Щодо одного підходу до інтеграції штучного інтелекту в методологію аналізу дерева відмов

Анотація

У сучасних умовах інтенсивної експлуатації авіаційного транспорту забезпечення надійності та безвідмовності технічних систем є пріоритетним завданням, безпосередньо пов'язаним із безпекою польотів та економічною ефективністю [1]. Аналіз статистичних даних свідчить, що технічні несправності, посідаючи друге місце серед причин скасування авіарейсів, створюють значні операційні та фінансові ризики. Особливої гостроти проблема набуває в контексті авіаційних двигунів, які є критично важливими компонентами, чиї відмови можуть мати катастрофічні наслідки [1]. Вирішальним фактором також є дефіцит часу між польотами, необхідного для здійснення регламентного технічного обслуговування, що вимагає впровадження достовірних діагностичних методів прогнозування.

Традиційні підходи до оцінки надійності, що базуються на класичних аналітичних моделях (наприклад, експоненціальний закон розподілу), хоча й є фундаментальними, часто виявляються недостатньо чутливими для відображення багатофакторного та нелінійного характеру процесів зносу та відмов у складних сучасних системах [2]. У зв'язку з цим виникла нагальна потреба у розробці інтеграційних методологій, здатних поєднати структурну логіку інженерного аналізу з прогнозованою потужністю штучного інтелекту.

У статті запропоновано інтеграцію різних підходів, що інтегрує класичну методологію аналізу дерева відмов Fault Tree Analysis (FTA) з алгоритмами машинного навчання, а саме рекурентними нейронними мережами типу Long Short-Term Memory (LSTM) [3]. Методологія FTA забезпечує необхідний структурний каркас, встановлюючи причинно-наслідкові зв'язки між базовими подіями (відмовами елементів) та головною подією (відмовою двигуна) через логічні оператори.

Ключова ідея полягає у використанні LSTM-мереж для динамічного прогнозування ймовірності відмови Pi(t+Δt) кожного окремого критичного вузла системи. LSTM-мережі, відомі своєю здатністю ефективно обробляти великі обсяги послідовних даних (часові ряди), навчаються на історичних даних експлуатаційних параметрів двигуна, які включають температуру, тиск, вібрацію та інші критичні показники X_i(t) [4]. Це дозволяє моделі фіксувати складні, довготривалі залежності, що передують фактичній відмові.

Прогнозовані значення ймовірностей відмов P_i (t+Δt) окремих компонентів динамічно підставляються в логічну модель FTA (рівняння P = f (P₁, P₂, ..., P_n)), що дає змогу в режимі реального часу оновлювати інтегральну оцінку надійності всієї системи Psys(t). Цей механізм не лише підвищує точність загального прогнозу, але й дозволяє оперативно здійснювати редукцію FTA, звужуючи коло пошуку найбільш імовірних сценаріїв. Завдяки цьому, інженерно-технічний персонал може швидко ідентифікувати джерело потенційної несправності, що є критично важливим для переходу до технічного обслуговування за фактичним станом та мінімізації ризиків несподіваних відмов.