制造业是强国之基，从根本上体现一个国家的综合实力和国际竞争力．技术作为制造模式更迭的动力源，在经济全球化4.0成型的过程中，面向服务技术、工业互联网、云计算、大数据等先进科学技术与先进智能制造技术的发展，驱使现代制造业从面向生产力转向面向服务、高度协作、资源共享、知识密集的方向发展．各个国家为打造具有国际竞争力的制造业，积极出台相关的战略计划，推动制造业向智能化、数字化、服务化、绿色化转型升级．2011年，德国政府正式推出“工业4.0”战略；英国政府在2008年推出“高价值战略”，并在2013年推出《英国工业2025战略》；中国在2015年推出第一个制造强国战略的十年行动纲领《中国制造2025》；2018年，美国国家科学技术委员会发布了《美国先进制造业领导战略》．各个国家的战略目标都将先进制造技术作为经济浪潮中的立足点，不断成熟的先进技术为新一代智能制造的变革提供了发展空间和可靠保障，云制造作为一种面向服务的制造模式，顺应制造模式的发展趋势，引发了学术界和企业界的研究热潮．在新一代人工智能技术的引领下，云制造系统将被赋予自我感知、自主决策、智慧配置等创新服务能力[1]，目前已经广泛应用于航空航天[2]、3D打印[3]、数字医疗[4]、农业生产[5]、智慧物流[6]等面向不同服务的制造领域．资源作为云制造环境中的核心元素，通过互联网、物联网等感知与通信技术实现资源与资源、资源与云端平台、资源与人的有机联接．资源以数字的形式进行通信与交互，以服务的形式被访问与管理，并以物理实体执行生产任务．因此，云制造模式运行的实质可被归纳为在社会市场中不同场景下，资源的接入、配置与服务．资源从接入到服务，资源发生一系列的状态、位置、价值、能量等的变化，制约着整个制造系统的生产效率与效益．因此，本文以云制造为研究对象，以资源流为研究主线展开云制造研究的综述，对掌握云制造的当前现状、把握云制造的发展趋势具有重要的现实意义．1 研究方法和数据本文采用叙述性综述和文献计量法相结合的方式展开讨论，叙述性综述定性描述现有的研究成果，并从文献中发掘潜在的研究重点；文献计量法定量分析研究现状，客观地对研究领域成果进行分析，为当前和未来的研究趋势提供数据支撑．1.1　数据来源及检索方式云制造概念由李伯虎院士于2010年正式提出，经过相关研究者十多年的研究探索，已积累不菲的成果．本文限定检索计量分析文献成果的分布时间为2010年1月－2021年10月．SCI作为国际公认进行科学统计与科学评价的主要检索工具，以Web of Science核心数据库作为文献数据的重要来源之一，以TS=“cloud manufacturing”OR TS=“manufacturing of cloud”，时间范围为2010年1月－2021年10月进行检索，检索到相关文献共976篇．从Web of Science的检索分析结果发现，云制造相关的文献成果主要集中在中国，约占文献成果的61%．进一步，在中国知识基础资源数据库(CNKI)进行“主题=云制造，时间范围为2010－2021年，同义词扩展，学术期刊”检索，并对一些资讯类、报道类等类型的文献进行选择、排除，最终收集827份文献信息．综上所述，本文计量分析文献集中在2010－2021年期间Web of Science核心数据库和CNKI中检索到的1 803篇相关文献，所有的文献记录分别导入到EndNote和VOSviewer软件，Endnote执行文献和引文管理，VOSviewer用于分析相关文献的信息，并进行知识信息的挖掘和可视化．1.2　论文产出分析从图1可以得出云制造当前的发展趋势，云制造研究领域的第一篇文献发表于2010年，相关文献发表数量从2011年开始急剧增长，并保持持续增长的趋势．随着我国不断加大对智能制造领域的支持力度，2018年达到239篇的产出高峰．从折线图的整体趋势上来看，云制造的成果产出可观，积累了丰富的理论成果．在此基础上，云制造的深度应用落地是下一研究焦点，具有广阔的研究前景．10.13245/j.hust.220602.F001图1云制造相关文献数量的增长趋势图1.3　关键词分析根据关键词的词频分布，可直观把握云制造领域的核心研究内容和研究热点．首先进行关键词的预处理，合并中英文、同义词、近义词、缩写或全拼以及不同词性的词，并将与文献领域区别较大的关键词剔除．完成上述过程后，使用VOSviewer工具实现词频统计，如图2所示．词频统计通过字体和圆圈的大小表示对应关键词词频，颜色表示不同10.13245/j.hust.220602.F002图2云制造相关术语的词频统计分布图的聚类簇．通过词频统计发现，云制造的研究涉及广泛的专业领域，以云制造为核心，以云计算、物联网、物理信息系统等为技术基础，围绕系统平台、服务组合、资源建模、优化算法、技术融合等研究方向展开科研工作．进一步地，收集近五年内(2017－2021)云制造的相关研究综述，表 1中综述文献围绕以云制造理论、资源配置、资源调度等为核心对云制造研究进行综合分析．云制造作为一种智能制造新模式，依赖计算机信息系统，服务于制造产业，对于物理资源与信息数据的依存与转化有待关注．10.13245/j.hust.220602.T001表 1云制造研究综述年份题目综述主题2017云制造资源优化配置研究综述[7]资源配置2017Cloud manufacturing-a critical review of recent development and future trends[8]基础理论2018云制造环境下的资源调度研究综述[9]资源调度2019Scheduling in cloud manufacturing：state-of-the-art and research challenges[10]调度2020Cloud manufacturing in China：a review[11]基础理论2020Scheduling in cloud manufacturing systems：Recent systematic literature review[12]调度2020Theory，supporting technology and application analysis of cloud manufacturing：a systematic and comprehensive literature review[13]基础理论2021云制造服务组合研究综述[14]服务组合优化2021Assessment of researches and case studies on cloud manufacturing：a bibliometric analysis[15]应用案例、文献计量为阐明云制造系统中的资源流动及资源与服务的转化，本文根据资源不同阶段的存在形式，结合计量分析法和叙述法，围绕资源流的关键过程(包括云制造的研究基础、资源服务化研究和资源配置三个阶段)，对158篇文献进行叙述性分析，描绘云制造研究进展．进一步，采用文献计量法分析资源流动不同阶段的研究现状，给出定量依据．最后，结合最新科学技术，包括5G技术、知识图谱、数字孪生等，给出新技术驱动下的云制造新模式．本文以资源流为综述主线，全面地分析云制造的相关研究成果，结合叙述性综述法和文献计量法，以文献为依据，以数据为支撑，实现云制造相关研究的发展现状及整体趋势把控．2 云制造理论研究基础2.1　云制造定义及相关概念云制造模式及云制造概念最早在2010年由中国工程院院士、北京航空航天大学李伯虎教授[16]提出，定义云制造为一种新型网络化制造模式，给出云制造模式的运行机制、所解决的问题及关键技术等，并搭建云制造服务平台系统．李伯虎、张霖等[17]对云制造的概念进一步拓展：云制造是一种面向服务、高效低耗和基于知识的网络化、敏捷化制造新模式和技术手段．表2为被引频次较多的文献中研究人员对云制造的定义，从表2可知：虽然对云制造不存在统一的定义，但其核心概念不断推动云制造理论趋于完善，提高云制造服务平台应用的可行性和可靠性．基于已有云制造理论的相关研究，构建如图3所示的云制造系统运行原理图．10.13245/j.hust.220602.T002表2其他研究者对云制造的定义年份作者定义被引次数2010李伯虎等[16]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．1 3422010杨海成[18]云制造是面向区域、行业或企业，借助先进的信息技术，实现对产品开发、生产、销售、使用等全生命周期的相关资源的整合，提供标准、规范、可共享的制造服务的制造模式．1782011陶飞等[19]云制造是通过云计算技术实现软件、计算、知识等资源的组织、管理与共享，通过物联网和嵌入式技术等实现物理设备的自动接入、管理、监控与共享，并通过标准的虚拟化与面向服务的技术，对各类制造资源、制造能力、制造知识(制造云)进行自动配置与部署，构建一个自治的、自维护的、动态扩展的制造服务云体系，从而在高性能计算等技术的支持下，实现制造云服务的自动租赁、智能匹配、成本优化、智能结算及支付、数据安全等管理，通过任务模式匹配、任务自动分解技术和协同服务技术，为制造云中的终端用户提供按需、自助、敏捷的商业制造服务平台．4372011Tao， et al[20]Cloud manufacturing is a computing and service-oriented manufacturing model developed from existing advanced manufacturing models (e．g．，ASP，AM，NM，MGrid) and enterprise information technologies under the support of cloud computing，IoT，virtualization and service-oriented technologies，and advanced computing technologies．3582014Zhang， et al[21]Cloud manufacturing (CMfg) is a new manufacturing paradigm based on networks．It uses the network，cloud computing，service computing and manufacturing enabling technologies to transform manufacturing resources and manufacturing capabilities into manufacturing services，which can be managed and operated in an intelligent and unified way to enable the full sharing and circulating of manufacturing resources and manufacturing capabilities．51510.13245/j.hust.220602.F003图 3云制造系统运行原理2.2　资源流的关键技术云制造系统中，资源遵循一定的流动模式及路径，有向地从资源流上游向下游流动．资源流动包括资源、资源接入与封装、资源整合、资源存储与服务等一系列过程，实现资源的感知、接入、管理与维护，形成系统的资源服务模式．围绕资源共享、价值创造、用户参与、供需匹配、按需使用及个性化定制的制造发展趋势[21]，先进制造技术、计算机技术和信息技术协同其他新兴技术，旨在实现分散资源集中管理，分散用户集中服务，极大程度上促进资源的流动性，关键技术如下．a．云计算技术云计算对分散的、可网络访问的、可配置的计算资源(如网络、服务器、存储、应用程序等服务)，采取软件即服务、平台即服务、基础设施即服务等先进商业服务模式实现按需服务和计费．云制造拓展出“制造即服务”“仿真即服务”“控制即服务”[22]“云制造即服务”[23]等服务模式，实现制造企业的业务流程和生产服务的分离[24]．资源流过程涉及跨时空域的请求及响应，云制造系统采用分布式服务架构，利用云计算技术构建资源管理系统，对本地资源和物理过程远程监控、访问、配置、调度和维护[25]．系统需要高速可配置的计算资源为云平台提供强大的计算能力和远程分析能力，对产品的设计、加工、生产等服务决策提供数据支持，且云计算技术在容错性、安全性等方面为资源流的有序运动提供有力的技术保障[26-27]．b．资源物联技术物联技术是实现智能车间、智能工厂、智能物流和智能能源的基础[28]，解决生产链中信息孤岛的问题．制造资源是资源流的要素，资源的感知、接入与通信等物联搭建资源流交互体系，通过无线或云网络基础设施发送/接收数据，形成物-物交互网络，并提供云服务平台资源交互的接口支持，使得用户和管理者可有选择地与目标资源进行通信[29]．物理资源作为云制造服务交付的基础，通过先进的数据采集与传输技术，对物理设备、软件构件、知识文档等对象进行数据采集，通过无线、红外传输、互联网等通信技术接入远程云端，实现车间资源、企业资源和全球资源的信息共享、远程访问、远程控制、远程监测等，建立庞大的制造信息交互网络．同时，物联技术建立物理资源与信息服务的映射，实现更加灵活高效的资源配置．c．资源虚拟化技术资源虚拟化技术将底层资源的属性、能力等服务化封装，通过云平台统一接口协议上传到云端数据库，实现资源的高度虚拟化[30]．云制造系统中，资源主要以服务流动映射物理资源的动态流动，资源服务化是实现这一过程的必要阶段．作为资源服务化的核心技术[31]，虚拟化技术建立虚拟资源与物理资源本体映射关系，将物理资源转化为逻辑服务．云制造系统中，按照既定的描述、接入、封装、调用等标准及规范，将复杂的资源封装为模块化服务(如设计服务、加工服务、仿真服务、测试服务、维修服务、咨询服务和人力支持服务等)，这些逻辑服务将进一步被管理、调用或分配到不同的工作流中以满足产品全生命周期的个性化需求．d．资源云服务发现技术服务是资源主要的存在与流动形态，资源云服务发现技术作为云制造系统的最基础服务，融合搜索引擎、语义技术、推理技术等，从海量的服务池中准确发现并返回最佳的目标服务．云制造系统中，采用标准的形式化语言描述服务，通过在概念、数值、文本等不同维度上计算用户需求及服务描述(特征属性)间的相似度，进而在海量服务中搜索并定位到目标服务．通过资源云服务发现技术，云制造系统中注册封装的服务得以进行数字化配置与调度，虚拟执行实际生产中复杂的生产逻辑，确保资源服务可行性与可靠性．e．资源配置优化技术资源配置优化技术是在一定的约束条件下，通过既定的方法或策略对特定的资源配置优化问题建模并求解．基于资源配置优化技术，结合用户的个性化需求指标，驱使资源流效益属性朝最大化、均衡化方向优化．云制造中，资源配置优化包括服务组合、服务配置、资源调度、负载均衡等优化技术，尤其当云制造系统不断趋于完善，目标属性维度不断扩大，内部协调机制日趋复杂的背景下，资源配置优化技术将从用户交付体验、系统性能平衡等方面保障云制造系统的服务质量，最大化增值效益．除上述的技术，资源流过程不断融合新兴技术，包括区块链[31-34]、大数据[35-36]、雾计算[37]与数字孪生[38]等技术与云制造深度融合，解决资源流的效率、效益与可靠性等技术难题．2.3　云制造平台体系架构云制造平台是资源流虚实交互、优化迭代及运营管理的加持设施，是实现全社会资源循环流动的支撑平台．虽然网络化平台的研究已经获得很多成果，但多针对有限的资源或业务建立．云制造平台融合面向服务架构SOA服务松散耦合、协议独立的特点，并拓展云计算的计算资源服务到制造资源，实现跨地域制作服务的集合、管理和发布，为全球制造业的资源共享协同提供有效的解决方案．云制造平台体系架构集成资源、关键技术、基础工具、服务与人机交互等功能模块，目前云制造服务平台的研究主要有面向企业合作的资源共享平台[39]、集团企业服务平台[40]、地域性资源共享服务平台[41]、面向行业的服务支撑平台，如装备制造行业[42]、模具行业[43]、高分子材料行业[44]、钣金行业[45]等，面向中小企业的公共服务平台[46]，面向供应链物流的信息协同服务平台[47]等．通过已有云制造体系架构的分析发现，虽然研究成果具有不同的研究和应用背景，但为保证资源流在云平台架构的支撑下实现闭环流动，对云平台的架构的研究设计与构建，都围绕物理资源层、平台服务层和服务应用层三大核心层按需拓展，如图4所示．10.13245/j.hust.220602.F004图4云制造平台体系架构层次综上所述，从云制造的定义、关键技术的应用及多样化的体系架构等的研究表明，云制造是行业标准、制造模式、经济模式等的综合，其整合产品全生命周期服务技术、高性能计算引擎、全方位数据安全等多维度技术体系，驱动资源循环流动．在新一代人工智能支撑下，云制造模式为制造业产业发展与变革提供跨领域解决方案．3 云制造资源服务化云制造系统中，资源主要以逻辑服务的形态流动，因此，资源服务化是云制造系统中资源流动的必要阶段．本文考虑物理资源到逻辑服务转化两大核心过程：a．通过资源的感知与接入完成物理资源的信息传递，建立资源流中逻辑服务交互映射的接口与通信机制；b．利用资源本体建模技术设计资源描述模型，构建以逻辑服务存储的云服务资源池．3.1　资源的感知与接入资源的感知与接入是云平台实现资源集中管理的关键技术，也是物理资源虚拟映射为虚拟资源/服务的基础．如图5所示，物理资源作为生产过程中的执行端，通过互联网技术、物联与传感技术等实现资源的云端虚拟化接入，并以云平台为中间件间接实现资源间的数据交互与通信．从数据采集的方式来看，资源的感知与接入主要面向设备、工具等制造硬件资源，而制造软资源多以软件接口、人工输入等的方式接入云平台．因此，资源的感知与接入的主要涉及数据采集、解析、传输等方面研究．10.13245/j.hust.220602.F005图5资源的感知与接入数据采集的相关研究中，为实现生产设备信息的采集，张映峰等[48]给加工中心设备外加无线电射频识别(RFID)读写器、数显测量仪和天线等装置实现加工中心的静态属性、动态属性等状态信息数据的获取，并传输给远程工控机处理．陈建飞等[49]利用二维码实现工件加工信息的获取，结合RFID技术实时读取、传输并更新机床状态数据．在数据处理阶段，Liu等[50]构建分布式同频光栅感知系统，提高信号解调的速度．LYU等[51]采用动态帧争用时隙ALOHA算法，动态调整传输时隙和分组大小，解决数据传输过程中多信道冲突．数据传输过程中，李春泉等[52]通过Zig Bee无线技术实现三轴绘画平台的远程调用，避免有线传输布局、维护成本高的缺点．李瑞芳等[53]利用光栅传感技术实现制造装备的实时状态感知与数据收集，采用以太网、无线射频或无线网络接入云平台．胡铁南等[54]提出云现场总线协议和多协议转化模块，解决总线接口协议的异构性问题．综上所述，资源的感知与接入过程中，资源在传感器、通信装置等加持下被感知并建立与多维对象之间的通信机制，结合生产计划优化[55-56]、工艺规划[57]、加工过程的控制与监视[58]、预测维护[59]等实际的生产任务需求，全面掌控资源流动状态．3.2　资源本体建模服务可灵活地分解、组合成多功能、多类型、多规模的服务组合，以满足个性化服务供需配置．为快速响应用户需求，在云制造服务发现、调度、组合等过程中，资源以服务的形式参与流动．如图6所示，面向多类型资源，资源本体建模应用特定的资源描述语言对资源信息抽象处理，建立资源与可执行服务间的一致性映射关系，其中资源描述和资源建模是主要的技术实现过程．10.13245/j.hust.220602.F006图6制造资源(服务)描述、建模过程3.2.1　资源描述在云环境下，借助服务描述语言对资源的形态、参数、功能等特征属性和关系按照统一框架模型和标准形式化描述，映射物理资源到逻辑资源，进而开展服务的建模、部署、供应、发现、组合、配置等资源流活动[60]．云计算相关研究中证明，本体技术可以提高云服务发现的便捷性和智能性[61]．在云制造资源描述的研究中，Web服务的本体描述语言是形式化描述制造资源/能力的主要应用语言[62]，包括基于扩展标记语言XML[63]及为强化资源语义信息表示衍生的本体服务描述语言，如Web本体语言OWL[45]、Web服务描述语言WSDL[64]、描述逻辑DL[65]、面向服务的Web本体语言OWL-S[66]等．结合不同描述语言的特性，针对性采用混合的描述方法，如Zhao等[67]、Yu等[68]采用OWL对制造资源的静态属性描述，采用DLL对模型的动态特性进行描述．云资源服务描述语言为在不同系统、不同类型的资源封装提供统一的数据维护与管理模式，解决分布式环境下跨系统数据交互与功能调用的异构问题等．因此，研究人员在资源封装、服务调用及系统响应等统一标准下，设计或应用的服务描述语言确保描述文档的可读性、交互性与可推理性等．3.2.2　资源建模云制造系统面向广域制造业，导致资源流中资源对象具有多样性、复杂性、异构性和动态性等特征．除设计或应用合理的描述语言外，资源建模可确保资源信息的完整性，屏蔽资源的异构性，是服务高效调度、精准发现的基础[69]．分类建模能最大化确保模型对资源描述的完整性和准确性，根据接入资源的类型，资源对象主要分为制造资源和制造能力两大类，资源建模主要面向制造资源建模和面向制造能力建模，如图7所示．10.13245/j.hust.220602.F007图7云制造中的资源制造资源描述模型主要构建生产设备的静态和动态信息的描述框架，如图8所示．从资源信息的角度出发，制造资源建模在充分描述资源信息及其属性关系的前提下，确立数据格式及类型的统一标准，以保证制造资源在服务共享时信息的一致性．目前的研究中，制造资源建模主要对生产设备的功能、状态、服务质量(QoS)信息、过程信息等进行描述，如数控钻铣床[62]、板材余料资源[70]、立式加工中心[71]、卧式车床[72]、辊弯成形机[73]等，还包括外协锻造加工资源[74]等的功能、状态及其他信息的描述，上述研究成果充分推动制造设备资源服务化的研究进程．10.13245/j.hust.220602.F008图8制造资源本体描述框架云制造资源建模过程强调制造资源和制造能力以服务的形式聚合，不仅面向软硬件资源的建模，还解决知识、经验、人力资源等制造能力的建模问题．制造能力作为服务的核心载体，多数研究主要面向制造知识的描述，包括复杂曲面的多维知识云协同服务行为建模[75]、制造工艺本体特征、知识建模[76-77]、设备实时状态知识建模[68]、数控加工工艺资源[78]等．可知对于制造能力建模的研究，侧重于为生产知识的重用奠定基础．进一步地，制造知识的共享重用需求是制造能力建模的重要推动力，如Wang等[79]采用聚类分析的方法，对制造资源和能力进行分类描述，以保证用户需求的快速搜索和匹配；阴艳超等[80]对转轮叶片铣削加工过程中相关的各类加工设备信息、工艺规范、软件工具、经验参数等知识资源建立模型，以辅助加工制造过程；李向前等[81]对集团企业知识共享与重用建立知识服务模型；Li等[82]提出基于元数据的制造资源(物理资源和制造能力)本体建模框架．制造资源和制造能力的建模主要考虑面向不同类型资源，而资源建模的异同除面向对象外，还进一步考虑不同的描述语言，因此在3.2.1节的基础上，资源建模方法又可被分为面向服务描述的建模方法、基于描述逻辑的本体建模方法、基于动态描述逻辑的本体建模方法、面向服务的本体建模方法等．除基于描述语言的建模方法外，郑军等[83]将资源分为特征资源和辅助资源，提出基于制造活动的制造能力建模法，根据制造活动建立制造能力度量模型，构建企业的制造能力．白洁等[84]采用规范化标准服务清单建模方法建立领域服务本体库．综合3.1节和3.2节所述，资源服务化的实质为实现物理资源的数据化、虚拟化、服务化，融合物理生产状态、制造功能和仿真模型，实现物理空间向虚拟空间的资源映射，并通过物联感知技术，进行虚实空间的实时通信交互．在2012－2021年期间文献成果主要面向物理设备及其生产制造能力的建模，对制造过程中积累的知识、人力资源、维修记录等制造能力的服务化研究相对较少．造成上述研究局限的主要原因是传统企业的数据积累随企业变革和技术调整不断更新文件记录形式，多数的经验积累以非结构化形式存在，而且隐性知识难以表达捕获等技术瓶颈阻碍非结构化数据的结构化、知识化和服务化．以知识图谱为核心的新一代人工智能技术为复杂数据的知识转化提供了系统的技术体系，为制造数据的服务应用提供了技术解决方案，知识作为企业的重要竞争力资源，知识资源等制造能力的服务化已成为制造领域的研究焦点．4 云制造资源优化配置资源描述与建模过程使得物理资源转化为服务形态，如设计服务、加工服务、测试服务等；还包括与生产相关的服务，如咨询服务、培训服务、物流服务、维修服务等[85]，以满足产品全生命周期中涉及的所有与生产或产品相关的任务及其他服务需求，服务柔性配置等特性使得资源流动过程中物理资源被动态分配组合，资源对象的选择与优化配置是建立稳健资源流动的关键过程．在云环境中执行服务发现、匹配、组合优化、执行等过程，最后对可支配服务进行资源配置，实现物理资源的生产配置及任务执行，使用户服务需求满意度最大化．4.1　资源对象选择资源对象选择指聚合并筛选可满足当前任务需求的资源服务，以统一资源定位系统(URL)映射物理资源，极大降低云平台资源选择成本．资源对象选择过程分为服务发现和服务匹配两个阶段，如图9所示，服务发现阶段从所有服务集S1中返回满足用户的基本功能需求的服务集合S2；服务匹配阶段返回S2中可满足用户非功能性需求的服务集合S3．10.13245/j.hust.220602.F009图9资源对象选择流程4.1.1　服务发现模型服务发现模型依赖于资源本体建模(3.2节所述)为资源流提供资源发现机制．从Web服务发现的角度，服务发现模型至少实现功能性需求服务的发现，进而依据服务不同的静态属性参数和动态属性参数进行服务匹配以满足非功能性需求．假设用户需求R={r1，r2，…，ri}，服务资源池S={s1，s2，…，sj}，服务发现对服务资源池S中的所有服务sj初步筛选，确保所选服务能满足用户的功能性需求．当前云制造系统中服务发现的模型主要有基于本体和关键词的服务发现模型[86]、基于语义Web服务发现模型[87]、面向对象的Agent服务发现模型[88]、基于图论的服务发现模型[89]、基于谱系发现模型[90]及其联合服务发现模型[91]等．服务发现主要基于结构、关键词、语义、策略、工作流等方法，从资源池中查找满足用户功能性需求的服务，返回服务节点，以待后续组合成满足用户需求的服务流[92]．随着人工智能技术的发展，神经网络模型被应用于构建服务发现模型[93]，以快速识别服务类型，缓解实际服务发现的低效问题．4.1.2　服务匹配机制服务匹配即计算服务描述和需求描述的契合程度．服务匹配阶段，概念层次关系推理及相似度评估等方法对需求和服务的本体概念、类别、属性约束、QoS等特征综合匹配，当综合相似度Sim{sj， ri}≥θ时，sj作为当前ri的候选服务，其中θ为阈值．因此，服务匹配是量化需求与资源服务一致性比较的过程，构建服务流的服务优化空间，资源流的效率和效益将在服务优化空间中被自适应优化．在云制造系统中，服务匹配过程是基于信息检索技术的发展，由于文本数据具备复杂的语义与逻辑信息，自然语言处理(NLP)成为攻克文本匹配精度不足的核心技术．常用的文本相似度计算方法有基于词频统计、基于本体语义距离、基于特征向量模型、基于规则推理等方法．尹超等[94]和Xu等[95]根据服务和需求本体概念，计算概念语义距离的相似度，对约束性条件采用蕴含规则的方式进行服务匹配．Zhao等[96]通过构造概念轮廓的语义二部图计算概念相似度．Jiao等[97]采用潜在语义分析和本体距离计算综合语义相似度．Feng等[98]采用结合本体语义距离和动态描述逻辑推理相结合的层次化匹配方法计算语义相似度，实现制造资源输入-输出-前提-效果参数的推理和匹配．Yuan等[99]从五个信息层次，即基础信息、功能信息、状态信息、服务质量信息和制造能力信息进行多层次语义匹配及筛选，确保服务匹配的准确．资源建模影响匹配对象形式，从而影响服务匹配．如表3所示，Web服务匹配技术引领云制造中服务匹配技术的发展，其准确度依赖于NLP的发展，同义词、本体语义[100]等拓展明显提高匹配准确度的方法．10.13245/j.hust.220602.T003表3服务发现与匹配研究文献标题服务发现模型匹配技术匹配对象基于EAV模型和Solr架构的云制造资源发现方法[103]基于EVA衍生模型的服务发现Solr索引任务关键词与XML元模型描述文档云制造环境下设备资源与加工任务匹配研究[104]基于可拓物元模型的服务发现可拓度、真伪度、优度任务本体信息特征与资源本体信息特征云制造下基于功能需求的资源发现方法[105]基于聚类及资源功能需求的服务发现本体语义距离、KM算法请求与资源的基本描述、输入参数、输出参数A novel and efficient index based webservice discovery approach[106]基于非人工智能索引的服务发现多级排序索引请求与服务描述的功能参数与非功能参数A QoS-aware service discovery andselection mechanism for IoT environments[107]QoS感知服务发现k-随机游走策略、PAMSer算法请求与服务的QoS属性值A machine tool matching method incloud manufacturing using Markovdecision process and cross-entropy[101]基于强化学习的服务发现马尔可夫决策、交叉熵请求与机床服务的特征描述KSN：一种基于知识图谱和相似度网络的Web服务发现模型[102]基于知识图谱的服务发现词嵌入、图嵌入请求与服务的描述文档基于区间和灰色关联度的云制造服务匹配方法[108]基于QoS不确定性的服务发现区间数、灰色关联度请求与服务的资源类型、描述和质量信息目前，基于深度算法、预训练模型的方法被验证可提升语义匹配准确度，但由于云制造属于制造领域垂直应用，数据样本极大限制深度语义匹配的技术应用．随着人工智能技术在Web服务发现领域的应用与发展，Li等[101]和于杨等[102]充分利用强化学习、嵌入技术、知识图谱等技术以更好地促进服务发现与匹配的准确性与完备性，建设完善的资源服务发现体系．4.2　服务的组合优化资源流效益从根本上受限于候选资源集合，考虑社会经济、环境、效率等因素，为使资源流价值最大化，对资源的组合优化研究是必要的，其中服务组合是实现资源流(虚拟资源流)效益最大化的关键．在一定需求约束下，保证服务可以按照一定的执行结构(如顺序、选择、并行、循环等结构)流程满足用户的生产需求的必要过程．当前研究中，服务组合主要的方法有基于图论的服务组合法，基于工作流程的服务组合法，基于形式化描述的服务组合法和基于人工智能的服务组合法等．服务选择过程中，针对不同的用户需求和用户约束，单个服务难以满足用户的复杂生产需求，多数情况下需要多个服务的协同，而大量功能类似但约束不同、数量不同、工艺不同的云服务使得制造任务得以由不同组合的服务完成．考虑到生产制造过程中诸如成本、时间、能耗等制约因素，服务组合优化成为平台能否返回用户满意服务的关键．在云制造服务匹配的研究中(4.1.2节所述)，服务综合匹配分数可作为一种服务组合优选的依据，如马仁杰等[108]通过综合计算服务资源类型、描述、QoS属性、需求偏好和用户反馈的综合相似度作为服务优选的依据，结合机器学习，如神经网络回归预测[109]、马尔可夫决策[101]等方法，对比启发式优化算法具有更高效的计算效率．但是上述方法只适用于单个需求-服务对的匹配选择问题，因此本节内容摒弃上述服务优选方法，着重面向多任务云服务组合优化模型和优化算法进行分析．4.2.1　服务组合优化模型服务组合本质上是资源流成形的过程，服务组合优化实质为资源流成本、能耗、效率等特征优化的过程．因此，围绕以服务质量评价体系、柔性评价以及自定义约束指标等为主的评价指标构建优化问题模型．其中服务质量既反映资源的属性信息，又反映是否满足用户的满意度[110]，已广泛应用于云制造服务组合优化指标中，主要的研究如下．a．基于静态QoS的服务组合优化模型．服务质量指标选择最佳可用Web服务的重要指标，典型的QoS指标包括成本、时间、可用性、可靠性等．易安斌等[111]以时间、成本、可靠性为约束目标建立设备服务的选择优化模型．考虑云制造系统的环境影响和资源效益，Yang等[112]在QoS基础上，引入能源消耗指标，以保证组合服务的低能耗．b．基于动态QoS的服务组合优化模型．大多数基于QoS的服务组合算法都假设服务的QoS值或期望的QoS指标为固定的，而实际中用户期望QoS属性及属性值往往是动态模糊的．针对QoS属性的动态特性，Cui等[113]建立服务评价度量池，基于历史记录统计分析自适应评估指标．c．基于柔性评价服务组合优化模型．柔性是评价服务在应对由外部因素或内部因素引起的不可预期变化时的快速响应能力．Guo等[114]、祝爱民等[115]、刘开等[116]和曾珍香等[117]对柔性影响因素(如服务的加入、撤销、服务状态变更、服务关系变更、任务变更、技术故障、用户需求变更等)和柔性评价指标(如服务柔性、制造资源柔性、任务柔性、效率柔性、协作柔性、问题响应柔性、质量柔性以及云平台柔性等)等进行综合研究．云制造服务组合优化模型的多数研究本质上是基于单个优化目标的，有一定局限性．进一步考虑实际的生产执行环境，陈友玲等[118-119]从资源提供方角度提出信誉度和付款速度指标，构建基于资源提供方和服务需求方的双向选择的组合优化模型；考虑组合内部的协同关系，建立协同效应评价模型和QoS评价模型结合的组合优化模型．Li等[120]在QoS评价的基础上，构建实现服务配置度最大、协同度最高、组合熵最低的优化模型．马文龙等[121]建立异常自适应调整的组合优化模型，刘波等[122]和刘卫宁[123]等建立面向多任务请求的组合优化模型．4.2.2　服务组合优化算法服务组合的优选问题是典型的NP难问题，因此高效率的智能算法成为云制造服务组合优化的研究重点．目前解决云制造服务组合优选问题的算法主要有遗传算法[124]、蚁群算法[125]、人工蜂群算法[126]、教-学算法[127]、布谷鸟搜索算法[128]、集成优化算法[129]、粒子群算法[130]和动态人工蚁-蜂群算法[131]等，表4为研究人员在云制造的服务组合优化算法方面的研究．10.13245/j.hust.220602.T004表4服务组合优化研究作者评价指标算法名称算法的特点Xiang等[132]时间、成本、可靠性、能耗群领导-Pareto算法(GLA-Pareto)随机个体采用三种变异策略；单向单点交叉算子；QoS无量纲目标函数Que等[133]时间、成本、可靠性、可用性自适应免疫遗传算法(IEIGA)采用信息熵自适应调整变异和交叉概率易安斌等[111]时间、成本、可靠性带精英策略的快速非支配排序遗传算法染色体去重；AHP和EVM相结合计算组合权重系数蔡安江等[134]时间、成本、可用性、准确性、创新、可信度基于多中心涡流搜索算法借鉴粒子群算法，建立多涡流中心同时搜索；涡流中心自适应更新Yang等[112]时间、成本、可靠性、可用性、能耗灰狼优化算法提出新的控制因子；改进位置更新策略Akbaripour[135]时间、成本混合帝国竞争算法(HICA)景观分析算法；智能改变算子谢程龙等[136]成本、时间、合格率、可靠性、可维护性自适应差分进化算法(JADE)正太分布的变异概率；反向种群初始化4.3　资源调度不同于云制造服务组合优化环节最大化虚拟资源流的效益与效率，资源调度优化的本质是物理资源流最优配置等过程，在云平台中，同一制造服务映射的制造资源分布于不同的空间位置[137]，且资源流处于真实生产环境中，面临更多的生产环境因素的影响．综合考虑生产周期、资源利用率、生产环境等实际生产需求，对资源进行分配与重分配，保证实际的资源调度计划切实驱动资源流动，满足用户生产需求，为企业提供良好的增值解决方案．根据资源分布，资源流动范围包括面向车间级、企业级甚至行业级等．其中车间级资源调度为主要研究问题，鲁建厦等[138]以最小化最大完工时间、均衡化零部件生产和最大化零件车间机器利用率为优化目标，设计两级递阶结构的混合生物地理学优化算法，解决混流混合车间的生产调度．考虑实际生产环境的不稳定性，王军强等[139]针对作业车间机器进行能力聚类界定，并验证不同扰动水平下作业车间的机器调度模型的性能．Yuan等[140]以装配线重构成本、负载均衡和延迟工作最少为目标，采用基于距离排序的粒子群优化算法实现资源的调度．Helo等[141]对钣金生产线进行流水线作业调度，解决生产线上资源调度的问题．Qian等[55]针对用户的不同需求，研究了工业园区制鞋资源的调度问题．另一些研究者对企业级资源调度展开研究，王旭亮等[142]以成本最低、物流距离最短为目标建立企业协同生产调度算法．Hu等[143]采用层次分析法对基于制造任务负荷、制造效率、制造资源丰富度、制造任务可靠性和物联网匹配度五个指标进行重要性排序，使用混沌优化算法实现企业方案的调度优化．综上所述，资源配置阶段实现资源以服务的形式被发现、匹配和组合，并考虑实际生产环境，进行资源调度，最终完成资源配置．在资源配置过程中，服务发现的研究多借鉴计算机领域中基于Web服务发现技术模式的研究，且基于研究成果的应用规则和应用领域．实际生产过程中云制造系统的服务发现过程，仅用户请求和云服务匹配的语义计算会消耗大量的计算资源，而且在实际的生产过程中，面临不同解析难度的输入请求．因此，应用多重推荐器对不同解析难度的匹配提供不同的语义计算方法；过滤算法将通过对用户请求进行需求和潜在需求分析，将用户的服务需求限定到局部服务信息空间，以减少计算量；自然语言处理领域中深度学习算法及预训练模型的发展，可初步应用到制造领域的语义匹配中，未来将极大提升对云制造服务发现的准确性及效率．针对云制造服务组合优化环节资源配置问题，进一步采用文献计量法进行云制造中服务组合优化相关文献的分析．图10描述了每年云制造中服务组合优化相关文献与云制造相关文献总数的比例，红色线条呈现出逐年上涨的趋势，表明服务组合优化将长期作为云制造领域的热门研究方向．10.13245/j.hust.220602.F010图10服务组合优化相关文献占比从检索到的文献中筛选服务组合优化相关文献158篇，其中对服务组合优化算法的研究占比为66%．服务组合优化研究中，多采用基于QoS评价指标进行组合优选建模，而实际的生产过程环境复杂，综合服务柔性评价、信任评价的研究更符合真实的需求．通过对服务组合优化算法文献的统计发现，针对多个服务评价指标，多目标优化问题多通过(线性/非线性)加权转化为单目标优化问题，大约占相关文献成果的80%，目的是降低运算复杂度，但其权重选择有很强的主观性．另一部分研究采用多目标优化求解出满足约束条件的帕累托(Pareto)最优解，约占相关文献成果的20%．在计算机性能不断提升的技术发展中，Pareto最优解耗时缺陷弱化，但多目标Pareto最优解集对内部评价指标属性的协调僵硬，如何积极利用卡尔多-希克斯效率等准则策略解决多目标问题将成为未来的重点研究方向．在云服务发现和组合优化阶段伴随复杂的调度进程，包括服务调度、任务调度、资源调度等．云制造的调度研究集中于服务的调度和任务的调度，实现生产任务的有序完成．通过文献统计，多数资源调度的相关文献其实质为服务发现过程中对服务的筛选与分配，针对实际生产中的资源调度的研究较少．在实际情况下，一方面由于用户和服务提供者之间的信息不对等，服务厂商不能延迟响应，资源的柔性调度是服务的执行契合实际的生产计划的保障；另一方面云制造平台服务的最终目标是为整个制造行业的高效协同提供解决方案，须要解决的调度问题更加复杂，因此后续对云制造系统中资源调度的调度机制、调度策略、调度模型及相关算法仍有待进一步分析研究．5 讨论5.1　新技术应用云制造作为多技术融合的体系，以工业互联网、云计算为基础技术，结合5G技术、知识图谱、数字孪生等高新技术，本文以3D打印为例，给出如图11所示的云制造模式新体系．10.13245/j.hust.220602.F011图 11云制造新模式案例5.1.1　3D 打印技术可网络监控执行的物理资源(如3D打印、数控机床(CNC)、自动巡航车(AGV))是云制造模式落地的首选物理对象．3D打印技术解决了传统产品设计和制造工艺的难题[144]，简化传统供应链的复杂交付环节，最大化减少零部件的生产、装配过程，多链销售，跨链均衡，实现多服务价值链协同．3D打印云制造平台将打印需求和打印资源建立服务联系，通过跨域任务发布、分解、分配、团队协作、产品打印、加工与交付等流程化处理[145]，提供面向广域服务需求的3D打印服务．5.1.2　5G移动通信技术云制造系统接入跨地域企业、资源及用户等主体，尤其智能设备的接入，导致数据即时传输与通信的时延、带宽等性能需求指标上升．5G移动通信技术的低时延、高传输率和大规模连接支持等特性优化工业互联网性能，建立边缘计算系统与边缘设备间的实时稳定通信[146]．在物流仓储与状态监控等情景下，5G移动通信技术的服务供应和实时能力保障大规模主体的跟踪监测与通信联结的可靠性[147]．5.1.3　知识图谱技术利用知识图谱技术挖掘、加工、整合、存储、管理资源流动过程中产生的一切知识，包括制造专业知识、文献、工艺、装备设计、图纸、生产流程、应用软件等[148]，旨在使资源的配置、服务执行等过程更高质量、更高效地输出[149]．知识图谱对制造知识形式化表达、图谱自动构建、制造知识推理等技术为云制造模式各个环节的数据挖掘与知识转化，提供物流优化配送、个性化服务推荐、设计方案生成等更高效、更智能的云服务[150]．5.1.4　数字孪生技术数字孪生技术作为智能制造中虚拟与现实交互的技术，在云制造系统全过程中，可建立高保真度仿真模型，包括虚拟环境、数字设备、生产模拟等可视化功能模型[151]．结合信息物理融合系统(CPS)，构建虚拟空间与现实空间的双向数据流体系架构，在云平台虚拟空间中设计、验证与优化零件、产品、制造工艺和生产设施等，并自动反馈到现实空间[152]，对提高制造效率、降低容错成本等具有重要意义．5.2　资源流视角下云制造面临的挑战综合上述研究可以发现，云制造模式下衍生的云制造系统是在多学科技术的融合下构建，旨在最大化制造资源流动效率与效益，但目前云制造模式的广泛应用仍在以下几个方面面临挑战．a．高维数据空间资源流是复杂资源流动与多主体(用户、企业、云平台)通信的过程．用户与企业主体分散，云制造模式优化供应链[153]、服务链[154]等企业价值链，但伴随资源流动生成高维数据空间，导致多主体利益、知识产权、数据所有权等的所属与分配界限模糊．b．资源流柔性配置实际生产因素错综复杂，计划变更、任务中断以及一些不可预测因素导致的资源流中断，虽然很多研究已尽可能考虑实际生产因素导致非稳态资源流动[155]及应对措施[156]，但由于缺少实际的生产数据与大规模应用案例[14]，资源流柔性配置多处于服务流阶段，难以切实执行．c．跨学科人才培养围绕资源流主线，从建设云制造平台、资源接入到资源配置等一系列过程，本质上均受限于非制造领域技术的发展，如云计算、物联传感技术、自然语言处理技术、优化技术等．跨学科人才的缺少导致面向制造领域的、自成体系的特色技术研究薄弱，增加了学习、接受并应用最新技术的成本．5.3　未来发展趋势本文结合当前云制造发展现状与所面临的挑战，综合考虑真实生产环境因素，融合新兴科学技术，为提升云制造模式下的生产效率与智能化水平，总结出如下发展趋势．a．行业资源协同共享云制造模式支持跨企业的分布式资源共享与合作[157]，解决企业协作与利益分配等问题[158]，应进一步研究行业资源接入与调用标准，构建多主体资源协同服务框架，保证资源的独立性与可协同共享性．b．落实资源配置资源跨域配置(服务配置)是服务能否按需、按时满足用户需求的关键．受成本、市场、供应链等波动的影响[159]，解决资源配置的非稳定性与不确定性等问题是下一阶段资源切实配置的研究焦点．c．新技术深度融合根据5.1节可充分了解新制造技术、新信息通信技术、新智能科学技术与新制造应用领域专业技术等[1]支撑云制造模式的服务、供应、生产、营销等过程，是缩小云制造理论与应用差距的解决方案之一．将人-信息-物理融合系统(HCPS)、5G、知识图谱、数字孪生技术等新一代科学技术与云制造体系的融合是未来云制造得以发展及广泛应用的关键．6 结语云制造模式以共享、协作、服务等为核心理念，彻底打破传统制造业的束缚，为全球化制造提供高效协作和资源共享的新模式．云制造服务涵盖了产品设计、产品研发、生产制造、产品检测、运维管理、售后服务等产品全生命周期服务，提供一站式解决的协同制造平台，打造制造与服务相结合的产业模式，打破传统制造业的时间和空间上的限制，最大化降低资源管理运营成本，提高社会资源利用率．云制造系统中，资源以形式化服务在虚拟仿真空间中的流动，并在物理空间执行服务，完成资源流动及资源流增值过程．本文基于Web of Science核心数据库与中国知识基础资源数据库，根据检索到的1 803篇文献，采用文献计量法分析2010年1月－2021年10月云制造相关的研究现状及发展趋势，对云制造文献的发表数量与关键词等进行研究热点统计；围绕云制造中资源流动过程涉及热点研究方向，以云制造理论研究基础为核心，对云制造资源服务化、云制造资源配置等158篇文献展开综述性分析．本文结合文献计量法和叙述性论述法，围绕资源流，从定性和定量两个方面综述了云制造相关领域的研究现状和未来趋势，但仍存在一些不足：检索数据库和检索主题的选择造成被收集文献数据来源的局限性；云制造是一个复杂的系统，资源的流动复杂，并非简单的阶段化定向流动，而是交错并行、循环迭代的，而且在云制造的服务执行过程中，资源的流动涉及的研究方向还包括资源特征提取、资源分类、服务的封装、任务调度、任务分解、服务调度等更多的领域，覆盖的时间范围更加宽泛．进一步全面收集相关研究资料，将有助于更加准确地分析云制造领域的研究现状和发展趋势等．