云制造模式是在“制造即服务”理念上,基于云计算思想发展起来的新型制造模式。服务发现与优选是云制造模式研究的热点问题,也是难点问题。目前的技术可以实现云制造模式下服务发现与优选功能,但不能实现智能的、高效的服务发现与优选。因此,研究云制造模式下智能的、高效的服务发现与优选方法,开发云制造模式下智能服务发现与优选系统,具有重要的理论研究和实际应用价值。本文研究了云制造模式下面向全生命周期的服务类型,提出了各服务类型的服务分解原理和组合方法、智能服务发现方案和服务优选指标,云制造模式下以机械产品图像和服务类型为输入、面向多服务优选指标、前k个最优的智能服务发现与优选架构,从原理上解决了目前研究中以关键字为输入导致的智能化水平不足和效率低下等问题。为实现智能服务发现方案里的智能服务发现模型,基于卷积神经网络技术对面向机械产品数据的服务发现算法进行了研究。基于局部二值模式(Local binary patterns:LBP),提出了一种面向机械产品图像的注意力图(P LBP)和其增强层(P_Net),融合P Net和VggNet-16,提出了面向机械产品图像的神经网络架构(P_VggNet)。基于修正线性单元(Rectified linear unit:ReLU)的正半轴不存在梯度消失和双曲正切函数(Hyperbolic tangent:tanh)的负半轴可以减轻神经元死亡现象,提出了一个高效的激活函数:基于tanh函数的修正线性单元(ThLU)。采集机械产品数据集时,提出从多个光线强度、多个拍摄角度和不同大小、不同形状的遮挡3方面进行拍照。通过以上采集措施收集机械产品图像、网上下载图像和从视频中截取图像3种途径,收集了轴承、螺柱、齿轮、弹簧、滚轮、采煤机、刮板机、皮带机、掘进机和液压支架10类机械产品图像,生成了机械产品数据集,对机械产品数据集进行了预处理和质量评估。基于P_VggNet神经网络架构和ThLU激活函数,训练得到了面向机械产品数据集的智能服务发现模型(神经网络模型),其测试正确率为95.38%,测试损失为 0.1839。为实现服务组合方案前k个最值优选,以优选前k个最小/大服务时间(服务费用、制造能力和综合能力)的服务组合方案为目标,建立了设计服务组合方案、生产服务组合方案、产品服务组合方案和产品方案的目标函数和数学模型。通过对建立的数学模型分析,获知:云制造模式下前k个最优的服务优选问题为前k条最短/长路径的组合优选问题。为高效求解此问题,提出了将服务组合过程有向图表示的方法和将服务组合方案的有向图转化为标准有向图的方法、次短路径定理和路径扩展方法,基于Dijkstra算法、次短路径定理和路径扩展方法,提出了云制造模式下前k条最短路径算法(k_Dijkstra算法)、云制造模式下前k条最长路径算法和云制造模式下前k条最短/长路径算法,高效地解决了云制造模式下前k个最优的服务优选问题。设计了云制造模式下机械产品智能服务发现与优选系统的重要组成部分(系统需求、系统流程、系统架构、云平台、数据库和iOS客户端),开发了云制造模式下机械产品的智能服务发现与优选系统,实现了以机械产品图像和服务类型为输入,面向多个服务优选指标的服务优选。