ФОРМАЛИЗАЦИЯ ДИАГНОСТИЧЕСКОЙ ЗАДАЧИ КАК ЗАДАЧИ КЛАССИФИКАЦИИ И ПОИСКА В ГРАФЕ ЗНАНИЙ

АННОТАЦИЯ

Эффективная автоматизация диагностики сложных радиоэлектронных систем требует строгой и всесторонней формализации процесса принятия решений. Предлагаемая методология интегрирует две фундаментально дополнительные парадигмы: статистическую классификацию и логический вывод в графе знаний. Этот подход позволяет объединить методы машинного обучения, которые преуспевают в анализе непрерывных сигналов, с методами символьного искусственного интеллекта, которые обеспечивают интерпретируемость и структурированное применение предметных знаний.

Ключевые слова: экспертная система; диагностика; ремонт; радиоаппаратура; САПР; база знаний; алгоритмические структуры; автоматизированный анализ; оперативный ремонт.

Введение

Соединение активного обучения и нейронной интеграции устанавливает мощный саморазвивающийся цикл для ЭС. Активное обучение обеспечивает эффективное взаимодействие человека и машины, направляя внимание эксперта на диагностически значимые случаи и обогащая БЗ проверенными прецедентами. Нейронная интеграция позволяет обрабатывать сложные, многомодальные данные, сохраняя при этом незаменимые качества интерпретируемости и логической обоснованности.

Алгоритм нейросетевой модели

На начальном этапе специализированные нейросетевые модели — такие как сверточные нейронные сети для интерпретации спектрограмм или рекуррентные LSTM для анализа временных рядов — обрабатывают сырые данные измерений с датчиков и извлекают диагностически значимые признаки. Эти признаки могут включать, например, наличие паразитных гармоник, уровень фазового шума или форму огибающей импульса. На основе этих извлеченных атрибутов нейронный модуль выполняет предварительную классификацию состояния устройства и выдает не только вероятностные оценки кандидатов в диагнозы, но и структурированные описания наблюдаемых признаков.

На последующем этапе экспертная система интерпретирует эти выходы не как абстрактные числовые значения, а как семантически богатые диагностические индикаторы. Например, распознавание нейронной сетью паразитной гармоники на заданной частоте и амплитуде в сочетании с указанием с высокой вероятностью неисправности высокочастотного тракта рассматривается как фактический ввод в машину логического вывода. Затем ЭС помещает эти индикаторы в онтологическую структуру БЗ, применяя логические правила для установления причинно-следственных связей между симптомами, потенциальными основными неисправностями и проверенными стратегиями устранения. Таким образом, система преобразует выходы "черного ящика" нейронных вычислений в логически интерпретируемые диагностические заключения.

Интеграция нейронных моделей в экспертную систему дает несколько преобразующих преимуществ. Во-первых, она позволяет проводить глубокий анализ сигналов, выявляя тонкие, сложные и ранее не встречавшиеся паттерны, недоступные для формальных методов, основанных на правилах. Во-вторых, она вводит критическое измерение объяснимости: встраивая выходы нейронных сетей в семантическую среду рассуждений, система гарантирует, что каждое диагностическое заключение прослеживается до понятной последовательности логических выводов. В-третьих, гибридный подход объединяет силу распознавания образов нейронных сетей с детерминированной строгостью экспертных систем, давая результаты, которые являются как надежными, так и заслуживающими доверия. Наконец, проверенные нейронные диагнозы могут быть систематически преобразованы в новые формализованные правила БЗ, обеспечивая непрерывное автономное обогащение диагностической базы знаний без необходимости прямого вмешательства разработчика.

Формирование графа знаний

Диагностическая задача может быть концептуализирована как задача многоклассовой классификации, в которой каждое потенциальное состояние устройства соответствует отдельному классу. Эксплуатационные данные, включая измерения напряжения, тока, частоты и фазы, обрабатываются для формирования многомерного пространства признаков, которое захватывает как количественные, так и качественные характеристики поведения системы. Преобразования сигналов и извлечение признаков на основе нейронных сетей дополняют прямые измерения, создавая представление, отражающее скрытые паттерны, связанные с производительностью устройства [8]. Семантические дескрипторы, полученные из данных, предоставляют дополнительный контекст, связывая наблюдаемые аномалии с потенциальными основными причинами. Слой классификации выдает вероятностные оценки кандидатов в неисправности, переводя сырые эмпирические наблюдения в структурированное представление, пригодное для последующих рассуждений. Этот вероятностный выход формирует основу для семантического вывода, преодолевая разрыв между низкоуровневым анализом сигналов и высокоуровневой диагностикой неисправностей.

Параллельно, граф знаний представляет формализованную онтологию предметной области, включая устройства, подсистемы, компоненты, неисправности и симптомы, соединенные направленными отношениями, которые кодируют причинность, иерархию состава и паттерны проявления. Диагностические рассуждения в этой структуре включают идентификацию неисправностей, которые наиболее правдоподобно объясняют наблюдаемые симптомы, учитывая при этом взаимозависимости и отсутствие ожидаемых индикаторов. Логический вывод и вероятностное взвешивание применяются для обхода графа, интегрируя свидетельства из слоя классификации для генерации связных, контекстуально обоснованных заключений. Этот подход позволяет системе обрабатывать неоднозначность и сложные взаимодействия, которые оставались бы непрозрачными в чисто статистических или основанных на правилах подходах.

Гибридная интеграция классификации и рассуждений на графе знаний обеспечивает связный, сквозной рабочий процесс. Слой классификации преобразует сырые измерения в семантические индикаторы, которые оцениваются в графе знаний для определения наиболее правдоподобных корневых причин. Архитектура разработана для поддержки непрерывной адаптации, позволяя моделям классификации улучшать свою способность к обобщению для новых рабочих условий, в то время как граф знаний постепенно расширяется для включения новых компонентов, устройств и режимов отказов. Это сочетание адаптивности и структурированных рассуждений гарантирует, что диагностическая производительность остается надежной в динамичных средах.

Гибридная система была реализована как программный фреймворк, объединяющий передовые нейросетевые модули классификации с графовым механизмом логического вывода. Вероятностные выходы слоя классификации интерпретируются механизмом вывода для генерации приоритизированного набора диагностических рекомендаций. Валидация на сложных радиоэлектронных устройствах продемонстрировала высокую точность, снижение зависимости от специалистов-людей и способность обрабатывать ранее не встречавшиеся режимы отказов. Система предоставляет действенные объяснения для каждого диагностического заключения, поддерживая операционное принятие решений и обучение технического персонала [7].

Новизна этой методологии заключается в связной интеграции статистического обучения с символьными рассуждениями, преодолевая ограничения, присущие чисто ориентированным на данные или основанным на правилах подходам. Объединяя низкоуровневое распознавание образов с высокоуровневым семантическим выводом, система достигает точной, надежной и интерпретируемой диагностики, оставаясь при этом адаптируемой к развивающимся технологическим контекстам. Эта гибридная формализация закладывает основу для прогнозирующих и автономных систем технического обслуживания, способных идентифицировать потенциальные отказы до их проявления, поддерживая развитие интеллектуальных, самоуправляемых радиоэлектронных инфраструктур.

Заключение

Разработанный программный комплекс создан специально для решения задач, описанных выше. Его основные функции — способствовать интуитивному формированию и непрерывному развитию базы знаний экспертной системы и выполнять сложный эвристический анализ работоспособности РТУиС в построенной семантической сети.

Список литературы:

1. Г. А. Долин, «Объектно-ориентированное представление знаний смешанных моделей при проектировании электронных средств в САПР Электра», в сборнике «Системы генерации и обработки сигналов в области бортовых связей», Москва, Россия, 2020, с. 1-5, doi: 10.1109/IEEECONF48371.2020.9078546.
2. Г. А. Долин, «Использование распределенной базы данных параметров электронных компонентов в курсовом проектировании», Методические вопросы преподавания инфокоммуникаций в высшей школе, № 2, 2018, с. 10-14.
3. Г. А. Долин, «Формирование базы знаний экспертного проектирования РЭС для проведения курсовых работ и лекций», Методические вопросы преподавания инфокоммуникаций в высшей школе, № 2, 2018, с. 46-53.
4. И. С. Романкевич, П. П. Несмеянов, «ИСПОЛЬЗОВАНИЕ СЕМАНТИЧЕСКОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ АВТОМАТИЗАЦИИ ДИАГНОСТИКИ РАДИОТЕХНИЧЕСКИХ УСТРОЙСТВ», Студенческий: электрон. научный журнал, № 11(307), 2025.
5. И. С. Романкевич, П. П. Несмеянов, «ОБЪЕКТНО-ОРИЕНТИРОВАННОЕ ПРЕДСТАВЛЕНИЕ СМЕШАННЫХ МОДЕЛЕЙ ЗНАНИЙ ПРИ ПРОЕКТИРОВАНИИ РАДИОТЕХНИЧЕСКИХ УСТРОЙСТВ», Студенческий: электрон. научный журнал, № 11(307), 2025.