Семантико-доказательный графовый метод управления надежностью сложных технических систем на основе слабоструктурированной информации

Е А Конников; Д Г Родионов; Н Д Дмитриев

doi:10.22213/2410-9304-2026-3-59-64

Авторы

Е. А. Конников Санкт-Петербургский политехнический университет Петра Великого
Д. Г. Родионов Санкт-Петербургский политехнический университет Петра Великого
Н. Д. Дмитриев Санкт-Петербургский политехнический университет Петра Великого

DOI:

https://doi.org/10.22213/2410-9304-2026-3-59-64

Ключевые слова:

надежность, управление, деградация, граф, текст, риск, прогнозирование, обслуживание

Аннотация

Актуальность исследования обусловлена тем, что значимая для управления надежностью информация о состоянии сложных технических систем часто представлена не только в виде структурированных измерений, но и в виде слабоструктурированных текстовых сообщений: описаний инцидентов, ремонтных заявок, дефектных ведомостей, экспертных заключений и отчетов о технических событиях. Цель работы состоит в разработке метода, позволяющего интегрировать такую информацию в формализованный контур прогнозирования риска и выбора профилактических воздействий. В статье предложен семантико-доказательный графовый метод, в котором текстовые данные преобразуются в доказательные оценки деградации и отказа, далее включаются в модель интенсивности отказов и дополняются графовым сигналом межкомпонентных зависимостей. Эксперимент выполнен на открытых авиационных данных Национального совета США по безопасности на транспорте и на корпусе MaintNet, содержащем тексты о техническом обслуживании. После фильтрации и агрегации было сформировано 42 956 наблюдений уровня «семейство воздушных судов - месяц». Сравнение проводилось с тремя базовыми моделями: структурной, частотной и тематической. На тестовой выборке 2024-2025 гг. наилучшие интегральные метрики ранжирования показала тематическая модель, однако предлагаемый метод обеспечил лучшее значение F1-меры и оказался наиболее эффективным в управленческой постановке при жестком ограничении месячного бюджета вмешательств. Дополнительно показано, что совместное использование текстовых признаков, доказательных оценок и графового контекста улучшает приоритизацию профилактических мероприятий в условиях ограниченных ресурсов обслуживания. Полученные результаты подтверждают, что включение слабоструктурированной информации в математическую модель риска повышает качество решений в задачах управления надежностью сложных технических систем.

Биографии авторов

Е. А. Конников, Санкт-Петербургский политехнический университет Петра Великого

кандидат экономических наук, доцент, Высшая инженерно-экономическая школа, Институт промышленного менеджмента, экономики и торговли

Д. Г. Родионов, Санкт-Петербургский политехнический университет Петра Великого

доктор экономических наук, профессор, Высшая инженерно-экономическая школа, Институт промышленного менеджмента, экономики и торговли

Н. Д. Дмитриев, Санкт-Петербургский политехнический университет Петра Великого

кандидат экономических наук, доцент, Высшая инженерно-экономическая школа, Институт промышленного менеджмента, экономики и торговли

Библиографические ссылки

Учар А., Каракосе М., Кырымджа Н. Применение искусственного интеллекта в прогнозном обслуживании: ключевые компоненты, доверие к модели и перспективы развития // Прикладные науки. 2024. Т. 14, № 2. Ст. 898. DOI: 10.3390/app14020898.

Прогнозное обслуживание инженерных систем зданий на основе машинного обучения / Ю. Буабдаллауи, З. Лафхаж, П. Йим, Л. Дюкуламбье, Б. Беннаджи // Датчики. 2021. Т. 21. Ст. 1044. DOI: 10.3390/s21041044.

Систематический обзор литературы по прогнозному обслуживанию и эксплуатации авиации с фиксированным крылом оборонного назначения / М. Дж. Скотт, В. Дж. С. Верхаген, М. Т. Бибер, П. Марцокка // Датчики. 2022. Т. 22. Ст. 7070. DOI: 10.3390/s22187070.

Тидденс В., Браксма Й., Тинга Т. Схема выбора метода прогнозного обслуживания // Прикладные науки. 2023. Т. 13. Ст. 2021. DOI: 10.3390/app13032021.

Абрамов О. В. Контроль и прогнозирование технического состояния систем ответственного назначения // Надежность и качество сложных систем. 2018. № 4(24). nn С. 108-116. DOI: 10.21685/2307-4205-2018-4-12.

Лоуин М. Текстовый подход к прогнозному обслуживанию заявок на эксплуатацию объектов с использованием поиска ассоциативных правил и больших языковых моделей // Машинное обучение и извлечение знаний. 2024. Т. 6. С. 233-258. DOI: 10.3390/make6010013.

Галяутдинова А. Р., Ившин И. В., Соловьев С. А. Система оценки и прогнозирования технического состояния силового маслонаполненного трансформаторного оборудования распределительных сетей с применением машинного обучения // Проблемы энергетики. 2024. Т. 26, № 2. С. 32-45. DOI: 10.30724/1998-9903-2024-26-2-32-45.

Надежкин В. А., Надежкина С. А., Мусин А. Р. О возможности применения технологий искусственного интеллекта для определения и прогнозирования технического состояния устройств железнодорожной автоматики и телемеханики // Известия Петербургского университета путей сообщения. 2025. Т. 22, вып. 2. С. 484-491. DOI: 10.20295/1815-588X-2025-2-484-491.

Ломакина Л. С., Двитовская А. Н., Корелин К. А. Диагностирование и прогнозирование состояний технических и технологических объектов на основе ансамблевых технологий машинного обучения // Информационные и математические технологии в науке и управлении. 2025. № 4(40). С. 26-37. DOI: 10.25729/ESI.2025.40.4.003.

Кузин Е. Г. Предиктивное управление техническим состоянием горных транспортных машин // Горное оборудование и электромеханика. 2023. № 1(165). С. 41-49. DOI: 10.26730/1816-4528-2023-1-41-49.

Демпстер А. П. Верхние и нижние вероятности, индуцируемые многозначным отображением // Анналы математической статистики. 1967. Т. 38, № 2. С. 325-339.

Шейфер Г. Математическая теория свидетельств. Принстон: Издательство Принстонского университета, 1976. 297 с.

Вейбулл В. Статистическая функция распределения широкого применения // Журнал прикладной механики. 1951. Т. 18, № 3. С. 293-297.

Национальный совет США по безопасности на транспорте. Авиационные данные и статистика. Режим доступа: https://data.ntsb.gov/avdata (дата обращения: 25.04.2026).

Исторический набор данных по техническому обслуживанию воздушных судов MaintNet. Режим доступа: https://people.rit.edu/fa3019/technical/aircraft.html (дата обращения: 25.04.2026).

Файзуллин Р. В., Новикова О. А. Применение методов машинного обучения для прогнозирования в сельскохозяйственном секторе экономики // Интеллектуальные системы в производстве. 2024. Т. 22, № 2. С. 69-79.

Zolkin A.L., Munister V.D., Faizullin R.V., Smoktal N.N. Design of an infological model for prediction of problems during drilling using machine learning and systems analysis // IOP Conference Series: Earth and Environmental Science. 2022. Art. 042003.

Zolkin A.L., Munister V.D., Domracheva E.A., Faizullin R.V., Kovaleva K.A. Application of machine learning for optimization of operational processes in industrial drum units // AIP Conference Proceedings. 2022. Art. 030001.

Интеллектуальная система принятия решений в бизнесе на основе теории игр / Р. В. Файзуллин, Л. Д. Гумерова, Т. Н. Миронова, А. А. Миронов // Вестник Академии знаний. 2023. № 6(59). С. 715-721.

Faizullin R.V., Hering S. Cointegration analysis method for fault detection based on sensor data // IOP Conference Series: Materials Science and Engineering. 2020. Art. 042075.