МЕТОДЫ АКТИВНОГО ОБУЧЕНИЯ И ИНТЕГРАЦИЯ С НЕЙРОСЕТЕВЫМИ МОДЕЛЯМИ ДЛЯ АНАЛИЗА РАБОТОСПОСОБНОСТИ РТУ

АННОТАЦИЯ

Ключевая интеллектуальная задача при формировании такого автоматизированного диагностического режима заключается в идентификации и реализации оптимальной структуры для получения, интерпретации и хранения информации. Эта структура должна быть достаточно надежной, чтобы облегчить определение вероятной причины отказа на основе часто неполных, зашумленных или неоднозначных исходных эксплуатационных данных. Главное преимущество базы знаний семантической экспертной системы, особенно построенной на онтологических принципах, заключается в ее врожденной способности изящно справляться со сложностью и неоднозначностью, присущим реальным системам. Она может моделировать ситуации, когда один наблюдаемый симптом (например, низкое отношение сигнал/шум) может быть обусловлен множественными, взаимозависимыми причинами (например, отказ усилителя, неправильное экранирование или программная ошибка в демодуляторе). Традиционные реляционные базы данных борются с этим отображением отношений "многие-ко-многим", тогда как семантические сети преуспевают в этом.

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

Введение

Эффективность диагностики Экспертной Системы для радиоэлектронных устройств фундаментально определяется полнотой и актуальностью ее Базы Знаний. Учитывая быстрое развитие номенклатуры оборудования и растущую сложность современных систем, традиционные ручные подходы к обогащению БЗ уже недостаточны. Для достижения самообучающейся и адаптивной диагностической системы предлагается комбинированная методология, состоящая из активного обучения — которое оптимизирует взаимодействие с экспертом-инженером — и интеграции нейросетевых моделей — которая позволяет автоматизировать анализ сигналов и данных.

Активное обучение представляет собой методологическую парадигму, в которой система сама определяет, какие данные должны быть размечены экспертом, чтобы максимизировать эффективность обучения. В контексте радиоэлектронной диагностики эта парадигма разворачивается следующим образом.

• Этап 1: Работа в условиях неопределенности. Получив данные измерений от анализаторов спектра, осциллографов или мультиметров, система выполняет предварительный анализ и формулирует диагностическую гипотезу относительно состояния устройства (например, "номинальное состояние", "отказ усилительного модуля", "деградация АЦП"). Ключевым шагом в этом процессе является оценка уверенности в прогнозе. Такая уверенность может быть получена из вероятностных оценок модели, геометрических критериев, таких как расстояние до опорных векторов, или оценок согласованности данных с несколькими правилами БЗ.
• Этап 2: Критерии запроса. Когда уровень уверенности системы падает ниже заранее определенного порога — проявляясь, например, в высокой энтропии прогноза или при наличии нескольких равновероятных сценариев неисправности — случай автоматически идентифицируется как "неопределенный". Эта ситуация обычно возникает с появлением новых аномалий или сложных, взаимозависимых неисправностей.
• Этап 3: Взаимодействие с экспертом-инженером. Система автоматически генерирует структурированный, целенаправленный запрос на ввод эксперта. Этот запрос включает необработанные или визуализированные данные измерений (осциллограммы, спектрограммы и т.д.), результаты предварительного анализа (представленные в виде ранжированного набора гипотетических неисправностей с оценками уверенности), контекстную информацию, описывающую модель устройства и рабочие параметры, точный и ориентированный на задачу запрос.
• Этап 4: Обогащение Базы Знаний. Проверенный ответ эксперта — будь то подтвержденный диагноз, описание новой неисправности или процедура устранения — служит двум основным функциям. Он предоставляет немедленный диагностический вывод для тестируемого устройства и обогащает БЗ, создавая новое правило или модифицируя существующее. Кроме того, случай включается в обучающий набор данных нейросетевых моделей, расширяя адаптивные возможности системы.

Преимущества. Эта методология дает три существенных преимущества: (1) она снижает рабочую нагрузку на экспертов-инженеров, направляя их внимание только на самые сложные и нетипичные случаи; (2) она обеспечивает целенаправленное, эффективное обучение, устраняя самые слабые области системы; и (3) она гарантирует непрерывное накопление диагностических знаний, делая ЭС всё более эффективной с каждой итерацией.

1. Интеграция с нейросетевыми моделями для расширенной интерпретации сигналов

Современные радиоэлектронные системы генерируют многомерные данные — такие как IQ-сигналы, спектры и тепловые карты, которые трудно описать с помощью классических продукционных правил. Нейронные сети уникально подходят для анализа таких данных, но их выходам часто недостаёт интерпретируемости. Чтобы преодолеть это ограничение, предлагается гибридная диагностическая архитектура, в которой нейронные сети и ЭС работают взаимно усиливающим образом.

2. Процедура экспертной проверки и верификации диагностических решений

Эффективность и надежность любой Экспертной Системы определяются не только ее способностью генерировать диагностические гипотезы, но и наличием строгого, формализованного процесса проверки этих гипотез. Процедура экспертной проверки и верификации диагностических решений представляет собой критически важный этап, обеспечивающий достоверность выходных данных системы и защищающий от ошибочных заключений, которые в области радиоэлектроники могут привести к серьезным последствиям [5]. Эта процедура реализуется через трехуровневую структуру.

Уровень 1: Внутренняя проверка на основе онтологии и правил (Автоматическая валидация)

На этом этапе система проводит самопроверку сгенерированного диагностического заключения до его представления пользователю.

Особое внимание уделяется двум аспектам:

• Полнота: Система оценивает, были ли должным образом учтены все доступные входные данные. Она проверяет наличие противоречий между данными, подтверждающими гипотезу, и данными, которые остались неиспользованными. Например, если нейросетевая модель регистрирует [обнаружена_аномалия("фазовый_шум")], но эта аномалия не отражена в окончательном заключении, система инициирует запрос на уточнение.
• Непротиворечивость: Механизм логического вывода обеспечивает, чтобы новое заключение не конфликтовало с ранее установленными фактами или строго формализованными правилами, закодированными в онтологии. Например, если диагноз предполагает неисправность "отсутствует питание", но при этом наблюдается ненулевой выходной сигнал, срабатывает правило противоречия, и гипотеза отклоняется.

В дополнение к этим структурным проверкам система выполняет оценку уверенности, присваивая каждому заключению численную оценку надежности [9]. Эта оценка выводится из нескольких агрегированных факторов:

• Уровень уверенности нейросетевой модели (если применялась).
• Статистическая надежность данных с датчиков (соответствие допускам, погрешность измерения).
• "Сила" активированных правил (их приоритет, количество поддерживающих фактов и авторитет источника правила в БЗ).

Заключения с недостаточной уверенностью автоматически переводятся на следующий уровень проверки.

Уровень 2: Экспертная проверка (Интерактивный обзор)

На этом этапе привлекается эксперт-радиоинженер, и он запускается при определенных условиях.

• Низкая внутренняя оценка уверенности, присвоенная заключению.
• Обнаружение нового режима отказа, неизвестного системе (как идентифицировано методами активного обучения).
• Явный запрос пользователя ("Запросить проверку”).
• Высокая критичность потенциальных последствий (например, диагноз, ведущий к дорогостоящей замене основного модуля, всегда требует обязательной экспертной проверки).

Система генерирует для эксперта подробный протокол обоснования решения, который включает:

• Исходные данные (спектрограммы, осциллограммы).
• Цепочку активированных правил со ссылкой на их посылки.
• Результаты предварительной классификации от нейронной сети.
• Альтернативные гипотезы, которые рассматривались, и обоснование их отклонения.

Эксперт анализирует этот протокол, подтверждает или опровергает решение системы и вносит при необходимости исправления или комментарии.

• Вердикт эксперта представляет собой окончательное диагностическое решение.
• Этот вердикт вместе с протоколом обоснования немедленно интегрируется в Базу Знаний. Следовательно, каждый случай проверки становится актом обучения системы, постепенно повышая ее будущую точность.

Уровень 3: Статистическая валидация и аудит (Пост-анализ)

Это периодическая процедура, предназначенная для оценки общей производительности системы и обнаружения систематических ошибок.

• Через регулярные промежутки времени (например, ежеквартально) накопленный исторический набор данных повторно обрабатывается через обновленную ЭС.
• Результаты сравниваются с референсными диагнозами, что позволяет рассчитать метрики точности, полноты и F1-меры для различных типов неисправностей и классов оборудования.

Старшие эксперты и аналитики проводят выборочный обзор цепочек рассуждений для выявления:

• Хрупких правил, ведущих к ошибочным заключениям.
• Областей, где нейросетевая модель демонстрирует систематическую ошибку классификации.
• Пробелов в онтологии, требующих дополнения.

На основе результатов аудита вносятся плановые корректировки в БЗ и онтологию. При необходимости нейронные модели дообучаются на вновь размеченных данных.

Заключение

Предлагаемая трехуровневая процедура экспертной проверки и верификации обеспечивает сквозной контроль качества в работе экспертной системы. Она интегрирует автоматизированную внутреннюю проверку, интерактивное взаимодействие с экспертами предметной области для сложных случаев и системный пост-анализ для непрерывного улучшения. Этот подход минимизирует риск диагностических ошибок, формирует доверие пользователей к системе и устанавливает замкнутый цикл непрерывного развития и самообучения.

Список литературы:

1. Г. А. Долин, «Схемотехнический анализ, синтез и моделирование радиоустройств в САПР Электра», в сборнике «Системы генерации и обработки сигналов в области бортовых связей», Москва, Россия, 2019, с. 1-6, doi: 10.1109/SOSG.2019.8706814.
2. Г. А. Долин, А. Ю. Кудряшова, «Модифицированные методы схемотехнического моделирования радиоэлектронных устройств во временной области», Синхроинфо Джорнал, т. 6, № 2, 2020, с. 7-11.
3. Г. А. Долин, В. А. Алпеев, П. В. Царев, Н. А. Круглов, А. В. Корыткин, «Автоматизация схемотехнического проектирования радиоэлектронных устройств в экспертной системе», РЭДС: Телекоммуникационные РТУ и системы, т. 10, № 2, Москва: РНТОРЭС им. А.С. Попова, 2020, с. 9-15.
4. Г. А. Долин, Н. П. Смирнов, Т. В. Тарбаев, Е. О. Цыганков. «Использование метода переменных состояния для определения запаса устойчивости против самовозбуждения узлов аналоговых радиоэлектронных устройств», РЭДС: Телекоммуникационные системы управления и системы, т. 10, № 1, Москва: РНТОРЭС им. А.С. Попова, 2020, с. 34-36.
5. Фам Ле Куок Хань «Диагностика радиоэлектронных средств при испытаниях на ударные воздействия», диссертация на соискание ученой степени кандидата технических наук, специальность: 05.12.04 – Радиотехника, включая телевизионные системы и устройства, М.: ФГБОУ ВО «МИРЭА – Российский технологический университет», 2021.