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

E A Konnikov; D G Rodionov; N D Dmitriev

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

Authors

E. A. Konnikov Peter the Great St. Petersburg Polytechnic University
D. G. Rodionov Peter the Great St. Petersburg Polytechnic University
N. D. Dmitriev Peter the Great St. Petersburg Polytechnic University

DOI:

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

Keywords:

reliability, management, degradation, graph, text, risk, forecasting, maintenance

Abstract

The study is motivated by the fact that a substantial share of reliability-relevant information about complex technical systems is stored not only as structured measurements but also as semi-structured textual records, including incident narratives, maintenance requests, defect reports, expert statements, and technical event descriptions. The aim of the paper is to develop a method that integrates such information into a formal framework for risk forecasting and intervention prioritization. A semantic-evidential graph method is proposed. Textual data are transformed into evidential estimates of degradation and failure, embedded into a failure-intensity model, and complemented with a graph signal reflecting inter-component dependencies. The experiment uses open aviation data provided by the USA National Transportation Safety Board and the MaintNet maintenance corpus. After filtering and aggregation, 42,956 family-month observations were obtained. The proposed method was compared with three baseline models: a structured model, a frequency-based model, and a topic-based model. On the 2024-2025 test set, the topic-based model achieved the best ranking metrics, whereas the proposed method delivered the best F1 score and the highest decision-making utility under a severely constrained monthly intervention budget. The results confirm that integrating semi-structured textual information into a mathematical risk model improves the quality of reliability-management decisions for complex technical systems.

Author Biographies

E. A. Konnikov, Peter the Great St. Petersburg Polytechnic University

PhD in Economics, Associate Professor

D. G. Rodionov, Peter the Great St. Petersburg Polytechnic University

DSc in Economics, Professor

N. D. Dmitriev, Peter the Great St. Petersburg Polytechnic University

PhD in Economics, Associate Professor

References

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.