Применение нормативных требований в цифровом производстве для определения и проверки расчетных значений параметров изделий
Романов Д. А., управляющий директор, Преферентум
Гаранкина С. А., ведущий менеджер по развитию
технологической экспертизы, Преферентум
Цифровизация стандартов выходит за пределы перевода бумажного документа в PDF или XML. Для промышленного применения необходимо различать машиночитаемое, машиноинтерпретируемое и машинопонимаемое содержание.
В статье рассматривается переход от документа к структурированной модели нормативного знания: от фрагмента и требования— к объекту, параметру, условию применимости и исполнимому правилу. Отдельное внимание уделено распределению задач между языковыми моделями, структурированными моделями знаний, включая дефиниции и онтологические связи, правилами и вычислительными алгоритмами. На примере ГОСТ 7808-70 показано применение такого подхода для нормативно-справочной информации (НСИ) и цифрового производства.
От цифрового документа к цифровому нормативному знанию
Стандарты создавались прежде всего как документы для человека. Конструктор, технолог, специалист по качеству или закупщик находил нужный пункт, интерпретировал его в контексте изделия и принимал решение. Такая схема остаётся рабочей, но она плохо масштабируется в цифровом производстве, где одни и те же нормативные требования должны многократно применяться в MDM, CAD, PLM, ERP, системах качества, испытаний и оценки соответствия.
Для информационной системы недостаточно получить текст стандарта или извлечь из него отдельное число. Необходимо установить, к какому объекту относится положение, какую характеристику оно регулирует, при каких условиях действует, какой статус требования, откуда получено значение, и какая редакция документа является источником. Поэтому современная задача состоит не в оцифровке страниц, а в формировании связанного цифрового представления нормативного содержания.
Российская терминология к 2026 году уже позволяет провести это различие формально. ПНСТ 864-2023 «Умные (SMART) стандарты. Общие положения» действует с 1 февраля 2024 года и устанавливает общие положения к содержимому, структуре и информационной среде SMART-стандартов [2]. С 1 февраля 2026 года действует ПНСТ 1016-2025 «Умные (SMART) стандарты. Архитектура и форматы данных», устанавливающий требования к архитектуре SMART-стандартов и SMART-формату [3]. Это важный переход от общей концепции к требованиям к цифровому представлению данных.
Машиночитаемое, машиноинтерпретируемое и машинопонимаемое: это не одно
и то же
В профессиональных обсуждениях термин «машиночитаемый стандарт» часто используется слишком широко — от PDF до исполнимого правила. Из-за этого смешиваются разные уровни цифровизации. ПНСТ 864-2023 разделяет три вида содержания SMART-стандарта: машиночитаемое, машиноинтерпретируемое и машинопонимаемое [2].
Таблица 1. Практическое различие уровней цифрового содержания SMART-стандарта
| Вид содержания | Практический смысл | Типичный сценарий | Что ещё требуется для промышленного применения |
| Машиночитаемое | Данные доступны автоматизированной обработке и могут быть представлены человеку | Навигация, поиск, отображение структурированного содержания | Идентификация структуры и элементов документа |
| Машиноинтерпретируемое | Структурированные данные используются человекоориентированными информационными сервисами | Извлечение перечней, параметров и связей для работы специалиста | Единая модель данных, идентификаторы, типизация и метаданные |
| Машинопонимаемое | Содержание пригодно для машиноориентированных сервисов и непосредственного выполнения в другой информационной системе без участия человека | Автоматическая проверка условий, расчёт, выбор допустимых значений, передача требований в прикладные системы | Дефиниции, семантические связи, условия применимости, исполнимые правила, контроль версий и происхождения данных |
Формат сам по себе не определяет уровень «понимания». XML может использоваться и как структурированный контейнер, и как носитель формализованного содержания. Поэтому утверждение «стандарт переведён в XML – значит он машинопонимаемый» методологически неверно. Машинопонимание появляется тогда, когда система способна однозначно связать данные с их смыслом и корректно применить нормативное положение при заданных условиях.
От документа к нормативному требованию
В традиционном представлении первичным объектом является документ: стандарт — раздел — пункт — текст. Для автоматизированного применения этого недостаточно. Рабочей единицей становится отдельное нормативное положение, связанное с объектом, характеристикой и условиями применения. Например, фраза «для диаметров 36–48 мм по соглашению изготовителя и потребителя допускается шаг резьбы 2 мм» понятна специалисту как единое условное разрешение. Для информационной системы её необходимо разложить как минимум на объект, параметр входа, диапазон входного значения, параметр результата, допустимое значение, тип положения, дополнительное условие и ссылку на источник. Только после такого преобразования система может проверить, применимо ли положение к конкретной позиции (Рис1).
| Документ | Фрагмент | Нормативное положение | Объект и параметр | Условие и значение | Исполнимое правило |
Рис. 1. Переход от документа к машиноприменимому нормативному правилу
Такой подход согласуется с направлением развития SMART-стандартизации: в ПНСТ 864-2023 информационная структура строится из информационных блоков и элементов, а основные нормативные положения могут иметь машинопонимаемое изложение на формализованном языке [2]. ПНСТ 1016-2025 развивает архитектурный аспект: в перечне его ключевых понятий присутствуют информационные объекты, блоки, элементы, связи, идентификация, изменения объектов, модель данных, HTML и XML разметка [3].
Что именно должна «понимать» информационная система
Машинопонимаемость нельзя свести к распознаванию терминов. Для каждого значимого понятия нужны устойчивый идентификатор, определение, допустимые наименования и обозначения, тип данных, размерность, единица измерения, область применимости и источник. На следующем уровне фиксируются отношения между сущностями: объект имеет характеристику; характеристика измеряется в определённой единице; нормативное положение ограничивает значение; правило действует для определённого исполнения; расчёт зависит от набора исходных данных.
Структурированная модель знаний в такой архитектуре нужна для того, чтобы закрепить смысл понятий в однозначном виде, пригодном для автоматизированной обработки.
В ней можно задавать дефиниции, типы сущностей, их свойства, допустимые отношения и ограничения, а также строить онтологическую модель предметной области. Например, можно явно зафиксировать, что «болт» является видом крепёжного изделия, «номинальный диаметр резьбы» — его параметром, параметр имеет размерность длины и измеряется в миллиметрах, а конкретное значение применимо только при заданном исполнении и выполнении определённых условий.
Такое разделение критично при объединении нескольких стандартов. Например, «длина болта» и «длина резьбы» относятся к одному изделию, но описывают разные параметры. «Теоретическая масса 1000 болтов», «расчётная масса одного болта» и «фактическая масса изделия» связаны между собой, но не являются одним понятием. Автоматическое объединение только по похожему названию приводит к потере единицы учёта, происхождения и нормативного статуса значения.
Таблица 2. Минимальный состав практической нормативной модели
| Элемент модели | Что необходимо хранить |
| Нормативный документ | Обозначение, наименование, редакция, статус, период действия, область применения, источник |
| Фрагмент | Устойчивый идентификатор, положение в структуре, тип фрагмента, связь с редакцией |
| Нормативное положение | Требование, разрешение, рекомендация, исключение, справочное положение; статус и формализованное представление |
| Технический объект | Тип изделия, исполнение, составной элемент, классификационные признаки |
| Параметр | Идентификатор, наименование, обозначение, тип данных, размерность, единица измерения |
| Условие применимости | Диапазон, комбинация признаков, исключение, зависимость от другого требования или стандарта |
| Значение/операция | Допустимое значение, диапазон, формула, табличный выбор, преобразование, правило проверки |
| Происхождение | Источник, место в документе, способ получения, дата формирования, статус проверки |
Машинопонимание начинается с условий применимости
Число, извлечённое из таблицы стандарта, ещё не является нормативным значением для конкретной позиции. До его использования необходимо проверить назначение таблицы, заголовки строк и столбцов, единицы измерения, примечания, исполнение изделия, материал и другие ограничения. То же относится к формулам: формула неприменима, пока не определены переменные, размерности, диапазоны и допущения. Поэтому корректный результат автоматизации иногда может быть отрицательным.
Если система не подтверждает условия применения, она не должна подставлять ближайшее значение или выбирать наиболее вероятную интерпретацию. Статус «значение не определено: недостаточно данных» или «правило неприменимо» для промышленного процесса лучше, чем убедительно сформированный, но необоснованный результат.
Распределение задач между LLM, структурированной моделью знаний, правилами
и алгоритмами
При формировании машинопонимаемой модели нельзя сводить обработку стандарта только
к LLM или только к вычислительным алгоритмам. Эти механизмы решают разные задачи и должны использоваться совместно. LLM целесообразно применять там, где требуется интерпретация естественного языка: распознавание структуры документа, выделение нормативных положений, извлечение объектов и параметров, анализ текстовых условий, сопоставление терминологии и формирование проекта структурированного требования.
Структурированная модель знаний закрепляет результат интерпретации в виде понятных системе сущностей, параметров, дефиниций, отношений, ограничений и правил.
Её семантическая и онтологическая части позволяют описать, что означает каждый объект и параметр и как они связаны между собой. Вычислительные механизмы применяются там,
где результат должен быть однозначным и воспроизводимым: при поиске значения в таблице, преобразовании единиц, расчёте по формуле, проверке диапазона и контроле допустимых значений. Таким образом, алгоритм – это не замена модели знаний, а один из способов применения уже структурированного нормативного знания.
Таблица 3. Распределение задач между LLM, структурированной моделью знаний, правилами
и алгоритмами
| Задача | Предпочтительный механизм | Контроль |
| Выделение требования из текста | LLM с нормативным контекстом | Ссылка на источник, структура результата, полнота условий |
| Сопоставление термина с понятием | LLM + терминологическая и семантическая модель | Идентификатор понятия, определение, область применимости |
| Задание дефиниции понятия | Структурированная модель знаний (дефиниции и семантика) | Тип сущности, определение, атрибуты, единицы и ограничения |
| Формирование отношений между сущностями | Онтологическая модель | Допустимые типы связей, направленность и кардинальность отношений |
| Контроль семантических ограничений | Онтологическая модель + правила | Проверка допустимости связей и согласованности модели |
| Распознавание сложной таблицы | Табличный обработчик/OCR; LLM для восстановления смысловой структуры | Координаты, заголовки, единицы, количество ячеек |
| Поиск значения в таблице | Детерминированный алгоритм | Ключи строки и столбца, условия применимости |
| Расчёт по формуле | Детерминированный вычислитель | Типы, размерности, диапазоны, политика округления |
| Интерпретация сложного текстового условия | LLM + структурированная модель знаний | Формализованное условие с последующей проверкой |
| Поиск противоречий | Онтологическая модель + правила + LLM | Основание, источники, сравниваемые значения и тип противоречия |
Целевая цепочка выглядит следующим образом: LLM извлекает и интерпретирует неструктурированный нормативный контент; структурированная модель знаний закрепляет дефиниции, сущности, атрибуты, отношения и ограничения; исполнимый слой реализует правила, таблицы, формулы и проверки. Для промышленного применения важна не принадлежность операции к конкретной технологии, а возможность воспроизвести процесс: увидеть исходный фрагмент, идентификаторы понятий, входные параметры, условия, применённое правило и происхождение результата.
Практический пример: ГОСТ 7808 -70
Рассмотрим позицию «Болт М12-6g×60.58 ГОСТ 7808-70». Из обозначения можно выделить тип изделия, номинальный диаметр резьбы 12 мм, длину 60 мм, поле допуска 6g, класс прочности 5.8 и ссылку на стандарт. Далее нормативная модель должна определить, какие положения ГОСТ 7808-70 применимы к этому сочетанию характеристик [9].
В справочном приложении стандарта приведена теоретическая масса 1000 стальных болтов исполнения 1 с крупным шагом резьбы. Для диаметра 12 мм и длины 60 мм значение составляет 64,80 кг на 1000 штук. После проверки исполнения, материала, вида шага, диаметра и длины система может выполнить детерминированный пересчёт: 64,80 / 1000 = 0,0648 кг, или 64,8 г на один болт.
Таблица 4. Пример формализованного правила для определения теоретической массы
| Элемент правила | Значение |
| Объект | Болт по ГОСТ 7808-70 |
| Условия применимости | Сталь; исполнение 1; крупный шаг; d = 12 мм; l = 60 мм |
| Исходное значение | 64,80 кг на 1000 штук |
| Статус положения | Справочное приложение |
| Операция | Выбор ячейки таблицы и деление на 1000 |
| Результат и происхождение | 0,0648 кг (64,8 г) на один болт; теоретическое справочное значение из приложения с пересчётом единицы учёта |
Полученное значение нельзя автоматически трактовать как фактическую массу конкретной партии продукции. В НСИ оно должно храниться отдельно — как теоретическое справочное значение, с указанием источника и условий применимости. Если исходная позиция содержит мелкий шаг резьбы, а таблица рассчитана для крупного шага, правило неприменимо: корректный результат — не подстановка «похожего» значения, а явная фиксация причины,
по которой значение не определено.
Машинопонимаемая нормативная модель в НСИ и цифровом производстве
Для НСИ нормативная модель не заменяет корпоративную атрибутивную модель. Корпоративная модель определяет, какие атрибуты ведутся для товарной группы и какие правила качества данных действуют внутри предприятия. Нормативная модель отвечает на другой вопрос: какие положения стандарта применимы к конкретному техническому объекту
и что из них можно проверить или получить.
После классификации и нормализации исходной позиции система формирует структурированную модель объекта. Далее нормативный слой может проверить соответствие вида изделия области применения стандарта, выявить противоречия, добавить справочные или нормативные значения, рассчитать производные параметры и передать расширенную модель
в MDM, CAD, PLM, ERP или систему контроля.
- MDM/НСИ — нормализация, проверка противоречий, обогащение параметрами и фиксация происхождения данных.
- CAD — проверка геометрических и конструктивных параметров относительно применимых нормативных правил.
- PLM — связывание требований с конфигурацией изделия и стадиями жизненного цикла.
- ERP и закупки — формирование более однозначного описания потребности и контроль нормативных характеристик.
- Качество и оценка соответствия — формирование проверок и прослеживание требований
до источника.
Login with Google
Комментарии