CC BY
1
УДК 00-004.89
DOI: 10.24412/2071-6168-2024-2-201 -202
ПРОГРАММНОЕ УПРАВЛЕНИЕ НЕЛИНЕЙНЫМ ОБЪЕКТОМ С ПОМОЩЬЮ НЕЙРОЭМУЛЯЦИИ
СИСТЕМЫ С ПИД-РЕГУЛЯТОРОМ
А.В. Бутрин, С.В. Феофилов
В данной статье рассматривается синтез нейросетевой системы программного управления сложным нелинейным объектом с недостаточно известной математической моделью высокого порядка («чёрный ящик»). Для повышения эффективности обучения нейросетевого регулятора на таком объекте нужна предварительная настройка матриц весовых коэффициентов, поскольку градиентные методы чувствительны к начальным условиям. Рассматриваемый объект управления в начальном приближении описывается математической моделью типа «жёсткий механический упор», для которого был настроен ПИД-регулятор, и на его основе обучен подражающий нейросетевой регулятор с возможностью дальнейшего дообучения методом обратного пропуска ошибки через прямой нейроэмулятор жёсткого механического упора.
Ключевые слова: программное управление, нейронные сети, жёсткий механический упор, «чёрный ящик».
Разработка математических моделей нервных тканей живых существ и, в особенности, человеческого мозга породила революционную научную концепцию, называемую нейросетевыми технологиями. Данный подход имеет множество преимуществ перед более традиционными алгоритмами. Например, искусственные нейронные сети способны находить сложные зависимости между данными, которые коррелируют друг с другом весьма неочевидным образом, и на основании данных, полученных ранее, могут эффективно предсказывать столь же сложные и неочевидные зависимости даже в условиях сильной зашумлённости сигналов благодаря своей способности к обучению. Также, в отличие, например, от систем нечёткой логики, которые также отличаются способностью анализировать очень сложные зависимости и работать с ними, искусственные нейронные сети не требуют явного определения правил функционирования. Более того, ввиду вышеназванных достоинств, для их успешного обучения даже не всегда существует необходимость в точной математической модели объекта управления.
Таким образом, в наши дни колоссальный успех нейросетевых технологий во многом предопределил их внедрение в системы автоматического управления, поскольку сложность объектов управления постоянно растёт. Их описание часто отличается высоким порядком математической модели, которую, к тому же, не всегда возможно получить полностью, и существенными нелинейностями, которые ещё сильнее усложняют зависимость между входными и выходными данными. Данную проблему объясняет целый ряд факторов, начиная от технологических допусков и погрешностей и заканчивая применением качественно новых режимов работы, ранее неиспользуемых материалов и так далее. Кроме того, современные системы автоматического управления чаще всего являются цифровыми, что, конечно же, полностью оправдано ввиду их многочисленных преимуществ перед аналоговыми системами. Однако дискретность, а также задержки по времени значительно усиливают вышеописанные трудности.
Прежде, чем приступить к описанию данной работы, необходимо ответить на вопрос: «При каких условиях использование нейросетевых технологий в системах автоматического управления предпочтительнее классических методов синтеза?» На самом деле, если заранее известна с высочайшей степенью точности математическая модель объекта управления, то искусственные нейронные сети, несмотря на свои широчайшие возможности и успех, достигнутый в последние десятилетия, чисто математически никогда не превзойдут по качеству регулирования более традиционные алгоритмы. Однако, из описания вышеперечисленных проблем нетрудно догадаться, что в большинстве случаев крайне затруднительно или даже невозможно получение очень точной математической модели сложных объектов управления, чего как раз и требуют последние. В этом случае и раскрывается потенциал искусственных нейронных сетей, поскольку они являются универсальными аппроксиматорами, а значит, в отличие от традиционных методов синтеза систем автоматического управления, могут эффективно работать в условиях неполноты информации и дообучаться на реальном объекте управления, даже если его математическое описание отличается высокой сложностью.
Несмотря на столь значимое преимущество нейросетевых технологий по сравнению с классическими методами синтеза систем управления, в ходе анализа многочисленных современных научных работ на тему искусственных нейронных сетей и их применения в различных сферах человеческой деятельности был сделан вывод о том, что внедрение нейросетевых технологий в разные отрасли наук и производства происходит с неодинаковой степенью интенсивности. На данный момент наиболее быстрыми темпами нейросетевые технологии развиваются в таких областях, как распознавание образов, генерация звука и изображений, системы рекомендаций и принятия решений, обработка голоса и естественного языка. В то же время существуют области, где потенциал искусственных нейронных сетей пока ещё используется далеко не в полной мере. Системы автоматического управления как раз можно отнести в их список. Во многом это связано с недостаточностью научных изысканий в данном направлении, что закономерно влечёт за собой также ограниченность практической реализации нейросетевых систем автоматического управления.
Научных трудов, специализирующихся на данной тематике, сейчас крайне мало, но, тем не менее, некоторые обзорные работы [1, 2, 3] довольно подробно повествуют как о простейших, так и о сложных многомодульных типовых схемах нейросетевого управления, которые в разной степени освещены современными научными изысканиями, однако они значительно сконцентрированы на замкнутых системах управления, и лишь очень малая их часть хотя бы немного затрагивает возможные варианты реализации программного управления. Это отнюдь не означает, что управление по разомкнутому принципу слишком легко реализовывается и имеет чересчур малую значимость для практического применения. Напротив, данное направление представляет колоссальный научный интерес и требует
глубокой проработки. Основным аргументом в пользу его важности и актуальности является тот факт, что в сложных системах не всегда возможно в принципе реализовать обратную связь. Например, такая проблема значительно выражена в летательных аппаратах. Очевидно, что внутри них далеко не всегда возможно установить мощный передатчик для отправки сигналов на наземную станцию управления, особенно если эти аппараты предназначены для полётов на большие расстояния и/или для работы в условиях сильных помех, когда окружающая среда неблагоприятна для распространения слабых беспроводных сигналов. Кроме этого, хотя нельзя отрицать многочисленные преимущества замкнутых систем автоматического управления, всё-таки многие технические системы эффективно реализуются и без обратной связи, что сулит выигрыш по простоте, надёжности и быстродействию. Например, из-за ненадобности обрабатывать сигналы с датчиков, высвобождаются дополнительные вычислительные мощности.
С другой стороны, систему, которая работает «вслепую» может быть значительно сложнее реализовать, особенно в тех условиях, о которых было сказано в начале. Кроме того, многие типовые схемы нейросетевого управления принципиально предполагают наличие обратной связи. Именно поэтому тема оптимизации нейросетево-го программного управления для сложных нелинейных объектов с ограничителями является интересной и крайне актуальной на данный момент. В тоже время, необходимо понимать, что данному способу программного управления присущ недостаток, который имеют все разомкнутые системы управления. Он выражается в неспособности системы адаптироваться ко всевозможным нестационарностям и внешним возмущениям, а также в накоплении ошибки управления с течением времени даже при очень точной настройке нейросетей, из-за чего длительность функционирования такой системы на практике может быть ограничена по времени и по условиям работы, что объясняется тем фактом, что приходится иметь дело с эмулятором, а не предикатором [4]. Итак, перед тем как приступить к данной работе, необходимо изложить алгоритм синтеза нейросетевого регулятора, который приводится на рис. 1.
]. Исходная тамкнутая система с управлением классическим (ПИД) регулятором (создаётся для предварительной настройки кейросетено! о регулятора)
Случайный входной сигнал
^ Классический регулятор ^к/ (ИИД-регулятир)
Управляющая подсистема (реализуется программно)
О&ьек! управления (жёсткий упор)
Выходной сигнал
2. Замещение классического регулятора пейросетевым -эмулятором (штриховая линия - обучение нейроэмулятора классического (ГЩЦ) регулятора методом обратного распространения ошибки)
Случайный входной сигнал
Классический регулятор (Г1ИД-регулятор>
Нейросетевой эмулятор (ПИД-регулятора)
мн <-------------
Ошибка выходного стггттала
3. Замещение объекта управления его нейросетевым эмулятором (штриховая линия - обучение нейроэмулятора объекта управления (жёсткого механического умора) методом обратного распространения ошибки)
Случайный входной сигнал
Объект управления (жёсткий упор)
Нейросетевой эмулятор (объекта управления)
3й
оп -'
Ошибка в ы ход н о го с и гн ал а
4, Готовая система программного управления с помощью нейросетевой эмуляции системы классического типа (штриховая линия - дообучение нейрорегулятора методом обратного пропуска ошибки через нейроэмулятор)
Управляющая подсистема \ (реаличуется программно)
Рис. 1. Алгоритм синтеза нейросетевого регулятора по пунктам
Как уже упоминалось ранее, математическая модель объекта управления, для которого необходимо синтезировать регулятор, отличается существенной нелинейностью и высоким порядком. Она практически неизвестна, объект можно охарактеризовать как «чёрный ящик», поэтому классические методы синтеза неработоспособны в данном случае. Очевидно, что нужно использовать для синтеза системы программного управления таким объектом искусственную нейронную сеть. В начальном приближении данный объект управления можно представить математическим описанием жёсткого механического упора, поскольку так наиболее достоверно с физической точки зрения описывается его поведение. Для него уже не составит труда синтезировать классический регулятор, например, ПИД-регулятор, любым из доступных методов (пункт 1 на рис.1). Далее, согласно пунктам 2 и 3 рис.1 необходимо обучить две искусственные нейронные сети копировать прямую динамику данных объектов. В случае ПИД-регулятора это нужно для синтеза подражающего нейросетевого регулятора, который затем можно будет дообучить методом обратного пропуска ошибки через прямой нейросетевой эмулятор объекта управления (пункт 4 на рис.1), поскольку интуитивно понятно, что если система не получает сигнал обратной связи, то это нужно компенсировать максимально подробными «знаниями» нейросетевого регулятора о динамике объекта управления и/или о том, как им следует управлять.
Необходимость в такой многоэтапной последовательности действий заключается в том, что после минимизации значения функции ошибки в процессе математического моделирования можно ожидать также, что в процессе дообучения данного регулятора на реальном объекте управления значение функции ошибки такой системы будет находиться в окрестностях глобального минимума, что крайне важно, поскольку из-за высокой сложности объекта управления с высокой долей вероятности эта функция окажется мультимодальной, что вкупе с градиентными методами дообучения нейросетевого регулятора, которые чувствительны к начальным условиям, придаёт особую важность начальным значениям элементов матриц нейросети, поскольку без их начального вычисления в процессе математического моделирования есть существенный риск застрять в локальном минимуме в процессе дообучения данного регулятора на реальном объекте управления. Данный подход позволяет не только с высокой долей вероятности избежать данной проблемы, но и значительно ускорить обучение. Кроме этого, предварительное вычисление матриц нейросетевого регулятора необходимо для избегания внештатных ситуаций, которые могут произойти в случае выставления случайных или единичных весовых коэффициентов, в процессе обучения на реальном объекте управления. Например, для многих приводов категорически недопустимы удары о жёсткие механические упоры, которые могут произойти, если обучать нейронную сеть с нуля. В случае, например, с гидроприводом, даже если это и не приведёт к его поломке, то в некоторых случаях может привести к залипанию поршня в крайнем положении.
Итак, жёсткий механический упор математически можно описать данной системой уравнений [5]:
'к*и-у 2*%*у
У =
0, если |у| = О и (к* и—у) * sign(y) > 0, где к - коэффициент передачи, и - входной сигнал, у - выходной сигнал, % - относительный коэффициент затухания, Т - постоянная времени, О - ограничение на выходной сигнал.
Пусть, например, в системе уравнений (1) будет принято: к = 1, Т = 1, ^ = 0.25. Если при таких константах на вход подать синусоидальный сигнал амплитудой 1 см и частотой 1 рад/с, то выходной сигнал объекта типа «жёсткий механический упор» и его первая производная по времени (перемещение и скорость его выходного звена) будут представлены графиками, которые приведены на рис.2.
Т2 т . если |у| < О или |у| = О и (к* и—у) * sign(y) < 0,
Скорость линейной и нелинейной моделей
-Линейное колебательное зьено
-Жёсткий механический упор
30
Отработка синусоидального сигнала линейной и нелинейной моделями
—Задающее воздействие —Линейное колебательное звено" Жёсткий механический упор
25
30
Рис. 2. Реакция объекта типа «жёсткий механический упор» на синусоидальный сигнал амплитудой 1 см
и частотой 1 рад/с
Как известно, ПИД-регулятор имеет следующую структуру:
йе
и(9 = Кр * е(1) + е(т)й(т) + Ка*—,
где Кр - коэффициент усиления пропорциональной составляющей регулятора, е- ошибка управления, £ - время моделирования, К; - коэффициент усиления интегральной составляющей регулятора, и Ка - коэффициент усиления дифференцирующей составляющей регулятора.
Нетрудно догадаться, что нелинейность данного объекта управления выражена довольно существенно, поэтому обычные методы настройки ПИД-регулятора здесь не подойдут. Простейшим методом настройки его коэффициентов в данном случае может быть генетический алгоритм [6] или релейная настройка. Последняя довольно распространена в коммерческих регуляторах в виду своей простоты и эффективности. Этот метод довольно подробно описывается в соответствующей статье Лю Фана [7, 8]. В данном случае такой алгоритм можно использовать для настройки параметров ПИД-регулятора. Суть данного метода состоит в том, что в замкнутую систему вместо него в начале подсоединяется реле, в результате чего объект управления начинает генерировать незатухающие колебания при отработке задающего воздействия. Выходной сигнал объекта управления по форме близок к синусоиде с периодом Ти и амплитудой а, поскольку он является мощным фильтром для ослабления высших гармоник. Согласно этому методу, если модуль максимального управляющего воздействия реле равен 2<1, то необходимо найти дополнительный коэффициент, который будет равен:
4 * й
л * а 203
где d - половина модуля максимального управляющего воздействия реле, а - амплитуда колебаний выходного сигнала.
Далее значения параметров регулятора рассчитываются по формулам из статьи Лю Фана [8]. Они приводятся в таблице.
Формулы расчёта коэффициентов ПИД-регулятора (по алгоритму статьи Лю Фана)
Пропорциональный коэффициент Интегральный коэффициент Дифференциальный коэффициент
ПИ-регулятор 0.45 * К„ 0.54 *К„/Т„ -
ПИД-регулятор 0.6 * Ки 1.2 *КЛ„ 0.75 * Ки * Ти
В результате расчётов по алгоритму статьи Лю Фана получились следующие значения коэффициентов ПИД-регулятора: Кр = 88.104, К; = 22.362 и Ка = 38.748. На рис. 3 представлены переходные процессы объекта типа «жёсткий механический упор» соответственно без ПИД-регулятора и с ним при задающем воздействии, которое равно 0.5 см, причём прямые оценки качества переходного процесса позволяют сделать вывод о хорошем качестве регулирования, благодаря чему можно перейти к следующему этапу синтеза системы.
IV
о
а) о
с ®
О 3
¥ -
; « п ,
5: ^0.5
о <и
° £
X (Ц
л о.
5 ® о
аз о
ф О 0.5
= 5
И И)
о
X -О
с го о Сь
Переходный процесс объекта типа «жёсткий механический упор» без ПИД-регулятора
/ ___""—
/ —Задающее воздействие
/ —Переходный процесс
10
20
25
15
Время, с
Переходный процесс объекта типа «жёсткий механический упор» с ПИД-регулятором
30
—Задающее воздействие —Переходный процесс
ю
15
Время, с
20
25
30
Рис. 3. Переходные процессы объекта типа «жёсткий механический упор» без ПИД-регулятора (перерегулирование составило 44.44%, время регулирования (с точностью до 5%) равно 10.8с) и с ПИД-регулятором (перерегулирование составило 0%, время регулирования (с точностью до 5%) равно 11.95с)
Теперь, когда классическая замкнутая система готова, можно приступить к созданию и обучению нейронных сетей методом обратного распространения ошибки, в которых оптимальным решением будет применить функцию активации ЯеЬи:
у = Г(х)= (0, х <0, У '(Х) (х, х> 0,
где у - выходной сигнал, х - входной сигнал.
Оптимальность данного решения заключается в том, что эта функция работает как переключатель, что и требуется для имитации поведения объекта управления, динамика которого может быть описана дифференциальными уравнениями с разрывными правыми частями. Также, поскольку в целом сложность объекта управления типа «жёсткий механический упор» как математической модели невысока, то для восстановления вектора состояния объекта управления достаточно использования линий задержек, что позволяет сделать вывод о том, что для его эмуляции подойдёт нейросеть прямого распространения. Минимальное количество слоёв для такой сети - три, притом, что только скрытый слой имеет функции активации, а минимальные требования к её структуре описываются формулой [9]:
(СЛ ( п + 1 \
с2] = (4 *ща1 +2 *п11п\, (2)
кс3; V п )
где с1 - число входных нейронов, с2 - число скрытых нейронов, с3 - число выходных нейронов, п - порядок системы, Щас - чисто фазовых переменных вектора состояния с ограничениями, п1 1п - чисто фазовых переменных вектора состояния без ограничений.
Из формулы (2) очевидно, что для простейшего нейросетевого эмулятора объекта типа «жёсткий механический упор», исходя из его дискретного математического описания, достаточно 4 нейрона на входе, 4 нейрона в скрытом слое с функцией активации ReLU и один выходной нейрон. В рамках данной работы было эмпирически установлено, что внедрение трёх тактовых задержек на сигнал вместо одной, а также наращивание числа нейронов в скрытом слое до пятидесяти значительно улучшило качество подражания поведению данного объекта управления в динамике и в статике. Дальнейшее наращивание линий задержек без изменения архитектуры нейронной сети не дало
существенного выигрыша в уменьшении ошибки эмуляции. Касательно же получения эталонных данных с объекта управления для обучения нейросетевого регулятора необходимо отметить, что важно обеспечить достаточное разнообразие обучающей выборки. На этом этапе также сложно вывести каких-то универсальных алгоритмов, однако в большинстве случаев такая выборка должна хорошо иллюстрировать поведение объекта управления как в динамике, так и в статике, для чего, соответственно, отлично подойдут синусоидальные сигналы и прямоугольные импульсы со случайными параметрами в равномерном соотношении [9].
Итак, далее искусственные нейронные сети обучаются и функционируют согласно алгоритму, приведённому на рис. 1. Финальный вид системы представлен в его четвёртом пункте. В этом случае по завершению обучения переходный процесс системы примет вид, показанный на рис.4, из которого можно заметить, что хотя перерегулирование осталось нулевым, но переходный процесс немного затянулся, что может быть объяснено недостаточным количеством итераций обучения и/или необходимостью дальнейшего совершенствования архитектуры нейросетево-го регулятора.
Переходный процесс объекта типа "жёсткий механический упор"
Время, с
Рис. 4. Переходный процесс системы программного управления объектом типа «жёсткий механический упор» с помощью нейросетевой эмуляции замкнутой системы из объекта управления и ПИД-регулятора (перерегулирование составило 0%, время регулирования (с точностью до 5%) равно 17.28с)
Как уже отмечалось в начале, в первом случае проблема может быть решена дообучением полученного нейросетевого регулятора на реальном объекте управления. Таким образом, способ нейросетевого управления, предложенный в данной статье, позволяет перейти от замкнутой системы с классическим методом управления к программному управлению путём дальнейшего развития идеи подражающего нейроуправления в его сочетании с методом обратного распространения ошибки через прямой нейроэмулятор. Итак, в ходе данного исследования неизвестная математическая модель сложного объекта управления в начальном приближении была описана моделью объекта управления типа «жёсткий механический упор». Для неё синтезирована система программного управления, состоящая из нейросетевого регулятора, в состав которого вошли две подсистемы эмулирующие прямые динамики объекта управления и ПИД-регулятора, который в ходе дальнейшего дообучения на реальном объекте управления должен точно копировать его инверсную динамику и лучше справляться с задачей обеспечения высокого качества регулирования в условиях неполноты информации, чем традиционный ПИД-регулятор.
Список литературы
1. Siddique, N. H. Computational intelligence: synergies of fuzzy logic, neural networks, and evolutionary computing / Nazmul Siddique, Hojj at Adeli // Library of Congress Cataloging-in-Publication Data, 2013.
2. Чернодуб А.Н., Дзюба Д.А. Обзор методов нейроуправления // Проблемы программирования, 2011. № 2. С. 79-94.
3. Alemie A. Neural Network Based Direct Model Reference Adaptive Control Technique For Improving Tracking Performance in Nonlinear Systems: mas. dis. - Addis Ababa University, Addis Ababa, Ethiopia, 2019. 79 p.
4. Бураков М.В. Нейронные сети и нейроконтроллеры: учебное пособие. Нейронные сети и нейро-контроллеры / М.В. Бураков. СПб.: ГУАП, 2013. 282 с.
5. Феофилов Д.С. Особенности моделирования звеньев с ограничителями / С.В. Феофилов, Д.Л. Хапкин // Информатика: проблемы, методы, технологии, Материалы XXI Международной научно-методической конференции. ООО «Вэлборн», 2021. С. 644-649.
6. Горячев О. В. Расчёт параметров ПИД-регулятора с помощью генетического алгоритма в среде MatLab: учебно-методическое пособие. Тула: Издательство ТулГУ, 2018. 39с.
7. Бутрин А.В. Самонастройка ПИД-регулятора на основе реле с обратной связью // XX Всероссийская научно-техническая конференция студентов, магистрантов, аспирантов и молодых ученых «Техника XXI века глазами молодых ученых и специалистов». Тула: Изд-во ТулГУ, 2022. 478 с.
8. Фан Л. Самонастройка ПИД-регуляторов на основе реле с обратной связью. - Томск: Томский политехнический университет, 2015. 4 с.
9. Хапкин Д.Л. Прикладные методы синтеза нейросетевых регуляторов для объектов управления с ограничителями: дис. канд. техн. наук 2.3.1. ТулГУ, Тула, 2023. 142 с.
10. Горячев О. В. Минимизация функций в среде MatLab с помощью генетического алгоритма: учебно-методическое пособие. Тула: Издательство ТулГУ, 2018. 17с.
11. Феофилов С.В. Базовый синтез нейросетевых регуляторов для нелинейных следящих систем управления / С.В. Феофилов, Д.Л. Хапкин // ИНФОРМАТИКА: ПРОБЛЕМЫ, МЕТОДЫ, ТЕХНОЛОГИИ, Материалы XXI Международной научно-методической конференции. ООО «Вэлборн», 2021. С. 1314-1322.
12. Феофилов С.В. Базовый синтез нейросетевых регуляторов для следящих систем управления / С.В. Фе-офилов, Д.Л. Хапкин // Известия ТулГУ. Технические Науки, 2020. № 11. С. 256-261.
Бутрин Алексей Владимирович, аспирант, [email protected], Россия, Тула, Тульский государственный университет,
Феофилов Сергей Владимирович, д-р техн. наук, доцент, [email protected], Россия, Тула, Тульский государственный университет
SOFTWARE CONTROL OF A NONLINEAR OBJECT USING NEUROEMULATION OF A SYSTEM WITH A PIDCONTROLLER
A.V.Butrin, S.V. Feofilov
This article discusses the synthesis of a neural network system for program control of a complex nonlinear object with an insufficiently known high-order mathematical model («black box»). To increase the efficiency of training a neural network controller on such an object, preliminary adjustment of the weight coefficient matrices is necessary, since gradient methods are sensitive to initial conditions. The control object under consideration is described in an initial approximation by a mathematical model of the "rigid mechanical stop" type, for which a PID controller was configured, and on its basis, an imitating neural network controller was trained with the possibility of further training by the method of reverse error transmission through a direct neuroemulator of a rigid mechanical stop.
Key words: program control, neural networks, rigid mechanical stop, «black box».
Butrin Alexey Vladimirovich, postgraduate, gfdhj2013@ya. ru, Russia, Tula, Tula State University,
Feofilov Sergey Vladimirovich, doctor of technical sciences, docent, svfeofilov@mail. ru, Russia, Tula, Tula State
University
УДК 621.9
Б01: 10.24412/2071 -6168-2024-2-206-207
К ВОПРОСУ ТЕРМИНОЛОГИИ В МАШИНОСТРОЕНИИ
В.В. Птицын
При автоматизации умственного труда необходимо однозначное толкование применяемых терминов. В работе обосновывается главенство государственных нормативных документов в области технологии машиностроения над производственно-хозяйственными, рассматривается соответствие применяемых в научно-технических работах терминов, касающихся времени, смысла понятий и реальности. Показано, что производственный цикл - это реальный и определяемый показатель технологии машиностроения и он соответствует юридическому понятию - срок выполнения заказа, а его значение определяется технологическим маршрутом и длительностью его элементарных составляющих и подготовкой к ним. Элементарными составляющими производственного цикла является цикл технологической операции и подготовительно-заключительное время продукционных процессов, то есть основные операции основного производства. Цикл технологической операции - календарное время от начала до конца технологической операции, имеющей активную и пассивную часть, а отношение цикла технологической операции к числу одновременно изготавливаемых изделий называют штучным временем. Штучное время не определяется как сумма его составляющих, так как они могут накладываться друг на друга. Схожие по звучанию термины «штучное время» и «норма штучного времени» имеют разные смысловые понятия. Регламентированием норм штучного и подготовительно-заключительного времени можно стимулировать производительность и гибкость производства. Не все производительно-хозяйственные термины допустимы в научно-технических работах.
Ключевые слова: производство, производственный цикл, нормы времени.
В эпоху, когда человек перекладывает на машину функции не только физического, но и умственного труда, необходимо единство применения терминов и определений основных понятий машиностроительных производств. Цель работы: обеспечить, на основе государственных нормативных документов, понятийно-разъяснительную поддержку субъектов научно-технической и производственно-хозяйственной деятельности машиностроения в вопросах, касающихся характеристик производственных процессов, связанных с понятием «время».
