В работе предложен воспроизводимый алгоритм диагностического вывода для радиотехнических устройств на основе семантической базы знаний. Разнородные измерения приводятся к общей шкале по расстоянию от нормативной до явно заданной критической границы; для расчетного сценария опубликованы все масштабы нормировки и полная знаковая матрица связей «симптом – неисправность». Базовая оценка учитывает подтверждающие и опровергающие признаки, а отдельное правило критичности предотвращает подавление единичного физически значимого симптома суммой менее важных связей. В сценарии усилительного тракта отклонение частоты 14 кГц при норме не более 5 кГц активировало приоритетную проверку генераторного узла; за ней следуют усилительный каскад, фильтр или согласующие цепи, антенно-фидерный тракт и цепи питания. Предложенный подход обеспечивает интерпретируемое ранжирование диагностических гипотез и формирование очередности инженерных проверок. Анализ чувствительности при коэффициенте учета опровергающих признаков от 0,2 до 0,6 сохранил базовый порядок неприоритетных гипотез, а изменение контекста контроля изменило активации и итоговую очередность. Расчеты сопоставлены с невзвешенным правилом прямого соответствия. Полученные результаты подтверждают воспроизводимость вычислительной процедуры, но не заменяют стендовую или эксплуатационную валидацию.
1. Isermann R. Model-based fault-detection and diagnosis – status and applications. Annual Reviews in Control. 2005;29(1):71–85. https://doi.org/10.1016/j.arcontrol.2004.12.002
2. Gao Zh., Cecati C., Ding S.X. A survey of fault diagnosis and fault-tolerant techniques – Part I: fault diagnosis with model-based and signal-based approaches. IEEE Transactions on Industrial Electronics. 2015;62(6):3757–3767. https://doi.org/10.1109/TIE.2015.2417501
3. Venkatasubramanian V., Rengaswamy R., Yin K., Kavuri S.N. A review of process fault detection and diagnosis. Part I: quantitative model-based methods. Computers & Chemical Engineering. 2003;27(3):293–311. https://doi.org/10.1016/S0098-1354(02)00160-6
4. Venkatasubramanian V., Rengaswamy R., Kavuri S.N. A review of process fault detection and diagnosis. Part II: qualitative models and search strategies. Computers & Chemical Engineering. 2003;27(3):313–326. https://doi.org/10.1016/S0098-1354(02)00161-8
5. Giarratano J.C., Riley G.D. Expert Systems: Principles and Programming. Boston: Course Technology; 2005. 842 p.
6. Buchanan B.G., Shortliffe E.H. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Reading: Addison-Wesley; 1984. 748 p.
7. Reiter R. A theory of diagnosis from first principles. Artificial Intelligence. 1987;32(1):57–95. https://doi.org/10.1016/0004-3702(87)90062-2
8. De Kleer J., Mackworth A.K., Reiter R. Characterizing diagnoses and systems. Artificial Intelligence. 1992;56(2–3):197–222. https://doi.org/10.1016/0004-3702(92)90027-U
9. Blanke M., Kinnaert M., Lunze J., Staroswiecki M. Diagnosis and Fault-Tolerant Control. Berlin: Springer; 2016. 695 p.
10. Isermann R. Fault-Diagnosis Systems: An Introduction from Fault Detection to Fault Tolerance. Berlin: Springer; 2006. 475 p.
11. Hogan A., Blomqvist E., Cochez M., et al. Knowledge Graphs. ACM Computing Surveys. 2021;54(4):71. https://doi.org/10.1145/3447772
12. Ji Sh., Pan Sh., Cambria E., Marttinen P., Yu Ph.S. A survey on knowledge graphs: representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems. 2022;33(2):494–514. https://doi.org/10.1109/TNNLS.2021.3070843
13. Huang X., Yang Ch., Zhang Y., Lou S., Kong L., Zhou H. Ontology guided multi-level knowledge graph construction and its applications in blast furnace ironmaking process. Advanced Engineering Informatics. 2024;62:102927. https://doi.org/10.1016/j.aei.2024.102927
14. Brahmbhatt P., Patel R., Maheshwari A., Gudi R.D. Improved fault detection and diagnosis using graph auto encoder and attention-based graph convolution networks. Digital Chemical Engineering. 2024;11(4):100158. https://doi.org/10.1016/j.dche.2024.100158
15. Ding Y., Li H., Zhu F., Wang Zh., Peng W., Xie M. A semi-supervised failure knowledge graph construction method for decision support in operations and maintenance. IEEE Transactions on Industrial Informatics. 2024;20(3):3104–3114. https://doi.org/10.1109/TII.2023.3299078
16. Liu P., Qian L., Zhao X., Tao B. Joint knowledge graph and large language model for fault diagnosis and its application in aviation assembly. IEEE Transactions on Industrial Informatics. 2024;20(6):8160–8169. https://doi.org/10.1109/TII.2024.3366977
17. Klein P., Malburg L., Bergmann R. Combining informed data-driven anomaly detection with knowledge graphs for root cause analysis in predictive maintenance. Engineering Applications of Artificial Intelligence. 2025;145(1):110152. https://doi.org/10.1016/j.engappai.2025.110152
Несмеянов Павел Павлович
Московский технический университет связи и информатики
Москва, Российская Федерация
