.1节所述，信用感知共享制造资源分配问题的已知优化结果为0.1892。对于不同的终止容差，GA方法和分布式ALC方法得到已知优化结果的速率比较如图11、图12和图13所示。如图11所示，
当端接容差设置为，遗传算法和分布式ALC得到优化结果的率分别为20%、70%。如图12所示，当端接容差设置为，遗传算法和分布式ALC得到优化结果的比率分别为26%、
68%。如图13所示，当端接容差设置为，遗传算法和分布式ALC获得优化结果的比率分别为26%、64%。可以看出，ALC方法比GA方法获得已知优化结果的比率更高。因此，ALC方法在
解决信用感知的共享制造资源分配问题上更加可靠。另外，如图11、图12、图13所示，GA方法得到的最优值的波动范围远大于ALC方法，这表明ALC方法的稳定性优于ALC方法。遗传算法方法解
决信用感知的共享制造资源分配问题。
图11。优化结果获得率（）。
5.2 . 共享制造资源管理平台原型系统
在本节中，开发了一个原型系统来证明所提出方法的可行性。系统实现了共享资源管理、共享资源分配和进程监控三大功能。图 14给出了系统的概述。
下载：下载高分辨率图像 (1MB)
图14。共享制造资源管理平台。
图14 (a)显示了系统的主页。包含资源分类导航和需求分类导航，以及资源和需求。
图14 (b)示出了系统的资源管理模块。提供商以统一、标准化的格式注册加工中心、数控机床、检测仿真设备等制造资源，形成各类松耦合的虚拟资源，实现服务的虚拟共享。提供者还可以在“我
的资源”模块中修改和删除共享资源。所有提供的服务形成各种服务库。例如车削服务、铣削服务。如图14 (b)所示，通过基础信息、加工信息和QoS的收集和转换来注册高速CNC。
图14（c）显示了资源分配模块，包括三个主要步骤：1）需求提交，2）需求匹配，3）生产计划。客户统一描述制造任务，提交要求和加工方法。然后，将任务分解为子任务，对子任务进行匹
配，得到候选资源集。通过调用优化方法来执行资源分配。最终得到详细的优化生产计划。
图14（d）和（e）示出了生产过程监控模块，其包括两个主要部分：1）物理车间，2）虚拟车间。生产过程监控主要由设备运行状态监控、任务进度跟踪、生产进度及物料消耗监控、工艺参数监
控等组成。监控可以实时展示。如图14 （d）和（e）所示，ID为L001的高速CNC在物理车间正常运行以完成任务1，在虚拟空间中进行仿真和成本分析。
5.3 . 管理影响
共享制造模式将成为新一轮工业革命的重要驱动力。这种共赢的合作模式不仅可以满足大型制造企业（如沉阳机床集团[ 7 ]）的改革创新要求，也有利于中小型制造企业的创业发展：1）有利于经
济收入的增加（通过租赁闲置的制造资源和能力来获得额外的经济回报），2）还有利于制造成本的降低，如以较低的成本按需获取外部资源。共享制造可以满足资源不足、资金短缺的中小型制造
企业的发展需求。因此，它具有促进可持续生产的潜力和推广的可行性。
6 . 结论
在共享经济和新一代信息技术的推动下，共享制造被提出，实现大规模制造资源和能力的充分共享。共享制造有利于中小企业增加经济收入、降低制造成本。本文尝试使用数字孪生和ALC方法来解
决共享制造中的信用感知资源分配问题。
本文的主要贡献总结如下。首先总结了共享制造的概念和特点，在此基础上设计了共享制造资源服务模式和资源配置的总体架构。其次，考虑共享资源的多个生产域，构建共享制造资源的数字孪生
服务模型。三是构建共享制造资源信用感知配置模型，促进可信贸易。第四，引入分布式优化机制来解决共享制造中的信用感知资源分配问题。第五，通过案例研究验证了ALC方法解决所提出问题
的有效性。此外，还开发了共享制造资源管理平台原型系统，验证了该方法的可行性。
未来的工作可能会从几个方面进行。
(1)制造资源的生产调度。与企业独立资源的管理相比，共享资源的管理更加动态（例如设备可以随时加入或退出共享服务）。这样一来，生产调度的难度就会大大增加。
(2)共享和非共享资源的动态控制。由于客户需求的波动性，很难准确预测。为了实现收益最大化，资源提供商需要根据客户需求的波动，及时适当调整共享资源和非共享资源的分配比例。
（3）定制服务的成本控制和效率提升。共享制造的一大优势是提供定制服务。与普通服务相比，定制服务往往具有成本高、耗时长等特点，因此共享定制服务的低成本、高效运营成为重要问题。
(4) 应研究具有更多任务和共享资源的大规模案例，以证明 ALC 方法相对于集中式优化方法的优越性。并且应该与其他方法（例如PSO ，博弈论）进行更多的比较。
竞争利益声明
作者声明，他们没有已知的可能影响本文报告工作的相互竞争的经济利益或个人关系。
致谢
作者谨此感谢国家自然科学基金（批准号U2001201）、国家重点研发计划（2019YFB1705401 ）的资助。
Recommended articles
参考
[1] 王杰、张勇、刘勇、吴娜 _ _ _
基于多代理和讨价还价游戏的物联网灵活作业车间实时调度
IEEE 互联网物联网杂志( 2019 ) ,10.1109/JIOT.2018.2871346

谷歌学术
[2] 徐旭 _
从云计算到云制造
机器人计算集成制造，28 ( 2012 ) ，75-86页，10.1016/j.rcim.2011.07.002

查看PDF 查看文章谷歌学术
[3] 郭子、张勇、赵小、宋小 _ _ _ _
基于CPS的智能生产物流系统自适应协同控制
IEEE 跨网络( 2020 ) ,10.1109/tcyb.2020.2964301

谷歌学术
[4] 陶芳，隋芳，刘阿，齐 Q ，张明，宋B ，等。

数字孪生驱动的产品设计框架
国际生产研究杂志，57 （2019 ），第3935-3953页，10.1080/00207543.2018.1443229

View in Scopus Google Scholar
[5] A. Rasheed, O. San, T. Kvamsdal

Digital twin: values, challenges and enablers from a modeling perspective
IEEE Access, 8 (2020), pp. 21980-22012, 10.1109/ACCESS.2020.2970143

[6] Floow2 n.d. https://www.floow2.com/,2020,2020-6-29 .

Google Scholar
[7] B. Shi-Zan, C. Rui-Lin

Intelligent production sharing and user experience:a case study of shenyang machine tool
Ind Eng Manag (2017)

Google Scholar
[8] P. Jiang, P. Li
Shared factory: a new production node for social manufacturing in the context of sharing economy
Proc Inst Mech Eng Part B J Eng Manuf, 234 (2020), pp. 285-294, 10.1177/0954405419863220
[9] C. Yu, X. Xu, S. Yu, Z. Sang, C. Yang, X. Jiang

Shared manufacturing in the sharing economy: concept, definition and service operations
Comput Ind Eng (2020), p. 146, 10.1016/j.cie.2020.106602

Google Scholar
[10] Y. Lu, X. Xu
Resource virtualization: a core technology for developing cyber-physical production systems
Int J Ind Manuf Syst Eng, 47 (2018), pp. 128-140, 10.1016/j.jmsy.2018.05.003

View PDF View article View in Scopus Google Scholar
[11] G. Zhang, Y. Zhang, X. Xu, R.Y. Zhong

An augmented Lagrangian coordination method for optimal allocation of cloud manufacturing services
Int J Ind Manuf Syst Eng (2018), 10.1016/j.jmsy.2017.11.008

Google Scholar
[12] Y. Cheng, F. Tao, Y. Liu, D. Zhao, L. Zhang, L. Xu

Energy-aware resource service scheduling based on utility evaluation in cloud manufacturing system

[13] X. Cao, G. Zhao, W. Xiao
Digital Twin–oriented real-time cutting simulation for intelligent computer numerical control machining
Proc Inst Mech Eng Part B J Eng Manuf (2020), 10.1177/0954405420937869

Google Scholar
[14] Y. Wang, Z. Wu
Model construction of planning and scheduling system based on digital twin
Int J Adv Manuf Technol, 109 (2020), pp. 2189-2203, 10.1007/s00170-020-05779-9

[15] S. Tosserams, L.F.P. Etman, J.E. Rooda

Augmented Lagrangian coordination for distributed optimal design in MDO
Int J Numer Methods Eng, 73 (2008), pp. 1885-1910, 10.1002/nme.2158

[16] S. Tosserams, L.F.P. Etman, J.E. Rooda

Multi-modality in augmented Lagrangian coordination for distributed optimal design
Struct Multidiscipl Optim, 40 (2010), pp. 329-352, 10.1007/s00158-009-0371-7

[17] T. Qu, D.X. Nie, C.D. Li, M. Thürer, G.Q. Huang

Optimal configuration of assembly supply chains based on Hybrid augmented Lagrangian coordination in an industrial cluster
Comput Ind Eng, 112 (2017), pp. 511-525, 10.1016/j.cie.2017.03.003

[18] M.E. Porter, M.R. Kramer
G.G. Lenssen, N.C. Smith (Eds.), Creating shared value BT - managing sustainable business: an executive education case and textbook, Springer Netherlands, Dordrecht (2019), pp. 323-346,
10.1007/978-94-024-1144-7_16
Google Scholar
[19] Y. Lu, X. Xu
Cloud-based manufacturing equipment and big data analytics to enable on-demand manufacturing services
Robot Comput Integr Manuf, 57 (2019), pp. 92-102, 10.1016/j.rcim.2018.11.006

[20] P. Jiang, J. Leng, K. Ding, P. Gu, Y. Koren

Social manufacturing as a sustainable paradigm for mass individualization
[21] J. Liu, P. Jiang

A manufacturing network modeling and evolution characterizing approach for self-organization among distributed MSMEs under social manufacturing
context

[22] T.M.A. Ari Samadhi, K. Hoang

Shared computer-integrated manufacturing for various types of production environment
Int J Oper Prod Manag, 15 (1995), pp. 95-108, 10.1108/01443579510083695

[23] M. Goh, S. Prakash, R. Yeo

Resource-based approach to IT shared services in a manufacturing firm
Ind Manag Data Syst, 107 (2007), pp. 251-270, 10.1108/02635570710723831

[24] J. He, X. Gu
Value analysis of shared warehousing system based on Web
Jisuanji Jicheng Zhizao Xitong/Computer Integr Manuf Syst CIMS, 24 (2018), pp. 2322-2328, 10.13196/j.cims.2018.09.020
[25] N.F. Ayala, C.A. Paslauski, A. Ghezzi, A.G. Frank

Knowledge sharing dynamics in service suppliers’ involvement for servitization of manufacturing companies
Int J Prod Econ, 193 (2017), pp. 538-553, 10.1016/j.ijpe.2017.08.019

[26] Y. Li, Q. Liu, R. Tong, X. Cui

Shared and service-oriented CNC machining system for intelligent manufacturing process
Chinese J Mech Eng (English Ed, 28 (2015), pp. 1100-1108, 10.3901/CJME.2015.1010.119

[27] S. Huang, G. Wang, Y. Yan, X. Fang

Blockchain-based data management for digital twin of product

[28] N. Chungoora, G.A. Gunendran, R.I.M. Young, Z. Usman, N.A. Anjum, C. Palmer, et al.
Extending product lifecycle management for manufacturing knowledge sharing
[29] A. Rasheed, O. San, T. Kvamsdal

Digital twin: values, challenges and enablers from a modeling perspective

[30] K.Y.H. Lim, P. Zheng, C.-H. Chen, L. Huang

A digital twin-enhanced system for engineering product family design and optimization

[31] Y. Zheng, S. Yang, H. Cheng

An application framework of digital twin and its case study
J Ambient Intell Humaniz Comput, 10 (2019), pp. 1141-1153, 10.1007/s12652-018-0911-3

[32] J. Bao, D. Guo, J. Li, J. Zhang

The modelling and operations for the digital twin in the context of manufacturing
Enterp Model Inf Syst Archit, 13 (2019), pp. 534-556, 10.1080/17517575.2018.1526324

[33] X. Sun, J. Bao, J. Li, Y. Zhang, S. Liu, B. Zhou

A digital twin-driven approach for the assembly-commissioning of high precision products
Robot Comput Integr Manuf (2020), p. 61, 10.1016/j.rcim.2019.101839

Google Scholar
[34] C. Zhuang, J. Liu, H. Xiong

Digital twin-based smart production management and control framework for the complex product assembly shop-floor

[35] C. Liu, H. Vengayil, R.Y. Zhong, X. Xu

A systematic development method for cyber-physical machine tools

[36] J. Leng, H. Zhang, D. Yan, Q. Liu, X. Chen, D. Zhang

Digital twin-driven manufacturing cyber-physical system for parallel controlling of smart workshop
J Ambient Intell Humaniz Comput, 10 (2019), pp. 1155-1166, 10.1007/s12652-018-0881-5

[37] J. Leng, P. Jiang

Granular computing–based development of service process reference models in social manufacturing contexts
Concurr Eng Res Appl, 25 (2017), pp. 95-107, 10.1177/1063293X16666312

[38] X. Tong, Q. Liu, S. Pi, Y. Xiao

Real-time machining data application and service based on IMT digital twin
J Intell Manuf, 31 (2020), pp. 1113-1132, 10.1007/s10845-019-01500-0

[39] P.D. Urbina Coronado, R. Lynn, W. Louhichi, M. Parto, E. Wescoat, T. Kurfess
Part data integration in the Shop Floor Digital Twin: mobile and cloud technologies to enable a manufacturing execution system

[40] D. Botkina, M. Hedlind, B. Olsson, J. Henser, T. Lundholm
Digital twin of a cutting tool
Procedia Cirp, 72 (2018), pp. 215-218, 10.1016/j.procir.2018.03.178

[41] D. Carlucci, P. Renna, S. Materi, G. Schiuma

Intelligent decision-making model based on minority game for resource allocation in cloud manufacturing
Manag Decis (2020), 10.1108/MD-09-2019-1303

Google Scholar
[42] E. Aghamohammadzadeh, M. Malek, O.F. Valilai

A novel model for optimisation of logistics and manufacturing operation service composition in Cloud manufacturing system focusing on cloud-entropy
Int J Prod Res, 58 (2020), pp. 1987-2015, 10.1080/00207543.2019.1640406

[43] Y. Zhang, F. Tao, Y. Liu, P. Zhang, Y. Cheng, Y. Zuo

Long / short-term utility aware optimal selection of manufacturing service composition toward industrial internet platforms
IEEE Trans Ind Informatics, 15 (2019), pp. 3712-3722, 10.1109/TII.2019.2892777

[44] C. Li, S. Wang, L. Kang, L. Guo, Y. Cao

Trust evaluation model of cloud manufacturing service platform

[45] Y. Que, W. Zhong, H. Chen, X. Chen, X. Ji

Improved adaptive immune genetic algorithm for optimal QoS-aware service composition selection in cloud manufacturing
Int J Adv Manuf Technol, 96 (2018), pp. 4455-4465, 10.1007/s00170-018-1925-x

[46] Y. Yang, B. Yang, S. Wang, T. Jin, S. Li

An enhanced multi-objective grey wolf optimizer for service composition in cloud manufacturing
Appl Soft Comput J (2020), p. 87, 10.1016/j.asoc.2019.106003

Google Scholar
[47] Y. Wu, G. Jia, Y. Cheng

Cloud manufacturing service composition and optimal selection with sustainability considerations: a multi-objective integer bi-level multi-follower
programming approach
Int J Prod Res (2019), 10.1080/00207543.2019.1665203

Google Scholar
[48] S. Zhang, Y. Xu, W. Zhang, D. Yu

A new fuzzy QoS-aware manufacture service composition method using extended flower pollination algorithm
J Intell Manuf, 30 (2019), pp. 2069-2083, 10.1007/s10845-017-1372-9

[49] J. Lartigau, X. Xu, L. Nie, D. Zhan

Cloud manufacturing service composition based on QoS with geo-perspective transportation using an improved Artificial Bee Colony optimisation
algorithm
Int J Prod Res, 53 (2015), pp. 4380-4404, 10.1080/00207543.2015.1005765

[50] K.K.H. Ng, C.K.M. Lee, S.Z. Zhang, K. Wu, W. Ho

A multiple colonies artificial bee colony algorithm for a capacitated vehicle routing problem and re-routing strategies under time-dependent traffic
congestion
Comput Ind Eng, 109 (2017), pp. 151-168, 10.1016/j.cie.2017.05.004

[51] H. Gao, K. Zhang, J. Yang, F. Wu, H. Liu

Applying improved particle swarm optimization for dynamic service composition focusing on quality of service evaluations under hybrid networks
Int J Distrib Sens Networks (2018), p. 14, 10.1177/1550147718761583
Google Scholar
[52] Y. Zhang, D. Zhang, Z. Wang, C. Qian
An optimal configuration method of multi-level manufacturing resources based on community evolution for social manufacturing
Robot Comput Integr Manuf (2020), p. 65, 10.1016/j.rcim.2020.101964

View PDF View article Google Scholar
[53] S. Valizadeh, O. Fatahi Valilai, M. Houshmand

Flexible flow line scheduling considering machine eligibility in a digital dental laboratory
Int J Prod Res, 58 (2020), pp. 6513-6531, 10.1080/00207543.2019.1683247

[54] L. Hu, Z. Liu, W. Hu, Y. Wang, J. Tan, F. Wu

Petri-net-based dynamic scheduling of flexible manufacturing system via deep reinforcement learning with graph convolutional network

View PDF View article Google Scholar
[55] A. Approach, F. Li, L. Zhang, Y. Liu, Y. Laili

QoS-aware service composition in cloud manufacturing : a Gale – shapley
IEEE Trans Syst Man Cybern Syst, 50 (2020), pp. 2386-2397, 10.1109/TSMC.2018.2814686
Google Scholar
[56] W. Guo, P. Jiang

Manufacturing service order allocation in the context of social manufacturing based on Stackelberg game
[57] E. Aghamohammadzadeh, O. Fatahi Valilai

A novel cloud manufacturing service composition platform enabled by Blockchain technology
Int J Prod Res, 58 (2020), pp. 5280-5298, 10.1080/00207543.2020.1715507

Cited by (72)
Knowledge-aware manufacturing services collaboration: A comprehensive study of evolutionary transfer optimization approaches
2024, Advanced Engineering Informatics
Show abstract
GRU-based digital twin framework for data allocation and storage in IoT-enabled smart home networks
2024, Future Generation Computer Systems
Show abstract
Semantic models and knowledge graphs as manufacturing system reconfiguration enablers
2024, Robotics and Computer-Integrated Manufacturing
Show abstract
How the digital infrastructure construction affects urban carbon emissions—A quasi-natural experiment from the “Broadband China” policy
2024, Science of the Total Environment
Show abstract
An innovative model of personalized product service system (PPSS) for open community collaborative supply (OCCS): Selection, configuration, and optimization
2024, Journal of Cleaner Production
Show abstract
Fault detection and diagnosis of air brake system: A systematic review
2023, Journal of Manufacturing Systems
Show abstract
View all citing articles on Scopus
View Abstract
© 2021 The Society of Manufacturing Engineers. Published by Elsevier Ltd. All rights reserved.
All content on this site: Copyright © 2024 Elsevier B.V., its licensors, and contributors. All rights are reserved, including those for text and data mining, AI training, and similar technologies. For all open access content, the Creative Commons licensing terms apply.

Digital Twin-Driven Service Model and Optimal Allocation of Manufacturing Resources in Shared Manufacturing - ScienceDirect

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Digital Twin-Driven Service Model and Optimal Allocation of Manufacturing Resources in Shared Manufacturing - ScienceDirect

Uploaded by

Copyright:

Available Formats

2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect

Digital twin-driven service model and optimal allocation of manufacturing resources in

EI检索 SCI升级版 工程技术1区 SCI基础版 工程技术2区 IF 12.1

王刚 一_,张庚 B C _ ,新 郭 阿,迎风 Zhang a

Outline Share 引用 easyScholar文献收藏

最近，在共享制造领域进行了许多初步研究，例如共享制造的概念和定义[ 9 ]、共享制造服务建模[ 10 ]、考虑能源消耗、成本的制造资源配置的优化算法。和风险 [ 11 , 12 ]。然而，共享制造的

共享制造 云制造 社会制造 传统制造

共享范围 生产订单/资源/能力 生产订单/资源/能力 生产订单 不适用

分享方式 公有云 公有云/私有云/混合云 自组织 不适用

信息架构 服务至上 服务至上 以生产为导向 以生产为导向

平台管理 分散式 分散式 分散式 集中

开放性 全开 半开放式 半开放式 不适用

财产 所有权和使用权不同 所有权和使用权不同 所有权和使用权相同 不适用

服务特色 线上线下（O2O） 基于云的资源 线上线下（O2O） Offline

2.3. Manufacturing resource allocation

此外，许多研究人员对制造资源配置的优化算法进行了研究。首先，启发式算法在该领域得到广泛应用，例如遗传算法[45], multi-objective grey wolf optimizer [46], multi-objective integer

Fig. 2. Service model and allocation of shared manufacturing resources.

Fig. 3. Digital twin-enabled manufacturing service model.

在哪里 表示识别物理对象的基本属性，包括购买日期、资源ID、资源寿命、制造商、资源名称和资源所有者等。 表示物理对象所拥有的制造能力，包括能力特征名称、能力特

Download : Download high-res image (522KB)

表示虚拟模型对应的原始物理对象。 is the identification number. 是这个模型的建立者。 是该模型的所有者。 表示虚拟模型拥有的能力。 表示虚

Where 表示服务体系中的所有制造服务单位。 表示服务单元之间的逻辑关系，如串行关系、并行关系、循环关系等。 表示服务单元能力，是服务体系内所有制造单元的综

任务提交到共享制造平台的任务池中。有 资源池中完成任务的候选资源 。该模型的目标是最小化加权总时间、成本和信用的组合。那么，信用感知的共享制造资源分配模型可以表述如下（符

Overall objective of credit-aware shared manufacturing resources allocation

Maximum manufacturing time for completing all tasks

Weight coefficient for manufacturing time of completing all tasks

Weight coefficient for credit evaluation of completing all tasks

制造信贷 completing the 第一个任务

等式。(6)表示目标函数。它由加权总制造时间、成本和信用三部分组成。权重遵循线性关系并且加起来为 1 , ，和 用于对每个部分进行无量纲化。等式。(7)–(9) 用于计算总制造

4.2.3 . 用于信用感知制造资源分配的分布式 ALC 公式

从图7和重写后的数学模型可以看出，元素 和 由以下链接 。因此，元素之间的关键链接 和 被识别为 。定

的制定 是关于 ，并用固定解决 。目标函数为 由两部分组成。第一部分是完成任务 1 的加权制造时间、成本和信用的总和。第二部分是与元素相关的一致性约束的增强拉格朗日松弛 。

的制定 是关于 和 ，并用固定解决 和 。目标函数为 由三部分组成。第一部分是加权制造时间、成本和完成任务的信用的总和 。第二部分是加权链接成本时间和元素之间的成

的制定 是关于 ，并用固定解决 。目标函数为 由三部分组成。第一部分是加权制造时间、成本和完成任务的信用的总和 。第二部分是加权链接成本时间和元素之间的成本之和 和

氧1.1 9 40 10 t (1.1,2.2) = 7 钴(1.1,2.2) = 15

氧1.2 10 55 8 t (1.2,2.2) = 4 钴(1.2,2.2) = 12

氧1.3 14 36 9 t (1.3,2.2) = 7 钴(1.3,2.2) = 19

氧1.4 12 47 10 t (1.4,2.2) = 5 钴(1.4,2.2) = 13

任务2 氧2.1 20 54 10 t (2.1,3.1) = 7 钴(2.1,3.1) = 25

3.1 _ 30 200 7 t (3.1,4.3) = 6 钴(3.1,4.3) = 12

氧3.2 32 180 8 t (3.2,4.3) = 7 钴(3.2,4.3) = 16

为了验证ALC方法解决信用感知共享制造资源分配问题的效果，在同一计算环境下对集中式优化方法（即遗传算法（GA））和分布式ALC方法进行了测试。使用Matlab R2016a软件在2.60 GHz、

Oi.j _ tij co i.j cr i.j Oi.j _ tij co i.j cr i.j

3 氧3.2 32 180 8 氧3.2 32 180 8

目标的价值 0.1892 0.1892

(4) 应研究具有更多任务和共享资源的大规模案例，以证明 ALC 方法相对于集中式优化方法的优越性。并且应该与其他方法（例如PSO ，博弈论）进行更多的比较。

IEEE 互联网物联网杂志( 2019 ) ,10.1109/JIOT.2018.2871346

机器人计算集成制造，28 ( 2012 ) ，75-86页，10.1016/j.rcim.2011.07.002

IEEE 跨网络( 2020 ) ,10.1109/tcyb.2020.2964301

[4] 陶 芳，隋 芳，刘 阿，齐 Q ，张明，宋B ，等 。

国际生产研究杂志，57 （2019 ），第3935-3953页，10.1080/00207543.2018.1443229

[5] A. Rasheed, O. San, T. Kvamsdal

IEEE Access, 8 (2020), pp. 21980-22012, 10.1109/ACCESS.2020.2970143

[6] Floow2 n.d. https://www.floow2.com/,2020,2020-6-29 .

[7] B. Shi-Zan, C. Rui-Lin

Ind Eng Manag (2017)

[9] C. Yu, X. Xu, S. Yu, Z. Sang, C. Yang, X. Jiang

Comput Ind Eng (2020), p. 146, 10.1016/j.cie.2020.106602

Int J Ind Manuf Syst Eng, 47 (2018), pp. 128-140, 10.1016/j.jmsy.2018.05.003

[11] G. Zhang, Y. Zhang, X. Xu, R.Y. Zhong

Int J Ind Manuf Syst Eng (2018), 10.1016/j.jmsy.2017.11.008

[12] Y. Cheng, F. Tao, Y. Liu, D. Zhao, L. Zhang, L. Xu

View in Scopus Google Scholar

EI检索 SCI升级版工程技术1区 SCI基础版工程技术2区 IF 12.1

王刚一_,张庚 B C _ ,新郭阿,迎风 Zhang a

共享制造云制造社会制造传统制造

共享范围生产订单/资源/能力生产订单/资源/能力生产订单不适用

分享方式公有云公有云/私有云/混合云自组织不适用

信息架构服务至上服务至上以生产为导向以生产为导向

平台管理分散式分散式分散式集中

开放性全开半开放式半开放式不适用

财产所有权和使用权不同所有权和使用权不同所有权和使用权相同不适用

服务特色线上线下（O2O）基于云的资源线上线下（O2O） Offline

在哪里表示识别物理对象的基本属性，包括购买日期、资源ID、资源寿命、制造商、资源名称和资源所有者等。表示物理对象所拥有的制造能力，包括能力特征名称、能力特

表示虚拟模型对应的原始物理对象。 is the identification number. 是这个模型的建立者。是该模型的所有者。表示虚拟模型拥有的能力。表示虚

Where 表示服务体系中的所有制造服务单位。表示服务单元之间的逻辑关系，如串行关系、并行关系、循环关系等。表示服务单元能力，是服务体系内所有制造单元的综

任务提交到共享制造平台的任务池中。有资源池中完成任务的候选资源。该模型的目标是最小化加权总时间、成本和信用的组合。那么，信用感知的共享制造资源分配模型可以表述如下（符

等式。(6)表示目标函数。它由加权总制造时间、成本和信用三部分组成。权重遵循线性关系并且加起来为 1 , ，和用于对每个部分进行无量纲化。等式。(7)–(9) 用于计算总制造

从图7和重写后的数学模型可以看出，元素和由以下链接。因此，元素之间的关键链接和被识别为。定

的制定是关于，并用固定解决。目标函数为由两部分组成。第一部分是完成任务 1 的加权制造时间、成本和信用的总和。第二部分是与元素相关的一致性约束的增强拉格朗日松弛。

的制定是关于和，并用固定解决和。目标函数为由三部分组成。第一部分是加权制造时间、成本和完成任务的信用的总和。第二部分是加权链接成本时间和元素之间的成

的制定是关于，并用固定解决。目标函数为由三部分组成。第一部分是加权制造时间、成本和完成任务的信用的总和。第二部分是加权链接成本时间和元素之间的成本之和和

[4] 陶芳，隋芳，刘阿，齐 Q ，张明，宋B ，等。