向 峰，鐘 雷，左 穎，蔣國(guó)璋，段現(xiàn)銀

(1.武漢科技大學(xué) 冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430081；2.武漢科技大學(xué) 機(jī)械傳動(dòng)與制造工程湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430081；3.武漢科技大學(xué)精密制造研究院，湖北 武漢 430081；4.北京航空航天大學(xué) 前沿科學(xué)技術(shù)創(chuàng)新研究院，北京 100191)

0 引言

產(chǎn)業(yè)鏈重構(gòu)和共享經(jīng)濟(jì)推動(dòng)了以制造服務(wù)共享為核心的工業(yè)互聯(lián)網(wǎng)平臺(tái)(Industrial Internet Platform, IIP)的建設(shè)[1]。IIP也被稱(chēng)為工業(yè)物聯(lián)網(wǎng)平臺(tái)[2]和工業(yè)互聯(lián)網(wǎng)云平臺(tái)[3]，通過(guò)集成產(chǎn)品數(shù)據(jù)流、生產(chǎn)數(shù)據(jù)流、供應(yīng)鏈數(shù)據(jù)流等數(shù)據(jù)信息，分析生產(chǎn)制造過(guò)程的各個(gè)資源節(jié)點(diǎn)，促進(jìn)智能升級(jí)，并基于物理組件和網(wǎng)絡(luò)組件之間的全面互聯(lián)構(gòu)建新的模型和格式[4]。隨著IIP的逐步落地實(shí)施與應(yīng)用，大量異構(gòu)制造資源虛擬化封裝、聚集在云服務(wù)池內(nèi)，以制造服務(wù)的形式按需動(dòng)態(tài)共享、組合協(xié)作提供給用戶(hù)。對(duì)于各類(lèi)開(kāi)放、復(fù)雜、異構(gòu)的動(dòng)態(tài)制造環(huán)境，如應(yīng)用服務(wù)提供商(Application Service Provider, ASP)、制造網(wǎng)格(Manufacturing Grid, MGrid)[5-6]、云制造(Cloud Manufacturing, CMfg)[7]，接入映射時(shí)制造服務(wù)是否保真、選擇時(shí)制造服務(wù)是否可信、進(jìn)行中制造服務(wù)可協(xié)作狀態(tài)是否變化，都是制造服務(wù)平臺(tái)各主體進(jìn)行安全、可靠服務(wù)的關(guān)鍵問(wèn)題，也是后續(xù)IIP能否落地實(shí)施和正常運(yùn)行的先決條件。

服務(wù)的可信特征對(duì)服務(wù)生成、服務(wù)選擇、服務(wù)組合和協(xié)作等技術(shù)的運(yùn)行至關(guān)重要，是企業(yè)發(fā)布的服務(wù)是否可信、選擇的服務(wù)是否可信、所協(xié)作服務(wù)是否可信的信息來(lái)源。已有對(duì)制造服務(wù)平臺(tái)可信特征的研究主要聚焦于制造服務(wù)封裝與映射、制造服務(wù)選擇、制造服務(wù)組合協(xié)作3個(gè)方面。對(duì)于制造服務(wù)封裝與映射，ANDRé等[8]基于服務(wù)的結(jié)構(gòu)兼容性、功能性以及服務(wù)質(zhì)量(Quality of Service, QoS)等相關(guān)物理屬性構(gòu)建了服務(wù)組件模型來(lái)改進(jìn)軟件服務(wù)的搜索和編排;賀可太等[9]將與產(chǎn)品物理屬性相關(guān)的產(chǎn)品性能、服務(wù)價(jià)格、服務(wù)時(shí)間、交貨準(zhǔn)確性、可維護(hù)性作為CMfg服務(wù)的可信特征，設(shè)計(jì)了CMfg服務(wù)質(zhì)量評(píng)估模型。對(duì)于制造服務(wù)的選擇，MEHDI等[10]將QoS和聲譽(yù)作為可信特征，構(gòu)建了Web服務(wù)的概率模型來(lái)計(jì)算Web服務(wù)的信任度，以幫助用戶(hù)選擇最佳的Web服務(wù);MANUEL等[11]基于云資源提供商的歷史服務(wù)信息選取可用性、可靠性、周轉(zhuǎn)效率和數(shù)據(jù)完整性作為可信特征，建立了云服務(wù)的可信評(píng)估模型，進(jìn)而為云服務(wù)需求商提供可信的云服務(wù)。對(duì)于制造服務(wù)的組合與協(xié)作，HANG等[12]提出一種信任感知的服務(wù)組合方法，通過(guò)直接感知和服務(wù)質(zhì)量結(jié)合的可信特征來(lái)感知服務(wù)組合的可信度;YIN等[13]將服務(wù)時(shí)間、服務(wù)質(zhì)量、服務(wù)成本、可用性、可組合性、可維護(hù)性和可持續(xù)性等目標(biāo)變量作為可信特征，建立了CMfg服務(wù)組合優(yōu)選模型。

綜上所述，目前的服務(wù)可信特征研究從不同的技術(shù)角度闡述了可信特征對(duì)于面向服務(wù)體系架構(gòu)的重要性?，F(xiàn)有的可信特征研究對(duì)象主要集中在計(jì)算環(huán)境下的Web服務(wù)、云服務(wù)以及CMfg平臺(tái)中的制造服務(wù)，對(duì)于IIP下的制造服務(wù)的可信特征研究還處于初期階段，相應(yīng)的研究成果較少。在制造服務(wù)的封裝與映射方面，大多數(shù)研究只針對(duì)服務(wù)模型物理屬性方面的封裝與映射，未涉及制造服務(wù)的行為規(guī)則方面;在制造服務(wù)的選擇方面，服務(wù)的可信特征選擇側(cè)重于QoS指標(biāo)、地理位置、運(yùn)輸成本、交付時(shí)間和加工質(zhì)量等產(chǎn)品關(guān)聯(lián)因素，缺乏對(duì)個(gè)性化需求任務(wù)與制造企業(yè)及其提供的服務(wù)等級(jí)水平的考慮;在制造服務(wù)的組合和協(xié)作狀態(tài)方面，目前的研究更多考慮的是服務(wù)組合中組成元素的可信特征量化和評(píng)估，未考慮服務(wù)協(xié)作時(shí)的狀態(tài)。

為了挖掘制造服務(wù)的可信信息，需要對(duì)制造服務(wù)可信特征進(jìn)行識(shí)別。目前的識(shí)別方法大多是傳統(tǒng)算法和機(jī)器學(xué)習(xí)等淺層結(jié)構(gòu)算法，這些識(shí)別方法依賴(lài)于人工提取特征，計(jì)算復(fù)雜程度較高，對(duì)復(fù)雜場(chǎng)景的表示和動(dòng)態(tài)適應(yīng)能力有限，導(dǎo)致識(shí)別結(jié)果片面，精度較差。因此，如何有效地識(shí)別出IIP下服務(wù)的可信特征，并將其表達(dá)出來(lái)就顯得非常重要。深度學(xué)習(xí)(Deep Learning, DL)作為計(jì)算智能化的突破口，旨在通過(guò)模擬大腦的學(xué)習(xí)過(guò)程，構(gòu)建具有多隱層的學(xué)習(xí)模型，結(jié)合海量的訓(xùn)練數(shù)據(jù)快速且精確地發(fā)現(xiàn)并刻畫(huà)問(wèn)題內(nèi)部復(fù)雜的數(shù)據(jù)特征，從而提升分類(lèi)或預(yù)測(cè)的準(zhǔn)確性。例如，劉道元等[14]基于多源制造數(shù)據(jù)提出一種深度置信網(wǎng)絡(luò)的擴(kuò)展預(yù)測(cè)模型，以完成制造系統(tǒng)訂單完工期的快速預(yù)測(cè);倪維健等[15]基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)業(yè)務(wù)流程數(shù)據(jù)進(jìn)行建模，以提升業(yè)務(wù)流程剩余時(shí)間預(yù)測(cè)的準(zhǔn)確性。深度學(xué)習(xí)在訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)下能夠自適應(yīng)地構(gòu)建特征描述，可有效地克服IIP制造服務(wù)多變特性導(dǎo)致的識(shí)別困難。因此，本文圍繞制造服務(wù)映射保真、服務(wù)信譽(yù)、協(xié)作狀態(tài)3個(gè)方面，給出了制造服務(wù)綜合可信特征指標(biāo)體系，提出了IIP下的制造服務(wù)可信特征識(shí)別框架及其關(guān)鍵技術(shù)，設(shè)計(jì)了基于去噪自編碼器的制造服務(wù)可信特征分類(lèi)方法。

1 不同平臺(tái)下的制造服務(wù)可信特征

信息技術(shù)是制造平臺(tái)發(fā)展的主要驅(qū)動(dòng)力，制造服務(wù)的可信特征隨著制造平臺(tái)的演化而擴(kuò)展，如圖1所示。

(1)作為信息技術(shù)在制造業(yè)尚未廣泛應(yīng)用的初期制造平臺(tái)代表，MGrid和ASP以制造資源共享為目標(biāo)，聚焦于從產(chǎn)品生產(chǎn)到銷(xiāo)售的整個(gè)制造活動(dòng)。相應(yīng)地，MGrid和ASP的制造服務(wù)可信特征側(cè)重于描述制造資源及關(guān)聯(lián)的產(chǎn)品服務(wù)屬性，主要包含真實(shí)性、安全性、時(shí)間、成本、可靠性、可用性、用戶(hù)偏好等。

(2)隨著“互聯(lián)網(wǎng)+制造”的興起，以服務(wù)按需使用和協(xié)同制造為核心的CMfg服務(wù)平臺(tái)發(fā)展迅速。CMfg平臺(tái)在云層中進(jìn)行高效的智能搜索、匹配、推薦和執(zhí)行服務(wù)，并透明地將各類(lèi)制造資源以服務(wù)的方式提供給用戶(hù)[16]，其制造服務(wù)可信特征更聚焦于服務(wù)的物理屬性、服務(wù)狀態(tài)以及用戶(hù)反饋等，主要包含QoS、時(shí)效性、可維護(hù)性、服務(wù)滿(mǎn)意度、地理位置、加工質(zhì)量、交付時(shí)間和歷史記錄等。

(3)在新一代信息技術(shù)和運(yùn)營(yíng)技術(shù)的推動(dòng)下，具有跨領(lǐng)域、跨地區(qū)、全周期的多邊共享平臺(tái)IIP逐步落地實(shí)施[17]。IIP內(nèi)的制造服務(wù)被共享并用來(lái)滿(mǎn)足不同利益相關(guān)者的需求。相較于傳統(tǒng)的Web服務(wù)和CMfg服務(wù)，IIP下的制造服務(wù)高度依賴(lài)于物理資源狀態(tài)，更加強(qiáng)調(diào)實(shí)時(shí)性、動(dòng)態(tài)性和交互性。因此，IIP下的制造服務(wù)可信特征要素不同于傳統(tǒng)服務(wù)形式的可信特征，更需要真實(shí)刻畫(huà)和反映IIP下制造服務(wù)特性、服務(wù)歷史信息和服務(wù)可協(xié)作狀態(tài)。為此，本文主要選取了保真度、信譽(yù)度和協(xié)作狀態(tài)作為IIP的制造服務(wù)可信特征，并給出各可信特征值的計(jì)算方法，進(jìn)而建立IIP下的可信評(píng)價(jià)體系，以保證平臺(tái)內(nèi)制造活動(dòng)的順利進(jìn)行。

2 基于工業(yè)互聯(lián)網(wǎng)平臺(tái)的可信制造服務(wù)識(shí)別框架構(gòu)建

如圖2所示，基于IIP的制造服務(wù)可信特征評(píng)估框架包括工業(yè)要素層、感知層、網(wǎng)絡(luò)傳輸層、數(shù)據(jù)層、特征集層、特征識(shí)別層和特征分析層。工業(yè)要素層既是IIP制造服務(wù)數(shù)據(jù)的主要來(lái)源，又是服務(wù)可信特征識(shí)別、分析后的優(yōu)化和決策對(duì)象；感知層和網(wǎng)絡(luò)傳輸層負(fù)責(zé)采集、感知和傳輸制造服務(wù)相關(guān)數(shù)據(jù)，是聯(lián)系工業(yè)要素與服務(wù)數(shù)據(jù)的紐帶；數(shù)據(jù)層是容納多模式、多格式、非結(jié)構(gòu)化制造服務(wù)數(shù)據(jù)的集合，是完成特征模型識(shí)別的驅(qū)動(dòng)力；特征集層是面向IIP特定應(yīng)用場(chǎng)景的制造服務(wù)可信特征識(shí)別和分析的理論基礎(chǔ)；特征識(shí)別層是基于深度學(xué)習(xí)從聚合數(shù)據(jù)中挖掘制造服務(wù)可信特征的重要技術(shù)支撐；特征分析層將特征識(shí)別的結(jié)果進(jìn)行分析和優(yōu)化并實(shí)時(shí)反饋到工業(yè)要素中，有效地實(shí)現(xiàn)了智能化決策。

(1)工業(yè)要素層

工業(yè)要素層主要是IIP人—機(jī)—料—法—環(huán)關(guān)聯(lián)的工業(yè)生產(chǎn)全要素的總和，包括生產(chǎn)人員要素(技術(shù)工人、生產(chǎn)管理者、用戶(hù)等)、制造設(shè)備要素(車(chē)床、鉆床、刨床、銑床、數(shù)控機(jī)床等)、生產(chǎn)物料要素(原材料、半成品、加工輔料等產(chǎn)品用料)、業(yè)務(wù)標(biāo)準(zhǔn)要素(業(yè)務(wù)系統(tǒng)、工控系統(tǒng)、工藝方法、作業(yè)標(biāo)準(zhǔn)等)、工業(yè)環(huán)境要素(使用量、電量、溫度等)。

(2)感知層和網(wǎng)絡(luò)傳輸層

感知層是實(shí)現(xiàn)服務(wù)可信特征識(shí)別的重要基石，主要利用感知設(shè)備(RFID、二維碼識(shí)讀器、適配器、傳感器等)進(jìn)行采集和處理工業(yè)要素層的多源異構(gòu)服務(wù)數(shù)據(jù)。網(wǎng)絡(luò)傳輸層則是負(fù)責(zé)將感知層的制造服務(wù)數(shù)據(jù)接入并傳輸?shù)教卣髯R(shí)別層的網(wǎng)絡(luò)技術(shù)(5G、工業(yè)以太網(wǎng)、工業(yè)總線(xiàn)等)。網(wǎng)絡(luò)傳輸層的構(gòu)建有利于工業(yè)要素層海量資源安全、高速的傳輸，為特征識(shí)別層提供網(wǎng)絡(luò)支撐。

(3)特征集層

特征集層主要通過(guò)分析IIP的制造服務(wù)特性，歸納得出IIP制造服務(wù)的可信特征，進(jìn)而構(gòu)建IIP制造服務(wù)可信特征集。特征集層屬于IIP制造服務(wù)可信特征的理論架構(gòu)，應(yīng)用于特征識(shí)別層中數(shù)據(jù)訓(xùn)練和特征分類(lèi)。

(4)數(shù)據(jù)層

數(shù)據(jù)層包括設(shè)備數(shù)據(jù)、模型數(shù)據(jù)和服務(wù)信息數(shù)據(jù)等聚合大數(shù)據(jù)。其中設(shè)備數(shù)據(jù)包括設(shè)備的位置、技術(shù)參數(shù)、運(yùn)行狀態(tài)等相關(guān)數(shù)據(jù)；模型數(shù)據(jù)包括虛擬模型幾何尺寸、物理規(guī)則、行為屬性等相關(guān)數(shù)據(jù)；服務(wù)信息數(shù)據(jù)則是價(jià)格、出庫(kù)量、庫(kù)存等與企業(yè)、產(chǎn)品信息相關(guān)的數(shù)據(jù)集合。

(5)特征識(shí)別層

特征識(shí)別層是以深度學(xué)習(xí)為核心的數(shù)據(jù)建模和特征學(xué)習(xí)過(guò)程，可以處理海量的實(shí)時(shí)工業(yè)數(shù)據(jù)。經(jīng)過(guò)數(shù)據(jù)清洗和融合的感知數(shù)據(jù)驅(qū)動(dòng)深度學(xué)習(xí)模型以挖掘制造服務(wù)特征信息，進(jìn)而識(shí)別制造服務(wù)的可信特征。

(6)特征分析層

特征分析層主要基于特征識(shí)別的結(jié)果并結(jié)合制造服務(wù)的制造條件、生產(chǎn)環(huán)境和操作參數(shù)等進(jìn)行不同層次的分析，主要包括特征描述、特征診斷、特征預(yù)測(cè)和特征規(guī)劃。特征分析結(jié)果可實(shí)時(shí)反饋到工業(yè)要素層和感知層，便于服務(wù)優(yōu)化和智能決策。

3 面向工業(yè)互聯(lián)網(wǎng)平臺(tái)的制造服務(wù)可信特征集

結(jié)合IIP的制造服務(wù)特性，同時(shí)從實(shí)用的角度出發(fā)，本文將IIP制造服務(wù)的可信特征集(Trustworthy Features set, TFs)定義為一個(gè)多元組，如圖3所示，選取保真度、信譽(yù)度和協(xié)作狀態(tài)作為服務(wù)的可信特征，即TFs=(Fidelity, Reputation, Collaboration status)。下面給出相關(guān)概念的定義和數(shù)學(xué)描述。

定義1IIP制造服務(wù)。在本文的敘述中，IIP制造服務(wù)簡(jiǎn)稱(chēng)制造服務(wù)或服務(wù)，是構(gòu)成IIP的基本要素，是服務(wù)化的制造資源和制造能力。制造服務(wù)分為原子制造服務(wù)和組合制造服務(wù)。

定義2保真度(Fidelity)。保真度即虛擬模型的保真度，表示虛擬模型相對(duì)于物理實(shí)體的準(zhǔn)確體現(xiàn)度。保真度按照建模的步驟和層次劃分為幾何保真度(Fg)、物理保真度(Fp)、行為保真度(Fb)和規(guī)則保真度(Fr)。Fg表示虛擬模型的幾何信息(尺寸、位置、結(jié)構(gòu)、形狀和裝配關(guān)系等)相對(duì)于物理實(shí)體的精確程度;Fp表示虛擬模型的物理特性(如扭矩、質(zhì)量、慣性、硬度、磨損、切削力和表面紋理等)和載荷(如溫度、阻力和應(yīng)力等)相對(duì)于物理實(shí)體的精確程度;Fb表示虛擬模型在驅(qū)動(dòng)因素和干擾因素下的行為和反應(yīng)能力(如協(xié)作行為和失效行為等)相對(duì)于物理實(shí)體的精確程度;Fr表示在規(guī)則模型(如關(guān)聯(lián)規(guī)則、約束規(guī)則和演繹規(guī)則)描述形成的領(lǐng)域知識(shí)驅(qū)動(dòng)下虛擬模型所具有評(píng)價(jià)、推理和預(yù)測(cè)的能力相對(duì)于物理實(shí)體的精確程度。

其中，F(xiàn)g和Fp的取值取決于模型的偏差值，

(1)

Fb和Fr的取值則取決于模型反映物理實(shí)體行為和能力的程度，

Fb/Fr=

(2)

則

MSF=Fg·Fp·Fb·Fr。

(3)

定義3信譽(yù)度(Reputation)。信譽(yù)度表示制造服務(wù)的信譽(yù)度，包括服務(wù)間交互的及時(shí)性和準(zhǔn)確性等。制造服務(wù)信譽(yù)度依據(jù)時(shí)間維度可劃分為歷史信譽(yù)度(Rh)、即時(shí)信譽(yù)度(Ri)和預(yù)測(cè)信譽(yù)度(Rp)。Rh為用戶(hù)與服務(wù)直接交互的歷史反饋信息，是能否采用該服務(wù)的先驗(yàn)選擇標(biāo)準(zhǔn);Ri為制造服務(wù)封裝時(shí)完成制造任務(wù)的服務(wù)能力、狀態(tài)和行為，是能否真實(shí)反映用戶(hù)需求的后驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn);Rp為基于服務(wù)共性和感知狀態(tài)挖掘產(chǎn)生的預(yù)測(cè)性服務(wù)指標(biāo)。

如圖4所示，通過(guò)獲取和分析服務(wù)的歷史信譽(yù)度生成初步符合用戶(hù)需求的即時(shí)信譽(yù)度。采用仿真工具對(duì)即時(shí)信譽(yù)度的相關(guān)數(shù)據(jù)進(jìn)行仿真和集成，獲得服務(wù)的預(yù)測(cè)信譽(yù)度，可以修正、優(yōu)化、監(jiān)控和更新服務(wù)的歷史信譽(yù)度。

服務(wù)信譽(yù)度的影響因素包括失效率F、服務(wù)等級(jí)L、服務(wù)滿(mǎn)意度S和響應(yīng)速度V。其中：F表示服務(wù)發(fā)生失效的概率;L表示服務(wù)質(zhì)量所能達(dá)到的相關(guān)標(biāo)準(zhǔn)的程度，其量化規(guī)則如表1所示;S表示用戶(hù)對(duì)服務(wù)提供商所提供的制造服務(wù)的滿(mǎn)意程度;V表示IIP在一定的時(shí)刻或一定的時(shí)間內(nèi)以最快的速度獲取來(lái)自用戶(hù)服務(wù)需求，再及時(shí)做出響應(yīng)的反應(yīng)能力。

表1 服務(wù)等級(jí)量化規(guī)則

假設(shè)制造服務(wù)MS在(t1,t2)的時(shí)間內(nèi)被調(diào)用了N次，從發(fā)出調(diào)用命令到執(zhí)行服務(wù)的時(shí)間長(zhǎng)度為T(mén)a，正常響應(yīng)的次數(shù)為Nr次，實(shí)際執(zhí)行結(jié)果與服務(wù)承諾信息一致的次數(shù)為Nc次。

(4)

(5)

(6)

則信譽(yù)度可以量化為：

R=L(ω1F+ω2S+ω3V)。

(7)

(8)

在IIP中，制造服務(wù)之間的協(xié)作狀態(tài)是一個(gè)容易忽略但又至關(guān)重要的因素。制造服務(wù)間的協(xié)作狀態(tài)越好，服務(wù)間的信息交互越靈活，物料運(yùn)輸越順利，制造任務(wù)的進(jìn)度越成功，完成任務(wù)的時(shí)間越短，用戶(hù)對(duì)制造服務(wù)的可信度越高;反之，協(xié)作狀態(tài)越差，制造服務(wù)之間的信息交互和物料傳輸越容易受阻，產(chǎn)品交付時(shí)間延長(zhǎng)，制造成本也隨之增加，用戶(hù)對(duì)制造服務(wù)的可信度也會(huì)降低。因此，在IIP制造服務(wù)可信特征研究中，有必要分析制造服務(wù)之間的協(xié)作狀態(tài)。

定義3協(xié)作狀態(tài)(Collaboration status)。協(xié)作狀態(tài)表示制造服務(wù)間協(xié)作可行性的量化水平。制造服務(wù)的協(xié)作狀態(tài)受協(xié)作強(qiáng)度(Cs)、服務(wù)關(guān)聯(lián)度(Cr)和任務(wù)完成度(Cp)的影響。

(1)Cs為制造服務(wù)間協(xié)作程度的定量表示，可根據(jù)時(shí)間計(jì)算。制造任務(wù)總執(zhí)行時(shí)間的計(jì)算與它們之間的協(xié)作程度密切相關(guān)。假設(shè)任務(wù)pi和pj(1≤i,j≤q)是耦合的，相應(yīng)的執(zhí)行時(shí)間分別為T(mén)i和Tj，則總執(zhí)行時(shí)間

(9)

式中λ為任務(wù)pi和pj之間的耦合系數(shù)，主要基于信息交互的靈活性、協(xié)作次數(shù)和默契程度等進(jìn)行取值，如表2所示。

表2 耦合系數(shù)及其量化規(guī)則

當(dāng)介于上述任意兩種情況之間時(shí)，λ依情況取中間值0.1,0.3,0.5,0.7。因此，用于制造任務(wù)pi和pj的協(xié)作服務(wù)的協(xié)作強(qiáng)度為：

(10)

(11)

(12)

(13)

Cr-a=

(14)

Cr-n=

(15)

(16)

(3)Cp為在用戶(hù)需求的驅(qū)動(dòng)下協(xié)作完成制造任務(wù)的制造服務(wù)數(shù)量占所有制造服務(wù)的比重。假設(shè)第i個(gè)制造服務(wù)集合中協(xié)作完成制造任務(wù)的服務(wù)數(shù)量為p，則

(17)

對(duì)協(xié)作狀態(tài)的3個(gè)影響因子進(jìn)行權(quán)重分配，則

MSC=ω1Cs+ω2Cr+ω3Cp。

(18)

用戶(hù)在不同場(chǎng)景下對(duì)于服務(wù)可信指標(biāo)可能有不同的側(cè)重和喜好，因此采用目標(biāo)加權(quán)法將多目標(biāo)問(wèn)題轉(zhuǎn)化為單目標(biāo)規(guī)劃問(wèn)題，以權(quán)重系數(shù)來(lái)體現(xiàn)用戶(hù)對(duì)各可信特征指標(biāo)的偏好，Wk(k=1,2,3)表示可信特征TFk在可信特征集中的權(quán)重。IIP下制造服務(wù)的可信特征TFk依次取信譽(yù)度、保真度和協(xié)作狀態(tài)，則服務(wù)可信特征集的目標(biāo)函數(shù)如下：

(19)

4 制造服務(wù)可信特征的識(shí)別與分類(lèi)

制造服務(wù)的可信特征識(shí)別是通過(guò)獲取和分析與服務(wù)可信特征相關(guān)的狀態(tài)屬性對(duì)可信特征進(jìn)行分類(lèi)。由于IIP多擾動(dòng)的制造環(huán)境以及復(fù)雜制造任務(wù)下服務(wù)協(xié)作引起的動(dòng)態(tài)變化，制造服務(wù)所關(guān)聯(lián)的高容量、高維度的服務(wù)樣本數(shù)據(jù)易受干擾，導(dǎo)致相同服務(wù)狀態(tài)下的樣本性質(zhì)會(huì)有所波動(dòng)。為此，本文利用去噪自編碼器(Denoising Autoencoder, DAE)來(lái)識(shí)別制造服務(wù)的可信特征，將少數(shù)類(lèi)可信服務(wù)樣本與多數(shù)類(lèi)區(qū)分開(kāi)來(lái)，提高少數(shù)類(lèi)可信服務(wù)樣本的分類(lèi)精度。如圖5所示為自編碼器(AutoEncoder, AE)的模型圖和訓(xùn)練算法流程圖。模型圖表示的是無(wú)監(jiān)督的逐層預(yù)訓(xùn)練階段，即前一個(gè)AE的隱層數(shù)據(jù)作為后一個(gè)AE的輸入。

以x和y作為編碼器的輸入和輸出，對(duì)于單層編碼器，其輸出可以表示為：

h=f(Wxhx+bxh)。

(20)

式中：f為非線(xiàn)性轉(zhuǎn)換激活函數(shù);Wxh為編碼器的權(quán)重;bxh為偏置項(xiàng)。編碼器通過(guò)非線(xiàn)性映射將輸入向量x轉(zhuǎn)換為隱層表示h。對(duì)于單層解碼器，其輸出可以表示為：

(21)

(22)

重構(gòu)誤差函數(shù)一般選擇均方誤差函數(shù)，即每個(gè)輸入值與重構(gòu)值之間歐氏距離的均方。

(23)

(24)

在模型設(shè)計(jì)階段，可信閾值θ可以通過(guò)網(wǎng)格搜索優(yōu)化參數(shù)，并將RE作為可信評(píng)分，RE較高的輸入數(shù)據(jù)被認(rèn)為是不可信的。被訓(xùn)練過(guò)的DAE模型將以非常低的RE重構(gòu)可信服務(wù)輸入數(shù)據(jù)，而對(duì)于差異化較大的不可信服務(wù)數(shù)據(jù)則無(wú)法成功。所提方法的具體步驟如下：

(1)采集制造服務(wù)相關(guān)指標(biāo)的原始數(shù)據(jù)。

(2)根據(jù)正常服務(wù)數(shù)據(jù)集設(shè)置相關(guān)參數(shù)和標(biāo)準(zhǔn)閾值，選擇sigmoid激活函數(shù)來(lái)設(shè)計(jì)DAE模型。

(3)不經(jīng)過(guò)特征提取，待測(cè)服務(wù)數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)預(yù)處理后被劃分為訓(xùn)練樣本和測(cè)試樣本。

(4)將DAE模型直接用于訓(xùn)練樣本的無(wú)監(jiān)督特征學(xué)習(xí)。

(5)添加噪聲，計(jì)算每次訓(xùn)練樣本服務(wù)數(shù)據(jù)的重構(gòu)誤差直至達(dá)到樣本容量，通過(guò)函數(shù)的優(yōu)化完成訓(xùn)練，RE高于閾值為非可信服務(wù)數(shù)據(jù)，低于閾值則為可信服務(wù)數(shù)據(jù)。

(6)采用測(cè)試樣本驗(yàn)證所提方法可行性。

5 案例分析

如圖7所示，智慧物流平臺(tái)利用RFID、條碼自動(dòng)識(shí)別等感知技術(shù)感知與貨物相關(guān)的制造場(chǎng)景、物流服務(wù)，然后通過(guò)各類(lèi)網(wǎng)絡(luò)通信技術(shù)進(jìn)行數(shù)據(jù)傳輸，實(shí)現(xiàn)物流各活動(dòng)環(huán)節(jié)的人、貨、車(chē)、路等信息的交互，進(jìn)而推進(jìn)平臺(tái)對(duì)運(yùn)輸、倉(cāng)儲(chǔ)、調(diào)度、訂單、客戶(hù)、貨物等各類(lèi)業(yè)務(wù)的綜合管理和協(xié)同共享。

本文以某智能倉(cāng)儲(chǔ)管理系統(tǒng)數(shù)據(jù)為案例進(jìn)行研究。挑選5種的倉(cāng)儲(chǔ)服務(wù)狀態(tài)(如表3)，包含1種正常的可信服務(wù)狀態(tài)和4種異常服務(wù)狀態(tài)，每種狀態(tài)包含180個(gè)樣本，其中可信服務(wù)的特征集為{庫(kù)存模型保真度，倉(cāng)儲(chǔ)服務(wù)信譽(yù)度，出/入庫(kù)服務(wù)協(xié)作狀態(tài)}。從每一類(lèi)服務(wù)特征數(shù)據(jù)集中隨機(jī)選擇樣本作為訓(xùn)練樣本和測(cè)試樣本，比例為2∶1，即每類(lèi)數(shù)據(jù)有120組訓(xùn)練樣本，60組測(cè)試樣本，每個(gè)樣本的數(shù)據(jù)長(zhǎng)度為100。將所提方法與支持向量機(jī)(Support Vector Machines, SVM)、標(biāo)準(zhǔn)AE模型進(jìn)行比較。為了減少隨機(jī)因素的影響，每種方法重復(fù)運(yùn)行15次。

表3 智能倉(cāng)儲(chǔ)管理系統(tǒng)的5種服務(wù)狀態(tài)

以其中某一組服務(wù)樣本為例，列出其指標(biāo)體系中的相關(guān)數(shù)據(jù)及計(jì)算結(jié)果，如表4所示。不難看出，服務(wù)狀態(tài)1的可信特征值明顯高于其余4種服務(wù)狀態(tài)，且異常服務(wù)的可信特征值因其異常原因在具體的特征指標(biāo)上將與可信服務(wù)存在明顯的數(shù)值差距。

表4 不同服務(wù)樣本數(shù)據(jù)匯總

續(xù)表4

對(duì)第1次試驗(yàn)結(jié)果進(jìn)行可視化處理，繪制不同方法下各類(lèi)特征的三維核主成分散點(diǎn)圖，如圖8所示，坐標(biāo)軸依次指代主成分的第一分量、第二分量和第三分量。圖8a為基于SVM識(shí)別和分類(lèi)服務(wù)特征的散點(diǎn)圖，圖中服務(wù)狀態(tài)散點(diǎn)密集且交錯(cuò)，表明SVM的服務(wù)特征識(shí)別能力最弱;圖8b為基于標(biāo)準(zhǔn)AE識(shí)別特征的散點(diǎn)圖，圖中狀態(tài)1與狀態(tài)3以及狀態(tài)1與狀態(tài)2散點(diǎn)存在明顯交叉，表明AE的服務(wù)特征識(shí)別能力存在明顯不足;圖8c圖為基于DAE方法識(shí)別服務(wù)特征的散點(diǎn)圖，圖中不同服務(wù)狀態(tài)間存在明顯的分離。綜合來(lái)看，所提出的DAE方法更有利于服務(wù)的可信特征和狀態(tài)的分類(lèi)。

如圖9所示為多次試驗(yàn)后三種方法訓(xùn)練誤差數(shù)據(jù)擬合成的訓(xùn)練誤差曲線(xiàn)。SVM的訓(xùn)練誤差最終收斂在0.475左右。AE是具有深度結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，但由于AE不能有效地訓(xùn)練深度結(jié)構(gòu)，導(dǎo)致其誤差收斂曲線(xiàn)波幅較大。隨著迭代次數(shù)的增加，AE訓(xùn)練誤差最終收斂至零線(xiàn)附近。本文所提方法是基于深度結(jié)構(gòu)對(duì)輸入數(shù)據(jù)添加噪聲進(jìn)行訓(xùn)練的，DAE誤差曲線(xiàn)能較快地收斂至零線(xiàn)附近，因此相對(duì)于SVM和AE具有更好的識(shí)別性能。

如圖10所示，在多次試驗(yàn)后，DAE的識(shí)別準(zhǔn)確率在98%附近上下小幅波動(dòng)，AE試驗(yàn)識(shí)別準(zhǔn)確率集中在87.52%～91.26%范圍內(nèi)，SVM的識(shí)別準(zhǔn)確率在77.21%～83.15%范圍內(nèi)，準(zhǔn)確率整體偏低，特征識(shí)別精度不穩(wěn)定。

為了能更加具象地對(duì)比3種方法的識(shí)別精度，對(duì)15次試驗(yàn)樣本的識(shí)別準(zhǔn)確率取平均值，如表5所示。在特征識(shí)別精度方面，所提方法最高，平均識(shí)別準(zhǔn)確率為97.95%；SVM最低，平均識(shí)別準(zhǔn)確率僅為79.14%。綜上所述，本文所提方法的特征識(shí)別能力與泛化性能相比于AE和SVM兩種方法均有明顯的優(yōu)勢(shì)，驗(yàn)證了方法有效性。

表5 特征識(shí)別結(jié)果對(duì)比

6 結(jié)束語(yǔ)

隨著工業(yè)互聯(lián)網(wǎng)平臺(tái)的快速發(fā)展，平臺(tái)下的制造服務(wù)是否可信成為了工業(yè)聯(lián)網(wǎng)平臺(tái)落地實(shí)施的關(guān)鍵問(wèn)題。為了確保接入工業(yè)互聯(lián)網(wǎng)平臺(tái)的制造服務(wù)可信，本文通過(guò)分析制造平臺(tái)間制造服務(wù)可信特征的區(qū)別和聯(lián)系，圍繞制造服務(wù)映射保真、服務(wù)信譽(yù)、協(xié)作狀態(tài)3個(gè)方面，給出了工業(yè)互聯(lián)網(wǎng)平臺(tái)下的制造服務(wù)綜合可信特征指標(biāo)體系，提出了工業(yè)互聯(lián)網(wǎng)平臺(tái)下的制造服務(wù)可信特征識(shí)別框架及其關(guān)鍵技術(shù)，并設(shè)計(jì)了基于去噪自編碼器的制造服務(wù)可信特征分類(lèi)方法，最后通過(guò)智慧物流服務(wù)的案例仿真對(duì)所提方法的有效性和優(yōu)越性進(jìn)行了驗(yàn)證。

本文針對(duì)工業(yè)互聯(lián)網(wǎng)平臺(tái)的制造服務(wù)可信特征研究只是一個(gè)初步的嘗試。在實(shí)際應(yīng)用中，還需要做大量的工作。未來(lái)的研究將集中在以下方面：①細(xì)化并完善工業(yè)互聯(lián)網(wǎng)平臺(tái)制造服務(wù)可信特征指標(biāo)體系；②工業(yè)互聯(lián)網(wǎng)平臺(tái)內(nèi)制造服務(wù)管理和精確的服務(wù)需求匹配；③工業(yè)互聯(lián)網(wǎng)平臺(tái)中服務(wù)應(yīng)用的安全保障、可靠性和管理技術(shù)。