面向客户收益的云制造机床服务资源非合作博弈节能调度

doi:10.3969/j.issn.1004-132X.2026.04.010

中国机械工程 ›› 2026, Vol. 37 ›› Issue (4): 855-865.DOI: 10.3969/j.issn.1004-132X.2026.04.010

• 制造过程能效优化与低碳工艺 • 上一篇下一篇

面向客户收益的云制造机床服务资源非合作博弈节能调度

周丽蓉¹(), 陈子翰¹, 王光存², 孔琳³, 曾贵源¹, 任亚运⁴

^1.贵州财经大学大数据统计学院, 贵阳, 550000
^2.江苏徐工工程机械研究院有限公司, 徐州, 221000
^3.山东科技大学机械电子工程学院, 青岛, 266590
^4.贵州财经大学经济学院, 贵阳, 550000

收稿日期:2025-09-28 出版日期:2026-04-25 发布日期:2026-05-11
通讯作者: 周丽蓉
作者简介:周丽蓉^*（通信作者），女，1989年生，副教授、博士研究生。研究方向为工业大数据、绿色制造与智能制造。E-mail： zhoulirong2012@qq.com。
基金资助:
国家自然科学基金(52305529);国家社会科学基金(24CJY085);山东省自然科学基金(ZR2024QE206);江苏省科技项目(BE2023855)

Customer-benefit-oriented Energy-efficient Scheduling of Machine Tool Service Resources in Cloud Manufacturing Based on Non-cooperative Game

ZHOU Lirong¹(), CHEN Zihan¹, WANG Guangcun², KONG Lin³, ZENG Guiyuan¹, REN Yayun⁴

^1.College of Big Data Statistics，Guizhou University of Finance and Economics，Guiyang，550000
^2.Jiangsu XCMG Construction Machinery Research Institute Co. ，Ltd. ，Xuzhou，Jiangsu，221000
^3.College of Mechanical and Electronic Engineering，Shandong University of Science and Technology，Qingdao，Shandong，266590
^4.School of Economics，Guizhou University of Finance and Economics，Guiyang，550000

Received:2025-09-28 Online:2026-04-25 Published:2026-05-11
Contact: ZHOU Lirong

摘要/Abstract

摘要：

为解决云制造中机床资源竞争和客户利益冲突，推进制造服务能效均衡转化为客户收益，提出了一种基于非合作博弈的云制造机床资源节能调度方法。以时效型、能效型、经济型、质量型、综合型为5类客户偏好，构建了面向客户收益的云制造机床设备节能调度模型，采用改进非合作博弈遗传算法求解纳什均衡。分析了基于客户价值分类的差异化折扣策略对调度结果的影响趋势。以徐工集团典型工程机械产品的多种油缸活塞杆零件制造为例进行仿真试验，结果显示，所提方法使客户制造任务平均收益提高4.1%，任务能耗最高下降28%。

关键词: 云制造, 机床服务资源, 客户收益, 非合作博弈, 节能调度

Abstract:

To solve the competition for machine tool resources and conflicts of customer benefits in cloud manufacturing， and to promote the balanced conversion of manufacturing service energy efficiency into customer benefits， a non-cooperative game-based energy-efficient scheduling method for machine tool resources in cloud manufacturing was proposed. a customer-benefit-oriented energy-efficient scheduling model for cloud manufacturing machine tools was constructed by classifying customer preferences into five types： time-sensitive， energy-efficient， cost-effective， quality-focused， and comprehensive. An improved non-cooperative game genetic algorithm was employed to solve the Nash equilibrium. The impact trends of differentiated discount strategies on scheduling outcomes were analyzed based on customer value classification. Simulation experiments conducted on the manufacturing of multiple cylinder piston rod parts for typical construction machinery products from Xuzhou Construction Machinery Group（XCMG） demonstrate that the proposed method increases the average customer manufacturing task benefit by 4.1% and reduces task energy consumption by up to 28%.

Key words: cloud manufacturing, machine tool service resource, customer benefit, non-cooperative game, energy-efficient scheduling

中图分类号:

TH181

周丽蓉, 陈子翰, 王光存, 孔琳, 曾贵源, 任亚运. 面向客户收益的云制造机床服务资源非合作博弈节能调度[J]. 中国机械工程, 2026, 37(4): 855-865.

ZHOU Lirong, CHEN Zihan, WANG Guangcun, KONG Lin, ZENG Guiyuan, REN Yayun. Customer-benefit-oriented Energy-efficient Scheduling of Machine Tool Service Resources in Cloud Manufacturing Based on Non-cooperative Game[J]. China Mechanical Engineering, 2026, 37(4): 855-865.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.04.010

https://www.cmemo.org.cn/CN/Y2026/V37/I4/855

图/表 19

图1 云制造机床资源调度流程

Fig.1 Cloud manufacturing machine tool scheduling process

图2 任务能耗构成

Fig.2 Task energy consumption composition

表 1 客户价值分类评估指标

Tab.1 Customer value classification evaluation indexes

指标名称	单位	指标解释
消费时间间隔（R）	天	指从客户与企业最近一次交易的时间到当前时间的间隔
消费频次（F）	次	指在一段时间内，客户与企业达成交易的总次数
消费金额（M）	元	指在一段时间内，客户在企业消费的累计总额
客户信誉（C）	天	指客户与企业达成交易时间与客户付款时间的间隔

图3 基于客户收益的改进非合作博弈遗传算法流程

Fig.3 INCGA process based on customer benefits

图4 染色体编码方式

Fig.4 Chromosome encoding

图5 交叉操作

Fig.5 Crossover operator

图6 变异操作

Fig.6 Mutation operator

表2 不同客户提交的活塞杆加工任务工艺路线

Tab.2 Process routes of piston rod machining tasks from different customers

加工任务	子任务
加工任务	1	2	3	4	5	6	7	8	9	10	11	12	13	14
任务1起重机变幅油缸活塞杆（时效型）	下料	校直	粗车	焊杆堵	平修	精车外圆	精车小头	磨外圆	抛光	电镀	抛光	焊耳环
任务2石油机械起升油缸活塞杆（能效型）	下料	校直	粗车	镗孔	粗车	焊杆头	平修	精车外圆	精车小头	磨外圆	抛光	电镀	抛光	焊耳环
任务3压榨机油缸活塞杆（经济型）	粗加工	焊接	车削	磨削	精车	钳端面孔	磨削	抛光	电镀	抛光	车削	抛光
任务4盾构机推进油缸活塞杆（质量型）	下料	校直	粗车	校直	粗车	校直	磨削	精车	镗铣	磨削	抛光	电镀	抛光
任务5旋挖钻机倾缸活塞杆（综合型）	下料	校直	粗车	焊接	平修	磨外圆	抛光	电镀	抛光	车削	精车	抛光

表3 客户偏好权重参考表

Tab.3 Reference of customer preference weight

类型	客户偏好
类型	完工时间权重 $ω 1$	完工能耗权重 $ω 2$	完工成本权重 $ω 3$	综合质量权重 $ω 4$	CR值	一致性检验
时效型	0.31	0.12	0.24	0.33	0.001	通过
能效型	0.16	0.26	0.26	0.32	0.004	通过
经济型	0.15	0.14	0.42	0.29	0.009	通过
质量型	0.19	0.12	0.24	0.45	0.007	通过
综合型	0.19	0.12	0.30	0.39	0.01	通过

表3 客户偏好权重参考表

Tab.3 Reference of customer preference weight

类型	客户偏好
类型	完工时间权重 $ω 1$	完工能耗权重 $ω 2$	完工成本权重 $ω 3$	综合质量权重 $ω 4$	CR值	一致性检验
时效型	0.31	0.12	0.24	0.33	0.001	通过
能效型	0.16	0.26	0.26	0.32	0.004	通过
经济型	0.15	0.14	0.42	0.29	0.009	通过
质量型	0.19	0.12	0.24	0.45	0.007	通过
综合型	0.19	0.12	0.30	0.39	0.01	通过

表4 部分机床与运输设备参数信息

Tab.4 Parameters for selected machine tools and transport equipment

设备名称	设备型号	工艺类型	额定功率/kW	设备可靠性	加工合格率	按时交付率
6米简易数控车床	CK61125	车削	25	0.89	0.92	0.93
20米数控车床	CKW61125	车削	22	0.92	0.94	0.91
14米普通外圆磨床	H169/2	磨削	32	0.88	0.91	0.89
数控双柱定梁立式车磨床	CMK5720	磨削	15	0.91	0.93	0.92
深孔镗床	T2250A	钻削	56	0.82	0.96	0.87
16米数控深孔镗	TK2280S*16M	钻削	105	0.93	0.95	0.9
环缝自动焊接机	NZC-C	焊接	16	0.9	0.92	0.94
接触式10M自动校直机	JZ2077061/10	校直	45	0.96	0.9	0.88
自动滚镀生产设备	非标定值	电镀	9.6	0.91	0.96	0.87
磁导航重载AGV	M227-MD10T	运输	8	-	-	-

表5 任务2的机床加工数据信息

Tab.5 Machine tool processing data for task 2

子任务	加工时间（h）/调整时间（h）/单位加工成本（元）
子任务	M₁	M₂	M₃	M₄	M₅	M₆	M₇	M₈	M₉
J₁	1.4/0.2/705	1.3/0.1/630	1/0.4/261
J₂									0.3/0.06/450
J₃	1.3/0.07/973	1/0.4/991	0.5/0.4/625
J₄								0.6/0.04/557
J₅	1.4/0.07/925	1/0.4/929	0.5/0.4/590
J₆				0.5/0.04/785
J₇	1.2/0.2/319	0.7/0.2/859	0.7/0.05/449
J₈	0.5/0.1/938	0.6/0.1/850	0.6/0.06/443
J₉	1.1/0.3/739	0.5/0.1/325	1/0.1/825
J₁₀						0.8/0.3/374	0.7/0.1/331
J₁₁						1/0.1/242	0.9/0.1/477
J₁₂					0.8/0.4/247
J₁₃						1.1/0.1/233	0.6/0.1/479
J₁₄				0.5/0.05/1372

表6 机床间的转运时间 (min)

Tab.6 Transfer time between machine tools

	M₁	M₂	M₃	M₄	M₅	M₆	M₇	M₈	M₉
M₁	0	6	7	8	6	6	6	7	6
M₂		0	6	6	9	8	7	8	6
M₃			0	7	6	8	9	8	6
M₄				0	6	8	6	6	7
M₅					0	6	7	6	6
M₆						0	8	7	8
M₇							0	6	6
M₈								0	7
M₉									0

图7 适应度迭代收敛图

Fig.7 Fitness convergence curve

图8 INCGA调度甘特图

Fig.8 Gantt chart of INCGA scheduling

图9 客户收益对比

Fig.9 Comparison of customer profits

表 7 INCGA第2代、第554代结果和传统GA的指标比较

Tab.7 Comparison indicators between the 2nd and 554th generations of INCGA and traditional GA

加工任务	完工时间/h			完工能耗/（kW ∙ h）			完工成本/元			综合质量
加工任务	2代	554代	传统GA	2代	554代	传统GA	2代	554代	传统GA	2代	554代	传统GA
任务1	22	12	19	249	238	234	4021	4226	4011	0.879	0.881	0.879
任务2	16	22	21	456	411	423	5736	4985	6001	0.883	0.880	0.883
任务3	27	16	17	237	224	240	4105	4249	4679	0.881	0.883	0.884
任务4	23	22	22	291	262	261	4059	4770	4770	0.891	0.893	0.892
任务5	14	20	21	333	240	229	5304	4027	4179	0.884	0.887	0.889

图10 客户收益指标变化趋势

Fig.10 Trends of customer benefit indicators

表8 客户价值分类归一化结果

Tab.8 Normalized results of customer value classification

	高价值客户	中等价值客户	低价值客户
R	0.8889	0.8146	0.4100
F	0.6590	0.7788	0.1938
M	0.7249	0.0982	0.1746
C	0.8761	0.5079	0.3567

表9 融合折扣策略的客户收益对比

Tab.9 Customer benefit comparison under discount strategy

	客户等级	折扣系数	未加入折扣	加入折扣
任务1	低价值	1.00	0.85	0.86
任务2	低价值	1.00	0.81	0.82
任务3	高价值	0.85	0.81	0.79
任务4	低价值	1.00	0.77	0.76
任务5	中等价值	0.90	0.84	0.85
适应度值			0.022	0.016

参考文献 20

[1]	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）： 1-7.
	LI Bohu， ZHANG Lin， WANG Shilong， et al. Cloud Manufacturing： a New Service-oriented Networked Manufacturing Model［J］. Computer Integrated Manufacturing Systems， 2010， 16（1）： 1-7.
[2]	董海，戴瑶，张天瑞. 云制造模式下基于变邻域动态烟花算法的柔性车间调度［J］. 组合机床与自动化加工技术， 2019（7）： 130-133.
	DONG Hai， DAI Yao， ZHANG Tianrui. Flexible Job Shop Scheduling Based on Variable Neighborhood Dynamic Fireworks Algorithm in Cloud Manufacturing Mode［J］. Modular Machine Tool & Automatic Manufacturing Technique， 2019（7）： 130-133.
[3]	何巍，贾国柱，孔继利，等. 基于可持续性的云制造多任务调度［J］. 中国机械工程， 2018， 29（18）： 2215-2225.
	HE Wei， JIA Guozhu， KONG Jili， et al. Sustainability-based Multi-task Scheduling in Cloud Manufacturing［J］. China Mechanical Engineering， 2018， 29（18）： 2215-2225.
[4]	马军，徐海军，李孝斌，等. 云制造环境下面向多任务协同的机床装备资源动态调度方法［J］. 制造业自动化， 2024， 46（1）： 178-185.
	MA Jun， XU Haijun， LI Xiaobin， et al. A Dynamic Scheduling Method of Machine Tools for Multi-task Collaboration in Cloud Manufacturing Environment［J］. Manufacturing Automation， 2024， 46（1）： 178-185.
[5]	彭高贤，文一凭，刘建勋，等. 能耗感知的云制造服务选择与调度优化方法［J］. 计算机集成制造系统， 2024， 30（8）： 2697-2707.
	PENG Gaoxian， WEN Yiping， LIU Jianxun， et al. Energy Consumption Aware Method for Cloud Manufacturing Service Selection and Scheduling Optimization［J］. Computer Integrated Manufacturing Systems， 2024， 30（8）： 2697-2707.
[6]	苏凯凯，徐文胜，李建勇. 云制造环境下基于非合作博弈的资源优化配置方法［J］. 计算机集成制造系统， 2015， 21（8）： 2228-2239.
	SU Kaikai， XU Wensheng， LI Jianyong. Manufacturing Resource Allocation Method Based on Non-cooperative Game in Cloud Manufacturing［J］. Computer Integrated Manufacturing Systems， 2015， 21（8）： 2228-2239.
[7]	LIU S， LI L， ZHANG L， et al. Game Theory Based Dynamic Event-driven Service Scheduling in Cloud Manufacturing［J］. IEEE Transactions on Automation Science and Engineering， 2024， 21（1）： 618-629.
[8]	HU Y， PAN L， PAN X. Dynamic Scheduling of Workshop Resource in Cloud Manufacturing Environment［J］. Engineering Applications of Artificial Intelligence， 2024， 138： 109405.
[9]	张坤鹏，王艳，纪志成. 基于不完全信息博弈的云制造群智能优化方法［J］. 系统仿真学报， 2024， 36（4）： 915-928.
	ZHANG Kunpeng， WANG Yan， JI Zhicheng. Intelligent Optimization Method of Cloud Manufacturing Swarm Based on Incomplete Information Game［J］. Journal of System Simulation， 2024， 36（4）： 915-928.
[10]	舒萧，王时龙，康玲，等. 面向云制造的有限资源多任务调度博弈［J］. 重庆大学学报， 2020， 43（3）： 1-11.
	SHU Xiao， WANG Shilong， KANG Ling， et al. Multi-taskscheduling Game with Limited Resources for Cloud Manufacturing［J］. Journal of Chongqing University （Natural Science Edition）， 2020， 43（3）： 1-11.
[11]	LIU S， ZHANG L， ZHANG W， et al. Game Theory Based Multi-task Scheduling of Decentralized 3D Printing Services in Cloud Manufacturing［J］. Neurocomputing， 2021， 446： 74-85.
[12]	刘卫宁，马刚，刘波. 基于层次化的云制造服务组合研究［J］. 中国机械工程， 2013， 24（10）： 1349-1356.
	LIU Weining， MA Gang， LIU Bo. Study on Hierarchical Service Composition in Cloud Manufacturing［J］. China Mechanical Engineering， 2013， 24（10）： 1349-1356.
[13]	CHENG W， ZHANG C， MENG L， et al. Deep Reinforcement Learning for Solving Efficient and Energy-saving Flexible Job Shop Scheduling Problem with Multi-AGV［J］. Computers & Operations Research， 2025， 181： 107087.
[14]	周丽蓉. 数控机床能耗建模与面向能量的加工参数优化［D］. 济南：山东大学， 2018.
	ZHOU Lirong. Research on Modeling Energy Consumption of CNC Machine Tools and Energy Oriented Machining Parameters Optimization［D］. Jinan： Shandong University， 2018.
[15]	马艳，李方义，王黎明，等. 基于多层级数据分配的机床生命周期环境影响评价［J］. 计算机集成制造系统， 2021， 27（3）： 757-769.
	MA Yan， LI Fangyi， WANG Liming， et al. Life Cycle Environmental Impact Assessment of Machine Tool Based on Multi-level Data Distribution［J］. Computer Integrated Manufacturing Systems， 2021， 27（3）： 757-769.
[16]	刘运国，熊罗英，郭瑞营. 标准成本法与作业成本法融合应用的案例研究——以E外商独资制造企业为例［J］. 管理会计研究， 2022（3）： 69-77.
	LIU Yunguo， XIONG Luoying， GUO Ruiying. A Case Study on the Integrated Application of Standard Cost Method and Activity-based Costing： Take Foreign-owned Manufacturing Enterprise E as an Example［J］. Management Accounting Studies， 2022（3）： 69-77.
[17]	刘英姿，吴昊. 客户细分方法研究综述［J］. 管理工程学报， 2006， 20（1）： 53-57.
	LIU Yingzi， WU Hao. A Summarization of Customer Segmentation Methods［J］. Journal of Industrial Engineering and Engineering Management， 2006， 20（1）： 53-57.
[18]	许可. 共享制造环境下生产与运输协调调度研究［D］. 沈阳：沈阳工业大学， 2024.
	XU Ke. Research on Coordinated Scheduling of Production and Transportation in Shared Manufacturing Environment［D］. Shenyang： Shenyang University of Technology， 2024.
[19]	胡彬，黄清江. 遗传算法在多目标干扰中的应用［J］. 空间电子技术， 2010， 7（3）： 27-31.
	HU Bin， HUANG Qingjiang. Genetic Algorithm for Multipurpose Jamming［J］. Space Electronic Technology， 2010， 7（3）： 27-31.
[20]	WANG W， TIAN G， ZHANG H， et al. A Hybrid Genetic Algorithm with Multiple Decoding Methods for Energy-aware Remanufacturing System Scheduling Problem［J］. Robotics and Computer-Integrated Manufacturing， 2023， 81： 102509.

面向客户收益的云制造机床服务资源非合作博弈节能调度

Customer-benefit-oriented Energy-efficient Scheduling of Machine Tool Service Resources in Cloud Manufacturing Based on Non-cooperative Game

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 20

相关文章 15

编辑推荐

Metrics

[1]	杨涛, 蒋芳. 基于R-GRA的云制造协同服务主体评价研究[J]. 中国机械工程, 2025, 36(09): 2097-2107.
[2]	陆剑峰, 韩调娟, 俞耀平. 基于服务编排的云制造服务协同[J]. 中国机械工程, 2021, 32(07): 849-859.
[3]	李阳, 郭飞, 李茂源, 张云, 李德群. [成形过程的数据挖掘与深度学习方法]塑料注射成形智能技术及其应用[J]. 中国机械工程, 2020, 31(22): 2734-2744.
[4]	李强, 汝渴, 刘计良, 张科. [数据驱动的智能服务]面向大规模个性化的交互式云制造模式[J]. 中国机械工程, 2020, 31(07): 788-796.
[5]	和征;张志钊;李勃. 云制造供应链知识转移激励的演化博弈模型[J]. 中国机械工程, 2020, 31(06): 695-705.
[6]	龚小容, 李孝斌, 尹超. [云制造]云制造环境下基于贝叶斯网络的机床装备资源优化决策方法[J]. 中国机械工程, 2018, 29(20): 2438-2445.
[7]	何巍, 贾国柱, 孔继利, 宗恒山. [云制造]基于可持续性的云制造多任务调度[J]. 中国机械工程, 2018, 29(18): 2215-2225.
[8]	刘永奎, 王力翚, 王曦, 徐旬. [云制造]云制造再探讨[J]. 中国机械工程, 2018, 29(18): 2226-2237.
[9]	董元发;吴正佳;杜轩;查靓;袁庆松. 非稳态云制造服务过程资源异常管理方法[J]. 中国机械工程, 2018, 29(10): 1193-1200.
[10]	刘明周, 王强, 凌琳. 基于分层任务网络的云制造任务分解方法[J]. 中国机械工程, 2017, 28(08): 924-930.
[11]	鲁建厦, 胡庆辉, 董巧英, 汤洪涛. 面向云制造的混流混合车间调度问题[J]. 中国机械工程, 2017, 28(02): 191-198,205.
[12]	汤华茂, 郭钢. 云制造资源虚拟化描述模型及集成化智能服务模式研究[J]. 中国机械工程, 2016, 27(16): 2172-2178.
[13]	刘波, 张自力. 面向云制造系统复杂任务请求的服务组合优化框架[J]. 中国机械工程, 2015, 26(8): 1048-1057.
[14]	谭明智, 易树平, 曾锐. 基于服务满意度的云制造服务综合信任评价模型[J]. 中国机械工程, 2015, 26(18): 2473-2480.
[15]	马军, 罗国富, 路迪, 郭炎强. 制造资源云集成元建模及云Agent服务调度研究[J]. 中国机械工程, 2014, 25(7): 917-923,930.