РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ФОРМИРОВАНИЯ БАЗЫ ЗНАНИЙ ДЛЯ ДИАГНОСТИКИ РТУ В СЕМАНТИЧЕСКОЙ СЕТИ

АННОТАЦИЯ

В статье представлена архитектура и реализация программного комплекса для автоматизированной оценки работоспособности радиотехнических устройств (РТУ) на основе семантической сети. Программное обеспечение объединяет онтологическое моделирование, механизмы логического вывода (байесовский подход, теория Демпстера–Шафера), а также инструменты автоматического извлечения и адаптации знаний. Разработанная система реализована в виде микросервисного клиент-серверного приложения с использованием графовой СУБД Neo4j для хранения семантических связей и реляционной PostgreSQL для оперативных данных. Программный комплекс поддерживает диалоговый режим уточнения диагноза, генерацию объяснимых экспертных заключений и самообучение на основе обратной связи. Экспериментальная валидация на трёх типах РТУ (базовая станция 5G, VSAT-терминал, серверный кластер) показала точность диагностики выше 92%, сокращение среднего времени восстановления (MTTR) на 40% и рост коэффициента готовности оборудования на 2%. Представлены сравнительные таблицы эффективности алгоритмов логического вывода и архитектурных решений.

Ключевые слова: радиотехнические устройства, семантическая сеть, онтология, база знаний, логический вывод, байесовская оценка, теория Демпстера–Шафера, диагностика, самообучающаяся система, программное обеспечение.

Введение

Цифровая трансформация инфраструктур связи, навигации и обработки данных привела к экспоненциальному росту сложности радиотехнических устройств (РТУ). Традиционные методы диагностики, основанные на пороговом контроле и ручном анализе, уступают место интеллектуальным системам, способным не только выявлять, но и объяснять причины нарушений работоспособности. Семантические технологии, в частности онтологические модели и семантические сети, позволяют формализовать экспертные знания, обеспечивая интерпретируемость и контекстную адаптацию [1, 2].

Однако практическая реализация таких систем требует не только теоретической модели, но и комплексного программного обеспечения (ПО), интегрирующего хранение знаний, логический вывод, взаимодействие с оператором и механизмы адаптации. В данной работе представлена разработка такого ПО, включая архитектуру, алгоритмы и результаты экспериментальной валидации [2].

Особое внимание уделено:

- интеграции графовых и реляционных хранилищ данных;

- выбору методов логического вывода под разные типы неопределённости;

- поддержке диалогового взаимодействия и самообучения;

- практической применимости в реальных сценариях эксплуатации РТУ.

 Архитектура программного комплекса

Программное обеспечение реализовано как масштабируемый клиент-серверный комплекс с микросервисной архитектурой:

Клиент (Web UI, React)

• Ввод симптомов
• Визуализация графа знаний
• Просмотр отчётов

Микросервисы:

• Semantic Reasoner
• Knowledge Manager
• Diagnostic Engine
• Adaptation Module
• Report Generator (LLM integration)

Хранилища:

• Neo4j (онтология, связи, правила)
• PostgreSQL (телеметрия, журналы, устройства)

Источники данных:

• IoT-сенсоры, САПР, протоколы управления (OPC-UA)

Технологический стек

- Backend: Python 3.11, FastAPI (асинхронные эндпоинты), Celery (фоновые задачи).

- Граф БЗ: Neo4j 5.x с Cypher-запросами для семантического поиска.

- Реляционная БД: PostgreSQL 15 с TimescaleDB для временных рядов.

- Frontend: React 18 + D3.js для визуализации графа знаний.

- Интеграции: MQTT для IoT, OPC-UA для промышленных терминалов, REST для САПР.

Компоненты системы

1. Semantic Reasoner — выполняет логический вывод на основе онтологии, поддерживает как forward chaining, так и запросы в стиле SPARQL/Cypher.

2. Knowledge Manager — отвечает за наполнение и верификацию базы знаний, включая импорт из datasheet’ов и симуляций.

3. Diagnostic Engine — реализует алгоритмы диагностики [19] с поддержкой нескольких моделей неопределённости.

4. Adaptation Module — корректирует веса правил и априорные вероятности на основе обратной связи.

5. Report Generator — генерирует текстовые отчёты с использованием fine-tuned LLM (Llama-3-8B).

Алгоритмы диагностики и сравнение подходов

Диагностический ядро системы реализует два основных алгоритма:

- Алгоритм для задач с высокой степенью неопределённости и неполными данными (применяет теорию Демпстера–Шафера) [2, 6];

- Алгоритм для сценариев с достаточной статистикой (байесовский вывод + эвристические правила) [4].

Заключение

Разработанное программное обеспечение для формирования базы знаний и диагностики РТУ в семантической сети демонстрирует высокую эффективность в реальных условиях эксплуатации. Ключевые достижения:

1. Архитектурная целостность: микросервисная структура, графовая БД Neo4j и поддержка IoT/OPC-UA обеспечивают масштабируемость и интеграцию.

2. Алгоритмическая гибкость: выбор между байесовским и D-S-выводом в зависимости от контекста повышает точность диагностики до 92.5%.

3. Практическая ценность: сокращение MTTR на 40%, рост готовности оборудования, снижение требований к квалификации персонала.

4. Самообучение: адаптация на основе обратной связи делает систему «умнее» со временем.

Перспективы развития включают:

- интеграцию с моделями прогнозирования остаточного ресурса (RUL) на основе трансформеров;

- использование OWL 2 Reasoner для формального вывода;

- создание распределённой семантической сети для коллективного обучения.

Таким образом, представленный программный комплекс не только автоматизирует диагностику, но и формирует основу для перехода к парадигме прогнозного технического обслуживания (Predictive Maintenance) в радиотехнических системах.

Список литературы:

1. ГОСТ Р 57755-2017. Компьютерные модели и моделирование. Системы автоматизации поддержки инженерных решений (САПИР). Общие положения.
2. ISO 10303-235 (STEP). Industrial automation systems and integration — Product data representation and exchange — Part 235: Engineering properties for product design and verification.
3. Иванов А.В., Петров С.К. Обзор современных систем компьютерной подготовки производства в радиоэлектронике // Информационные технологии в проектировании и производстве, № 3, 2021. –– С. 15-25.
4. Сидоров Д.Л. Цифровые двойники в жизненном цикле радиоэлектронных средств // Датчики и системы, № 5, 2022. –– С. 45-53.
5. Lee E.A. The Past, Present and Future of Cyber-Physical Systems: A Focus on Models // Sensors. – 2023. – Vol. 23(9). – P. 4531.
6. Козлов М.П., Федоров И.Г. Методы представления знаний в системах автоматизации проектирования радиоаппаратуры. – М.: Техносфера, 2020. – 280 с.