Способ и система автоматизированной верификации совместимости комплектующих в составе изделий

Способ и система автоматизированной верификации совместимости комплектующих в составе изделий

Выданный патент: RU2870023C1 Дата публикации: 2026-09-15 Заявитель / патентообладатель: Бражников Михаил Сергеевич (RU) Классификация: G06F30/3308 G06F17/16 G06N20/20 G06F30/3308 G06F17/16 G06N20/20

Реферат [422] Изобретение относится к области вычислительной техники. Технический результат заключается в повышении точности и достоверности идентификации скрытых нелинейных межузловых конфликтов. Указанный результат достигается благодаря способу автоматизированной верификации комплектующих в составе изделий для выявления скрытых межузловых конфликтов совместимости, в котором: осуществляют загрузку в оперативную память ЭВМ массивов спецификаций состава собранных изделий и логов их; осуществляют сквозную верификацию синтаксической и логической целостности входных текстовых потоков; выполняют контурную фильтрацию иерархических спецификаций с выделением изолированных доменов функционального взаимодействия компонентов; осуществляют бинарную полярную сепарацию множества объектов на несколько контрастных кластеров; выполняют динамическую аппаратную балансировку объемов полученных кластеров до эквивалентного или сопоставимого соотношения классов; преобразуют древовидные структуры состава отобранных сбалансированных объектов в единое векторное признаковое пространство; выполняют первый прогон обучения ансамбля решающих деревьев; осуществляют второй прогон обучения; на основе полученной иерархии генерируют выходной цифровой массив предиктивных конфигурационных правил. 2 н.п. ф-лы, 5 ил.

Описание [1] Изобретение относится к области вычислительной техники и систем автоматизированного проектирования (САПР), а именно к компьютерным системам и способам верификации конфигурационной совместимости компонентов сложных технических систем, и может быть использовано для упреждающего контроля качества комплектации, предотвращения скрытых межузловых дефектов на этапе сборки технических систем, а также для оптимизации планов сервисного обслуживания и ремонта транспортных средств. [2] Известны различные способы и системы верификации совместимости комплектующих изделий. Например, известен способ по патенту США № 12220816 от 20.11.2019 (публикация US 20200198128) на изобретение под названием «Устройство поддержки подтверждения данных обучения, устройство машинного обучения и устройство прогнозирования отказов» (МПК B25J 9/16, G05B 23/02, G06F 16/2458, G06N 5/04, G06N 20/00). Данная система содержит: блок сбора данных, который получает данные измерений, включающие в себя данные временного ряда, представляющие по меньшей мере одно из заданного количества состояния или контрольного количества, относящегося к управлению, когда промышленная машина выполнена с возможностью исполнения управляющей программы для проверки работоспособности путем выполнения заданной операции в соответствии с заданным графиком и при заданном условии; блок управления отображением, который выравнивает множество фрагментов данных временного ряда, полученных блоком сбора данных в направлении оси времени, и накладывает один и тот же параметр данных измерений, полученных в разное время из множества фрагментов данных временных рядов, в виде отдельных волновых сигналов на графике, который отображается, тем самым подтверждая загрязнение ненадлежащих данных путем визуального перечисления данных обучения в виде графика и сравнения отдельных волновых сигналов; блок хранения данных, который хранит данные временного ряда, полученные блоком сбора данных; и блок выбора данных, который исключает из блока хранения данных данные временного ряда, определенные как несоответствующие данные, в качестве данных обучения из множества фрагментов данных временного ряда, отображаемых в графе с помощью блока управления отображением, причем несоответствующие данные в качестве данных обучения определяются из любой формы волны среди отдельных форм волны, которые не перекрываются на линии, и блок выбора данных исключает данные измерений, которые соответствуют формам волны, которые не перекрываются на линии, как ненадлежащие данные в качестве данных обучения. Недостатками данного аналога являются: высокая трудоемкость и зависимость от человеческого фактора, обусловленная необходимостью визуального анализа графиков оператором и ручного исключения ненадлежащих данных; принципиальная невозможность выявления скрытых межузловых конфликтов совместимости, так как объект анализа ограничен динамическими сигналами датчиков конкретного устройства (телеметрией), а анализ статической конфигурации состава изделия (BOM-спецификаций поставщиков) и перекрестного влияния брендов комплектующих изделий в структуре изделия данным способом не предусмотрен. [3] Наиболее близким по совокупности существенных признаков аналогом (прототипом) заявленного технического решения является изобретение под названием «Способ прогнозирования анормальностей и способ прогнозирования анормальности» по патенту США № 11703845 от 04.07.2019 (публикация US 20210255613) (МПК G05B 23/02, G01H 17/00). Данный способ включает: сохранение данных предсказания аномалии, причем данные предсказания аномалии включают в себя первое множество точек данных выборки; сохранение данных о степени ненормальности в связи с данными предсказания аномалии; ввод целевых данных обработки, содержащих, по меньшей мере, одно из аудиоданных и данных вибрации, полученных от целевого устройства, причем, по меньшей мере, один из аудиоданных и данных вибрации включает в себя второе множество точек данных выборки; сопоставление второго множества точек выборочных данных с первым набором из первого множества точек выборочных данных; вычисление степени анормальности целевых данных обработки на основе скорости согласования второго множества точек данных выборки с первым набором из первого множества точек данных выборки; определение прогнозирования ненормальности целевого устройства на основе данных предсказания аномалии, которые хранятся в запоминающем устройстве в ассоциации с первым набором из первого множества точек данных выборки, причем прогнозирование анормальности включает в себя прогнозирование возникновения отказа; создание экрана дисплея для отображения прогноза ненормальности на дисплее, причем экран дисплея показывает второе множество точек данных выборки, соответствующих первому набору из первого множества точек данных выборки целевого устройства и используемых для по меньшей мере одного из технического обслуживания, ремонта или замены целевого устройства; и отображают экран дисплея на дисплее, причем второй набор из первого множества точек данных выборки, который связан с датами проверки позже во времени, чем первый набор из первого множества точек данных выборки, который не совпадает со вторым множеством точек данных выборки, и который находится между первым набором из первого множества точек данных выборки и прогнозированием возникновения сбоя во времени, включен в данные предсказания аномалии и отображается на экране дисплея в ассоциации с датами проверки позже во времени и используется для по меньшей мере одного из технического обслуживания, ремонта или замены целевого устройства. При этом заявленное решение и прототип принципиально разное целевое назначение. Цель прототипа - оперативная диагностика текущего состояния устройства (мониторинг аномалий), в то время как цель заявленного решения - автоматизированное выявление скрытых межузловых конфликтов совместимости комплектующих (предотвращение выпуска несовместимых конфигураций). Недостатками прототипа являются: 1. Тип входных данных: прототип анализирует динамические параметры состояния (телеметрию, сигналы). Заявленное решение основано на анализе статических конфигурационных данных (BOM-спецификаций) и эксплуатационных данных, фиксирующих факт проверки изделия (отказ или плановая проверка) и наработку на момент указанной проверки изделия, что позволяет выявлять конфликты, не имеющие явного отражения в текущих сигналах датчиков. 2. Алгоритм подготовки данных (ETL): в прототипе отсутствует этап Pivot-трансформации иерархических структур спецификаций и эксплуатационных данных в разреженную матрицу признаков. В заявленном решении этот этап является ключевым для перевода структуры изделия в математическое пространство признаков. 3. Метод формирования обучающей выборки: прототип обучается на общем потоке данных. Заявленное решение использует бинарную сепарацию обучающего множества по пороговым значениям ресурса и принадлежности к целевой системе, до достижения эквивалентного или сопоставимого соотношения классов, в том числе до соотношения 50 на 50. Это позволяет изолировать «системный конфликт» от «эксплуатационного шума», обеспечивая точность идентификации несовместимости на уровне 0.95-0.99. 4. Контурная релевантность: в заявленном решении реализован механизм автоматической фильтрации признаков по технологическим контурам (system_type), что исключает возникновение ложных корреляций между функционально несвязанными узлами, чего нет в прототипе. 5. Целевое назначение: заявленное решение - это автоматическое формирование выходного цифрового массива предиктивных конфигурационных правил (в виде двухмерной матрицы несовместимости или интерактивного графа дерева решений) для всей серии изделий. Прототип - это прогноз возникновения аномалии для конкретного устройства. [4] Задачей изобретения является создание автоматизированной системы верификации комплектующих в составе изделий для выявления скрытых причин отказов, в виде несовместимых комбинаций узлов, не связанных с прямым браком деталей, что позволяет улучшить качества машин, снижение гарантийных издержек за счет исключения несовместимых пар узлов еще на этапе проектирования и сборки. Техническим результатом изобретения является создание системы и способа автоматизированной верификации совместимости комплектующих в составе изделий, обеспечивающих: повышение точности и достоверности идентификации скрытых нелинейных межузловых конфликтов (вплоть до уровня 0.95-0.99) за счет бинарной полярной сепарации и балансировки обучающих выборок, полностью исключающих влияние эксплуатационного шума внешней среды; кратное сокращение времени вычисления и локализации причин системных дефектов комплектации за счет предварительной контурной фильтрации и редукции признакового пространства по порогу информационной значимости, предотвращающих комбинаторный взрыв при построении графа правил; автоматический синтез выходного цифрового массива предикционных конфигурационных правил (выполняемого в виде двухмерной матрицы межузловой несовместимости или интерактивного графа логического дерева решений) для автоматического предиктивного контроля верифицируемой структуры изделия. Также техническим результатом изобретения является автоматическое выделение изолированных целевых пар конфликтующих компонентов (например, блока управления и жгута проводов или блока управления и генератора) из общего многоуровневого массива спецификации. Сгенерированные алгоритмом точные конфигурационные правила предоставляют инженерам целевые ориентиры для изолированного стендового тестирования именно этих узлов в лабораторных условиях, что позволяет оперативно верифицировать физическую природу несовместимости (электромагнитные помехи, просадки напряжения в общей сети, программные конфликты протоколов обмена данными) и сформировать технические требования для внесения изменений в конструкторскую документацию компонентов поставщиков. [5] Сущность изобретения состоит в том, способ автоматизированной верификации комплектующих в составе изделий для выявления скрытых межузловых конфликтов совместимости, выполняемый с помощью вычислительного процессора ЭВМ и распределенной среды обработки данных, отличается тем, что: [6] • осуществляют загрузку в оперативную память ЭВМ массивов иерархических спецификаций (BOM) состава собранных изделий и ассоциированных логов их эксплуатации с фиксацией наработки; [7] • на этапе приема данных осуществляют сквозную верификацию синтаксической и логической целостности входных текстовых потоков путем проверки соответствия заявленных внутри спецификации компонентов эталонным онтологическим связям внешнего справочника валидации с помощью логических предикатов в памяти ЭВМ, при этом строки, содержащие аномалии распределения компонентов по системам, исключают из дальнейшей обработки; [8] • выполняют контурную фильтрацию иерархических спецификаций с выделением изолированных доменов функционального взаимодействия компонентов; [9] • осуществляют бинарную полярную сепарацию множества объектов на контрастный кластер критических отказов в целевом домене при наработке ниже первого заданного инженерами порога и контрастный кластер эталонной надежности при наработке выше второго заданного порога, при этом объекты с промежуточной наработкой исключают из анализа; [10] • выполняют динамическую аппаратную балансировку объемов полученных кластеров до эквивалентного или сопоставимого соотношения классов, в том числе до соотношения 50 на 50 методом случайного вероятностного прореживания избыточного мажоритарного кластера и объединяют в один кластер; [11] • преобразуют древовидные структуры состава отобранных сбалансированных объектов в единое векторное признаковое пространство посредством объектно-реляционной Pivot-трансформации, в которой фиксированному типу компонента соответствует выделенное измерение разреженной матрицы, а значением измерения является статический атрибут происхождения комплектующего изделия (Бренд-Модель); [12] • на полученной матрице признаков выполняют первый прогон обучения ансамбля решающих деревьев, на основе которого вычисляют весовые коэффициенты информационной значимости (Feature Importance) каждого измерения, при этом компоненты комплектации, чей числовой коэффициент значимости составляет менее 1.0% (0.01), признаются малозначимыми и полностью удаляются из признакового пространства; [13] • на редуцированной матрице значимых признаков осуществляют второй прогон обучения для синтеза логико-вероятностного итерационного преобразователя, формирующего детерминированную иерархию правил дихотомического ветвления данных; [14] на основе полученной иерархии генерируют выходной цифровой массив предиктивных конфигурационных правил, содержащий числовой коэффициент значимости каждого измерения и перечень недопустимых сочетаний комплектующих изделий различных производителей со стопроцентной вероятностью совместного отказа в гарантийный период эксплуатации. А система автоматизированной верификации совместимости комплектующих в составе изделий, содержит по меньшей мере один процессор, устройство хранения данных и устройство управления, отличающаяся тем, что она сконфигурирована для реализации способа по п.1 и включает в себя: [15] • модуль приема, валидации и структурирования входного текстового потока (1), выполненный с возможностью синтаксического анализа входного полуструктурированного текстового потока и его сквозной предиктивной валидации по онтологическому справочнику систем и схеме метаданных; [16] • модуль логической фильтрации и автоматизированной разметки данных (2), выполненный с возможностью доменной фильтрации компонентов по контурам и автоматического вычисления полярных меток классов, на основе считываемых из файла конфигурации граничных порогов наработки лога эксплуатации; [17] • модуль аппаратной балансировки и фильтрации выборок данных (3), выполненный с возможностью балансировки полярных подмножеств до достижения математической симметрии классов 50 на 50 с помощью функции ранжирования внутри окна распределения; [18] • модуль линеаризации признаков, машинного обучения и вывода цифрового массива предиктивных конфигурационных правил (4), выполненный с возможностью объектно-реляционной Pivot-трансформации, двухпрогонного машинного обучения с редукцией признаков по заданному порогу значимости менее 1.0% и генерации выходной матрицы инженерных запретов. [19] Изобретение поясняется графически, где: [20] на фиг. 1 - показана система автоматизированной верификации совместимости комплектующих в составе изделий. [21] на фиг. 2 - показана схема общей архитектуры автоматизированной верификации совместимости комплектующих в составе изделий, уровень 1; [22] на фиг. 3 - показана схема общей архитектуры автоматизированной верификации совместимости комплектующих в составе изделий, уровень 2; [23] на фиг. 4 - показана схема общей архитектуры автоматизированной верификации совместимости комплектующих в составе изделий, уровень 3, работа модулей 1-3; [24] на фиг. 5 - показана схема общей архитектуры автоматизированной верификации совместимости комплектующих в составе изделий, уровень 3, работа модуля 4. [25] Заявленная группа изобретений направлена на формирование выходного цифрового массива предиктивных конфигурационных правил для всей серии изделий, что позволяет исключить конфликтные сборки еще на этапе проектирования и производства. Система автоматизированной верификации совместимости комплектующих в составе изделий представляет собой программно-аналитическую систему, реализованную на базе вычислительной среды, и состоит из следующих функциональных модулей, логически связанных между собой: модуль приема, валидации и структурирования входного текстового потока 1, модуль логической фильтрации и автоматизированной разметки данных 2, модуль аппаратной балансировки и фильтрации выборок данных 3, модуль линеаризации признаков, машинного обучения и вывода цифрового массива предиктивных конфигурационных правил (матрица несовместимости, дерево решений) 4. Модули 1-4 системы автоматизированной верификации совместимости комплектующих изделий выполнены последовательно, реализуя сквозной направленный конвейер последовательных функциональных трансформаций данных. Модуль 1 предназначен для приема, валидации и предварительного структурирования входного текстового потока данных. Поток данных в полуструктурированном текстовом формате (пример структуры которого представлен в Приложении 1), сформированный в соответствии с предварительно заданной схемой данных, где каждый корневой объект содержит идентификационные параметры технического изделия (код VIN, модель), вложенный перечень данных о его комплектации (спецификацию компонентов - bom_spec) и вложенную совокупность данных о его эксплуатационной истории (события отказов и наработки - history). Модуль 1 осуществляет синтаксический анализ и валидацию входящего текстового потока и преобразует его в динамические табличные структуры данных в оперативной памяти вычислительной системы. При этом валидация самой структуры данных и приведение типов, входящих данных выполняются в автоматическом режиме с использованием программной схемы метаданных содержащей изолированный массив идентификаторов (имен) полей (пример структуры схемы метаданных представлен в Приложении. 2). При этом параметры идентификации изделия выделяются в отдельные плоские поля (колонки) таблицы, а спецификация компонентов и эксплуатационная история сохраняются в виде вложенных наборов данных (коллекций строк) внутри строк указанной таблицы. Ключевой особенностью функционирования модуля 1 является стадия сквозной верификации логической целостности спецификаций на основе внешнего эталонного онтологического справочника систем и узлов (пример справочника систем и узлов представлен в Приложении. 8). Модуль 1 осуществляет проверку соответствия заявленных инженерами внутри массива bom_spec связок «компонент-система» (node-system) с использованием логических предикатов (forall) в памяти процессора ЭВМ. Объекты, содержащие синтаксические и логические аномалии распределения компонентов по технологическим контурам, автоматически отбраковываются и исключаются из дальнейшей обработки, что предотвращает появление ложных корреляций на этапе обучения. Сформированные в оперативной памяти табличные структуры данных, содержащие связанные между собой плоские атрибуты изделия и вложенные списки (массивы данных) его компонентов и отказов, подготовленные для дальнейшей обработки, автоматически передаются в следующий модуль (пример структуры выходных данных представлен в Приложении. 3). Модуль логической фильтрации и автоматизированной разметки данных 2, предназначен для выделения релевантных подмножеств данных на основе метаданных о целевом узле отказа. Позволяет отсекать нерелевантные записи («информационный шум»), не относящиеся к исследуемому техническому контуру. В модуль 2 поступает распределенная табличная структура данных в оперативной памяти полученная после обработки модулем 1, содержащая плоские поля идентификации технического изделия и связанные с ними независимые вложенные списки спецификации компонентов и эксплуатационной истории (пример структуры входных данных представлен в Приложении. 3). Модуль 2 осуществляет автоматический сквозной анализ вложенных структур данных каждого изделия на основе динамически считываемых внешних конфигурационных параметров: [26] • идентификатора целевой исследуемой системы (targetSystem); [27] • идентификатора целевого отказавшего узла (causeNode); [28] • порогового значения низкого ресурса (lowResource); [29] • пороговое значение высокого ресурса (highResource). [30] Алгоритм выполняется в два параллельно-последовательных этапа: [31] 1) Контурная фильтрация и очистка спецификации. Модуль 2 осуществляет обход вложенного списка спецификации компонентов (bom_spec) для каждого изделия, содержащего только названия узлов, их бренды и модели. В процессе обхода модуль сопоставляет идентификатор названия каждого узла (node) с внешним валидированным онтологическим справочником систем и узлов. Справочник содержит предварительно сформированное подмножество эталонных узлов, жестко привязанных к целевой исследуемой системе (targetSystem). Если по результатам проверки названия узла во внешнем справочнике выясняется, что данный компонент не относится к контуру целевой исследуемой системы (targetSystem), модуль физически удаляет этот элемент из вложенного списка bom_spec данного изделия. Благодаря этому компоненты смежных технологических систем (являющиеся информационным шумом) отсекаются до этапа математического развертывания матрицы, что минимизирует итоговую размерность векторов». [32] 2) Оценка эксплуатационной траектории и автоматическое вычисление меток классов. Модуль 2 выполняет сканирование вложенного списка истории (history) изделия. В процессе сканирования применяется динамический логический фильтр, который автоматически игнорирует любые события, не относящиеся к целевой системе targetSystem. На основе отфильтрованных событий истории алгоритм проверяет выполнение двух взаимоисключающих условий: [33] • Первое условие (класс «раннего отказа»): в истории зафиксировано событие критического сбоя (event_type = FAILURE), при этом значение наработки строго меньше установленного нижнего порога (resource < lowResource), а дефект произошел на целевом узле (node = causeNode). При выполнении данного условия строке изделия присваивается полярная метка класса label = 1. [34] • Второе условие (класс «долгосрочной работы»): в истории полностью отсутствуют события критического сбоя (event_type = FAILURE), при этом зафиксировано хотя бы одно событие проверки со значением наработки строго больше установленного верхнего порога (resource > highResource). При выполнении данного условия строке изделия присваивается альтернативная полярная метка класса label = 0. [35] Промежуточное состояние (серая зона): если история изделия не удовлетворяет ни первому, ни второму критерию, поле полярной разметки оставляется неопределенным (null). Данные строки сохраняются в структуре в качестве избыточного временного буфера для последующей аппаратной балансировки. Модуль селективной фильтрации 2 после обработки данных представляет их в модифицированной табличной структуре данных в оперативной памяти, в которой вложенные списки спецификаций компонентов очищены от нецелевых систем, а каждая строка изделия обогащена дополнительным расчетным полем полярной разметки (label), принимающим значения 1, 0 или null (пример структуры выходных данных с распределением по трем состояниям представлен в Приложении. 4). [36] Модуль аппаратной балансировки и фильтрации выборок данных 3 получает данные по результатам обработки модулем 2 в виде табличной структуры данных в оперативной памяти, в которой вложенные списки спецификаций компонентов очищены от нецелевых систем, а каждая строка изделия содержит расчетное поле полярной разметки label со значениями 1, 0 или null (пример структуры входных данных представлен в Приложении. 4). Модуль 3 осуществляет автоматическое выравнивание объемов обучающих подмножеств и исключение промежуточных шумовых состояний для повышения точности последующего машинного обучения. Алгоритм выполняется в три последовательных этапа: [37] 1. Разделение данных на полярные подмножества: аналитический модуль 3 сканирует поле разметки (label) и разделяет общий массив данных на два изолированных подмножества: первое подмножество объектов раннего отказа (label = 1) и второе подмножество объектов долгосрочной работы (label = 0). При этом строки изделий, у которых значение метки является неопределенным (null), автоматически исключаются из дальнейшей обработки и отсекаются. [38] 2. Аппаратная балансировка классов: Вычислительный комплекс автоматически подсчитывает количество записей в обоих полученных подмножествах и определяет подмножество с минимальным объемом (мажоритарный и миноритарный классы). Модуль 3 осуществляет автоматическое сокращение объема большего подмножества до размера меньшего подмножества с применением алгоритма случайной выборки (Random Sampling). Например, если в подмножестве раннего отказа зафиксировано 1000 записей, а в подмножестве долгосрочной работы - 1500 записей, то во втором подмножестве случайным образом оставляется ровно 1000 записей, а избыточные 500 записей удаляются. [39] 3. Формирование сбалансированной матрицы: Очищенные и выровненные подмножества объединяются обратно в единую структуру данных с обеспечением строгого математического соотношения целевых классов 50 на 50. Данный баланс необходим для предотвращения смещения («переобучения») алгоритма классификации в сторону преобладающего класса и обеспечения максимальной точности прогнозной модели. Аналитический модуль 3 после обработки данных представляет их в табличной структуре в оперативной памяти, в которой полностью отсутствуют записи без меток классов (null), а количество записей объектов раннего отказа строго равно количеству записей объектов долгосрочной работы. Структура подготовлена для изменения размерности матриц и линеаризации признаков в следующем модуле (пример структуры выходных данных представлен Приложении. 5). Модуль линеаризации признаков, машинного обучения и вывода результатов 4 предназначен для преобразования вычисленных математических векторов в выходной цифровой массив предиктивных конфигурационных правил, сопоставленный с реальными артикулами и брендами изделий. Модуль 4 получает данные по результатам обработки модулем 3 в виде табличной структуры данных в оперативной памяти, очищенной от промежуточных состояний и строго сбалансированной по целевым полярным классам в соотношении 50 на 50 (пример структуры выходных данных представлен Приложении. 5). Модуль 4 осуществляет декомпозицию данных, их разделение на обучающее (80%) и аналитическое (20%) подмножества, а также выполняет последовательный двухэтапный (двухпрогонный) анализ для построения выходного цифрового массива предиктивных конфигурационных правил. Алгоритм выполняется в следующие этапы: 1. Объектно-реляционная Pivot-трансформация (Линеаризация признаков). Модуль 4 разворачивает вложенные массивы спецификаций компонентов (bom_spec) исходного сбалансированного множества объектов. Данный этап выполняется первее всех последующих аналитических этапов модуля и осуществляет транспонирование текстовых пар статических атрибутов происхождения и модификации комплектующих изделий («Бренд-Модель») в горизонтальный вектор колонок. Каждому фиксированному типу компонента комплектации ставится в соответствие выделенное измерение формируемой плоской разреженной матрицы признаков (пример представлен в Приложении 6). 2. Пропорциональное разделение сбалансированной выборки (80/20). Модуль 4 автоматически разделяет полученную плоскую матрицу на два изолированных подмножества в фиксированной настраиваемой пропорции : Обучающее подмножество (80% данных) и Аналитическое подмножество (20% данных). 3. Первый прогон - выявление значимых узлов (Feature Importance). Вычислительный комплекс передает 80% данных в алгоритм классификации Random Forest. На основе первого прогона обучения модуль 4 автоматически извлекает (из обученной модели) числовой коэффициент математической значимости для каждого признака комплектации (Feature Importances). Модуль 4 связывает полученные веса с именами компонентов в пары «Ключ-Значение», аккумулирует их в массив памяти и сортирует по убыванию. Компоненты с максимальным процентным вкладом признаются виновными в поломках и фиксируются в упорядоченном перечне (пример структуры упорядоченного перечня представлен Приложении. 7), а малозначимые шумовые узлы, чей числовой коэффициент значимости составляет менее установленного порога в 1.0% (0.01), автоматически отсекаются и не допускаются до второго прогона. 4. Второй прогон - сфокусированное обучение и вывод правил (на очищенных признаках). Модуль 4 перестраивает векторы признаков, полностью удаляя из них отсеченные на первом прогоне малозначимые узлы одновременно как из обучающего подмножества (80%), так и из аналитического подмножества (20%), что обеспечивает сквозную синхронизацию размерности математических векторов, что предотвращает избыточное «разбрасывание» и разреженность данных. Очищенное обучающее подмножество (80%) подается на второй (финальный) прогон обучения классификатора для построения точной прогностической модели. 5. Формирование выходного цифрового массива правил (на 20% данных): очищенное аналитическое подмножество (20% данных) направляется на вход обученной предиктивной модели. Модуль 4 отбирает строки, для которых модель спрогнозировала отказ (prediction = 1.0), и выполняет их группировку (groupBy) по всем значимым измерениям "Бренд-Модель" комплектации. Для каждого уникального сочетания компонентов модуль 4 рассчитывает частоту совместных отказов (count) и средний показатель их математической достоверности (probability). Применяя динамические фильтры отсечения, модуль 4 удаляет случайные единичные события и формирует итоговый сфокусированный выходной цифровой массив предиктивных конфигурационных правил, представляемый в виде двухмерной матрицы межузловой несовместимости компонентов и/или интерактивного графа логического дерева решений (пример структуры упорядоченного перечня представлен Приложении. 7). Результаты фиксируются в энергонезависимой памяти системы автоматизированной верификации совместимости комплектующих изделий. [40] Способ автоматизированной верификации совместимости комплектующих в составе изделий, реализованный на основе описанной системы заключается в следующем. Формируют входной текстовый поток данных и направляют его на структурный анализ и валидацию. Посредством вычислительного процессора ЭВМ и распределенной среды обработки данных осуществляют непрерывный или пакетный прием полуструктурированного текстового потока данных (например, в формате JSON). Каждая запись входного потока содержит уникальный идентификатор изделия (код VIN), модель, вложенный массив спецификации компонентов (bom_spec), состоящий только из текстовых названий узлов (node), их брендов и моделей, а также вложенную коллекцию эксплуатационной истории (history), содержащую отметки о типе проверки (отказ FAILURE или плановый чекап STATUS_CHECK) и наработке на момент проверки. На этапе приема данных в оперативной памяти ЭВМ выполняют сквозную верификацию синтаксической и логической целостности связок «название узла - целевая система» путем сопоставления каждого идентификатора node из массива bom_spec с внешним эталонным онтологическим справочником валидации систем с использованием логических предикатов (функции forall). Записи, содержащие синтаксические или логические аномалии ручного ввода, автоматически отбраковываются и полностью исключаются из дальнейшей обработки до этапа разметки. Прошедшие верификацию данные преобразуются в динамические табличные структуры в оперативной памяти, где параметры изделия выделяются в плоские колонки, а спецификации и история сохраняются в виде вложенных наборов данных. Затем, вычислительная система считывает из файла конфигурации параметры целевой исследуемой системы (targetSystem), целевого отказавшего узла (causeNode), а также граничные пороги низкого (lowResource) и высокого (highResource) ресурса. Сначала осуществляют контурную фильтрацию: модуль выполняет обход вложенного списка bom_spec для каждого изделия, сверяет название узла (node) с внешним справочником систем и физически удаляет из спецификации все компоненты, которые не относятся к контуру целевой исследуемой системы targetSystem, полностью подавляя фоновый шум смежных систем. Затем выполняют автоматическое вычисление полярных меток классов путем сканирования вложенной коллекции history с игнорированием нецелевых событий. Строке изделия присваивают полярную метку класса label = 1.0 (класс раннего отказа), если в истории зафиксировано событие сбоя (event_type = FAILURE) на целевом узле при наработке строго меньше нижнего порога. Строке изделия присваивают альтернативную метку label = 0.0 (класс долгосрочной работы), если в истории отсутствуют сбои при наработке меньше верхнего порога или зафиксирован чекап (event_type = STATUS_CHECK) при наработке строго больше верхнего порога. Если траектория изделия попадает в промежуточную «серую зону», поле разметки оставляется неопределенным (null), а строка сохраняется в качестве избыточного временного буфера. Затем табличную структуру в оперативной памяти подвергают математическому выравниванию объемов для исключения промежуточного шума и предотвращения смещения («переобучения») модели. Строки со значением label = null принудительно отсекаются. Для выравнивания объемов подмножеств label = 1.0 и label = 0.0 вычислительная среда применяет потоковый конвейер балансировки в один аналитический проход без выполнения дисковых операций ввода-вывода. Система определяет размер миноритарного кластера и автоматически удаляет избыточные строки мажоритарного кластера, чей порядковый номер ранжирования превышает указанный минимальный объем. В результате формируется симметричная структура данных в оперативной памяти со строгим эквивалентным или сопоставимым соотношением классов (в том числе 50 на 50). Затем сбалансированный массив данных преобразуют в конечное признаковое пространство. Данный этап включает последовательные стадии: 1. Линеаризация признаков (Pivot): вложенные иерархические массивы спецификаций bom_spec разворачиваются и транспонируются в горизонтальный вектор колонок плоской разреженной матрицы. Каждому типу компонента ставится в соответствие выделенное измерение матрицы, а значением является статический текстовый атрибут происхождения («Бренд-Модель»). 2. Разделение выборки: полученная плоская матрица признаков пропорционально разделяется на обучающее (80%) и аналитическое (20%) подмножества. 3. Первый прогон обучения и редукция шума: обучающее подмножество подается на вход алгоритма классификации (ансамбля решающих деревьев) для вычисления коэффициентов информационной значимости каждого измерения матрицы (Feature Importance). Компоненты, чей числовой коэффициент значимости составляет менее установленного порога в 1.0% (0.01), признаются шумовыми и принудительно и одновременно удаляются как из Обучающего (80%), так и из Аналитического (20%) подмножеств, обеспечивая сквозную синхронизацию геометрии матриц и предотвращая комбинаторный взрыв. 4. Второй прогон обучения: Очищенное от шума Обучающее подмножество подается на финальный прогон обучения классификатора для построения точной прогностической модели логико-вероятностного преобразователя. Затем очищенное на предыдущем шаге Аналитическое подмножество (20% данных) направляют на вход обученной модели. Система отбирает строки, для которых модель спрогнозировала отказ (prediction = 1.0), и выполняет их группировку (groupBy) по всем оставшимся значимым измерениям «Бренд-Модель» комплектации. Для каждого уникального сочетания компонентов рассчитывают частоту совместных отказов (count) и средний показатель их математической достоверности (probability). Применяя динамические фильтры отсечения, удаляют случайные единичные события и формируют итоговый сфокусированный выходной цифровой массив предиктивных конфигурационных правил, представляемый в виде двухмерной матрицы межузловой несовместимости компонентов и/или интерактивного графа логического дерева решений. Полученный массив правил фиксируется в энергонезависимой памяти системы автоматизированной верификации совместимости комплектующих изделий и передается в исполнительный контур MES-системы завода для автоматической блокировки совместной конвейерной сборки выявленных конфликтных пар поставщиков. [41] Приложение 1. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». Пример структуры данных для модуля приема, валидации и структурирования входного текстового потока 1. [42] [ [43] { [44] "unit_info": { [45] "vin": "GD2JR0K62CM8258IU", [46] "model": "m", "assembly_line": "L1" [47] }, [48] "bom_spec": [ [49] { [50] "node": "UDC", [51] "brand": "UB1", [52] "model": "U1" [53] }, [54] { [55] "node": "GENERATOR", [56] "brand": "GB1", [57] "model": "G1" [58] }, [59] { [60] "node": "IGNITION_COILS", [61] "brand": "ICB1", [62] "model": "IC1" [63] }, [64] { [65] "node": "WIRING_HARNESS", [66] "brand": "WHB1", [67] "model": "WH1" [68] }, [69] { [70] "node": "PART", [71] "brand": "PB1", [72] "model": "P1" [73] }, [74] { [75] "node": "PART2", [76] "brand": "PB1", [77] "model": "P1" [78] } [79] ], [80] "history": [ [81] { [82] "resource": 20, "event_Type": "FAILURE", [83] "system": "ELECTRICAL", [84] "node": "UDC" [85] } [86] ] [87] }, [88] { [89] "unit_info": { [90] "vin": "B1WQ0AR99HT6HJY1U", [91] "model": "m", "assembly_line": "L1" [92] }, [93] "bom_spec": [ [94] { [95] "node": "UDC", [96] "brand": "UB4", [97] "model": "U4" [98] }, [99] { [100] "node": "GENERATOR", [101] "brand": "GB5", [102] "model": "G5" [103] }, [104] { [105] "node": "IGNITION_COILS", [106] "brand": "ICB3", [107] "model": "IC3" [108] }, [109] { [110] "node": "WIRING_HARNESS", [111] "brand": "WHB5", [112] "model": "WH5" [113] }, [114] { [115] "node": "PART", [116] "brand": "PB4", [117] "model": "P4" [118] }, [119] { [120] "node": "PART2", [121] "brand": "PB1", [122] "model": "P1" [123] } [124] ], [125] "history": [ [126] { [127] "resource": 70, "event_Type": "FAILURE", "system": "ELECTRICAL", [128] "node": "UDC" [129] }, [130] { [131] "resource": 120, [132] "event_Type": "STATUS_CHECK" [133] } [134] ] [135] }, [136] { [137] "unit_info": { [138] "vin": "S7GULDCZWNJN8QROG", [139] "model": "m", "assembly_line": "L1" [140] }, [141] "bom_spec": [ [142] { [143] "node": "UDC", [144] "brand": "UB1", [145] "model": "U1" [146] }, [147] { [148] "node": "GENERATOR", [149] "brand": "GB2", [150] "model": "G2" [151] }, [152] { [153] "node": "IGNITION_COILS", [154] "brand": "ICB2", [155] "model": "IC2" [156] }, [157] { [158] "node": "WIRING_HARNESS", [159] "brand": "WHB3", [160] "model": "WH3" [161] }, [162] { [163] "node": "PART", [164] "brand": "PB4", [165] "model": "P4" [166] }, [167] { [168] "node": "PART2", [169] "brand": "PB1", [170] "model": "P1" [171] } [172] ], [173] "history": [ [174] { [175] "resource": 120, [176] "event_Type": "STATUS_CHECK" [177] } [178] ] [179] }, [180] { [181] "unit_info": { [182] "vin": "Z8CTASL8AOCFSG7WE", [183] "model": "m", "assembly_line": "L1" [184] }, [185] "bom_spec": [ [186] { [187] "node": "UDC", [188] "brand": "UB1", [189] "model": "U1" [190] }, [191] { [192] "node": "GENERATOR", [193] "brand": "GB5", [194] "model": "G5" [195] }, [196] { [197] "node": "IGNITION_COILS", [198] "brand": "ICB5", [199] "model": "IC5" [200] }, [201] { [202] "node": "WIRING_HARNESS", [203] "brand": "WHB4", [204] "model": "WH4" [205] }, [206] { [207] "node": "PART", [208] "brand": "PB3", [209] "model": "P3" [210] }, [211] { [212] "node": "PART2", [213] "brand": "PB1", [214] "model": "P1" [215] } [216] ], [217] "history": [ [218] { [219] "resource": 120, [220] "event_Type": "STATUS_CHECK" [221] } [222] ] [223] }, [224] { [225] "unit_info": { [226] "vin": "CT0LYA9BN5NBL3UAZ", [227] "model": "m", "assembly_line": "L1" [228] }, [229] "bom_spec": [ [230] { [231] "node": "UDC", [232] "brand": "UB1", [233] "model": "U1" [234] }, [235] { [236] "node": "GENERATOR", [237] "brand": "GB3", [238] "model": "G3" [239] }, [240] { [241] "node": "IGNITION_COILS", [242] "brand": "ICB2", [243] "model": "IC2" [244] }, [245] { [246] "node": "WIRING_HARNESS", [247] "brand": "WHB2", [248] "model": "WH2" [249] }, [250] { [251] "node": "PART", [252] "brand": "PB3", [253] "model": "P3" [254] }, [255] { [256] "node": "PART2", [257] "brand": "PB1", [258] "model": "P1" [259] } [260] ], [261] "history": [ [262] { [263] "resource": 20, "event_Type": "FAILURE", "system": "ELECTRICAL", [264] "node": "WIRING_HARNESS" [265] } [266] ] [267] }, [268] { [269] "unit_info": { [270] "vin": "8P09OC4G4NTE8I2BV", [271] "model": "m", "assembly_line": "L1" [272] }, [273] "bom_spec": [ [274] { [275] "node": "UDC", [276] "brand": "UB2", [277] "model": "U2" [278] }, [279] { [280] "node": "GENERATOR", [281] "brand": "GB4", [282] "model": "G4" [283] }, [284] { [285] "node": "IGNITION_COILS", [286] "brand": "ICB3", [287] "model": "IC3" [288] }, [289] { [290] "node": "WIRING_HARNESS", [291] "brand": "WHB3", [292] "model": "WH3" [293] }, [294] { [295] "node": "PART", [296] "brand": "PB1", [297] "model": "P1" [298] }, [299] { [300] "node": "PART2", [301] "brand": "PB1", [302] "model": "P1" [303] } [304] ], [305] "history": [ [306] { [307] "resource": 120, [308] "event_Type": "STATUS_CHECK" [309] } [310] ] [311] } [312] ] [313] Приложение 2. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». Пример структуры пример структуры схемы метаданных. [314] { [315] "$schema": "http://json-schema.org/draft-07/schema#", "type": "array", [316] "items": { [317] "type": "object", "properties": { [318] "unit_info": { "type": "object", "properties": { [319] "vin": { [320] "type": "string" [321] }, [322] "model": { [323] "type": "string" [324] }, [325] "assembly_line": { "type": "string" [326] } [327] }, [328] "additionalProperties": false, "required": [ [329] "vin", [330] "model", "assembly_line" [331] ] [332] }, [333] "bom_spec": { "type": "array", "items": { [334] "type": "object", "properties": { [335] "node": { [336] "type": "string" [337] }, [338] "brand": { [339] "type": "string" [340] }, [341] "model": { [342] "type": "string" [343] } [344] }, [345] "additionalProperties": false, "required": [ [346] "node", [347] "brand", "model" [348] ] [349] } [350] }, [351] "history": { "type": "array", "items": { [352] "type": "object", "properties": { [353] "resource": { [354] "type": "integer" [355] }, [356] "event_Type": { "type": "string" [357] }, [358] "system": { [359] "type": "string" [360] }, [361] "node": { [362] "type": "string" [363] } [364] }, [365] "additionalProperties": false, "required": [ [366] "resource", "event_Type" [367] ] [368] } [369] } [370] }, [371] "additionalProperties": false, "required": [ [372] "unit_info", "bom_spec", "history" [373] ] [374] } [375] } [376] Приложение 3. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». Пример структуры пример структуры выходных данных. [377] Индекс Параметры изделия (unit_info) Вложенный набор компонентов (bom_spec) Вложенный перечень истории (history) 0 assembly_line: "L1" model: "m" vin: "GD2JR0K62CM8258IU" [ [UB1, U1, UDC], [GB1, G1, GENERATOR], [ICB1, IC1, IGNITION_COILS], [WHB1, WH1, WIRING_HARNESS], [PB1, P1, PARTL], [PB1, P1, PART2] ] [ [FAILURE, UDC, 20, ELECTRICAL] ] 1 assembly_line: "L1" model: "m" vin: "B1WQ0AR99HT6HJY1U" [ [UB4, U4, UDC], [GB5, G5, GENERATOR], [ICB3, IC3, IGNITION_COILS], [WHB5, WH5, WIRING_HARNESS], [PB4, P4, PART], [PB1, P1, PART2] ] [ [FAILURE, UDC, 70, ELECTRICAL], [STATUS_CHECK, null, 120, null] ] 2 assembly_line: "L1" model: "m" vin: "S7GULDCZWNJN8QROG" [ [UB1, U1, UDC], [GB2, G2, GENERATOR], [ICB2, IC2, IGNITION_COILS], [WHB3, WH3, WIRING_HARNESS], [PB4, P4, PART], [PB1, P1, PART2] ] [ [STATUS_CHECK, null, 120, null] ] 3 assembly_line: "L1" model: "m" vin: "Z8CTASL8AOCFSG7WE" [ [UB1, U1, UDC], [GB5, G5, GENERATOR], [ICB5, IC5, IGNITION_COILS], [WHB4, WH4, WIRING_HARNESS], [PB3, P3, PART], [PB1, P1, PART2] ] [ [STATUS_CHECK, null, 120, null] ] 4 assembly_line: "L1" model: "m" vin: "CT0LYA9BN5NBL3UAZ" [ [UB1, U1, UDC], [GB3, G3, GENERATOR], [ICB2, IC2, IGNITION_COILS], [WHB2, WH2, WIRING_HARNESS], [PB3, P3, PART], [PB1, P1, PART2] ] [ [FAILURE, WIRING_HARNESS, 20, ELECTRICAL] ] 5 assembly_line: "L1" model: "m" vin: "8P09OC4G4NTE8I2BV" [ [UB2, U2, UDC], [GB4, G4, GENERATOR], [ICB3, IC3, IGNITION_COILS], [WHB3, WH3, WIRING_HARNESS], [PB1, P1, PART], [PB1, P1, PART2] ] [ [STATUS_CHECK, null, 120, null] ] [378] Приложение 4. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». Пример структуры выходных данных с распределением по трем [379] состояниям. [380] Индекс Параметры изделия (unit_info) Вложенный набор компонентов (bom_spec) Вложенный перечень истории (history) label 0 assembly_line: "L1" model: "m" vin: "GD2JR0K62CM8258IU" [ [UB1, U1, UDC], [GB1, G1, GENERATOR], [ICB1, IC1, IGNITION_COILS], [WHB1, WH1, WIRING_HARNESS], [PB1, P1, PART] ] [ [FAILURE, UDC, 20, ELECTRICAL] ] 1 1 assembly_line: "L1" model: "m" vin: "B1WQ0AR99HT6HJY1U" [ [UB4, U4, UDC], [GB5, G5, GENERATOR], [ICB3, IC3, IGNITION_COILS], [WHB5, WH5, WIRING_HARNESS], [PB4, P4, PART] ] [ [FAILURE, UDC, 70, ELECTRICAL], [STATUS_CHECK, null, 120, null] ] null 2 assembly_line: "L1" model: "m" vin: "S7GULDCZWNJN8QROG" [ [UB1, U1, UDC], [GB2, G2, GENERATOR], [ICB2, IC2, IGNITION_COILS], [WHB3, WH3, WIRING_HARNESS], [PB4, P4, PART] ] [ [STATUS_CHECK, null, 120, null] ] 0 3 assembly_line: "L1" model: "m" vin: "Z8CTASL8AOCFSG7WE" [ [UB1, U1, UDC], [GB5, G5, GENERATOR], [ICB5, IC5, IGNITION_COILS], [WHB4, WH4, WIRING_HARNESS], [PB3, P3, PART] ] [ [STATUS_CHECK, null, 120, null] ] 0 4 assembly_line: "L1" model: "m" vin: "CT0LYA9BN5NBL3UAZ" [ [UB1, U1, UDC], [GB3, G3, GENERATOR], [ICB2, IC2, IGNITION_COILS], [WHB2, WH2, WIRING_HARNESS], [PB3, P3, PART] ] [ [FAILURE, WIRING_HARNESS, 20, ELECTRICAL] ] null 5 assembly_line: "L1" model: "m" vin: "8P09OC4G4NTE8I2BV" [ [UB2, U2, UDC], [GB4, G4, GENERATOR], [ICB3, IC3, IGNITION_COILS], [WHB3, WH3, WIRING_HARNESS], [PB1, P1, PART] ] [ [STATUS_CHECK, null, 120, null] ] 0 [381] Приложение 5. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». Пример структуры выходных данных из модуля аппаратной балансировки и фильтрации выборок данных 3. [382] Индекс Параметры изделия (unit_info) Вложенный набор компонентов (bom_spec) Вложенный перечень истории (history) label 0 assembly_line: "L1" model: "m" vin: "GD2JR0K62CM8258IU" [ [UB1, U1, UDC], [GB1, G1, GENERATOR], [ICB1, IC1, IGNITION_COILS], [WHB1, WH1, WIRING_HARNESS], [PB1, P1, PART] ] [ [FAILURE, UDC, 20, ELECTRICAL] ] 1 2 assembly_line: "L1" model: "m" vin: "S7GULDCZWNJN8QROG" [ [UB1, U1, UDC], [GB2, G2, GENERATOR], [ICB2, IC2, IGNITION_COILS], [WHB3, WH3, WIRING_HARNESS], [PB4, P4, PART] ] [ [STATUS_CHECK, null, 120, null] ] 0 [383] Приложение 6. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». Пример плоской разреженной матрицы признаков. [384] VIN (Идентификатор) Полярна я метка класса (Label) Признак 1 (GENERAT OR) Признак 2 IGNITION_CO ILS Призн ак 3 Part1 Призн ак 4 (UDC) Признак 5 (WIRING_HARN ESS) GD2JR0K62CM8258I U 1.0 (Отказ) GB1-G1 ICB1-IC1 PB1- P1 UB1- U1 WHB1-WH1 S7GULDCZWNJN8Q ROG 0.0 (Исправ ен) GB2-G2 ICB2-IC2 PB4- P4 UB1- U1 WHB3-WH3 ….. … … … .. .. .. [385] Приложение 7. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». [386] Пример структуры упорядоченного перечня. [387] АНАЛИЗ КРИТИЧЕСКИХ УЗЛОВ (ВКЛАД В ПОЛОМКИ): [388] - UDC : 54.87% [389] - WIRING_HARNESS : 34.12% [390] - GENERATOR- GENERATOR : 11.01% [391] ======================================================================== [392] ======== [393] МАТРИЦА НЕСОВМЕСТИМОСТИ КОМПЛЕКТУЮЩИХ (КРИТИЧЕСКИЕ КОНФЛИКТЫ) [394] ======================================================================== [395] ======== [396] +------+--------------+---------+--------------+-----------+ [397] |UDC |WIRING_HARNESS|GENERATOR|count_failures|probability| [398] +------+--------------+---------+--------------+-----------+ [399] |UB2-U2|WHB3-WH3 |UB2-U2|WHB2-WH2 |GB3-G3 |GB2-G2 |531 |517 |1.0 |1.0 | | |UB3-U3|WHB2-WH2 |UB2-U2|WHB1-WH1 |UB1-U1|WHB2-WH2 |UB1-U1|WHB1-WH1 |GB2-G2 |GB5-G5 |GB1-G1 |GB1-G1 |507 |491 |491 |487 |1.0 |1.0 |1.0 |1.0 | | | | |UB2-U2|WHB2-WH2 |GB3-G3 |487 |1.0 | [400] Дерево решений [401] If (WIRING_HARNESS in {WHB3-WH3,WHB5-WH5,WHB4-WH4}) If (GENERATOR in {GB1-G1,GB4-G4,GB5-G5,GB2-G2}) [402] Predict: 0.0 [403] Else (GENERATOR not in {GB1-G1,GB4-G4,GB5-G5,GB2-G2}) If (UDC in {UB1-U1,UB3-U3,UB5-U5,UB4-U4}) [404] Predict: 0.0 [405] Else (UDC not in {UB1-U1,UB3-U3,UB5-U5,UB4-U4}) [406] Predict: 1.0 [407] Else (WIRING_HARNESS not in {WHB3-WH3,WHB5-WH5,WHB4-WH4}) [408] If (UDC in {UB5-U5,UB4-U4}) [409] Predict: 0.0 [410] Else (UDC not in {UB5-U5,UB4-U4}) If (UDC in {UB3-U3}) [411] If (WIRING_HARNESS in {WHB1-WH1}) [412] Predict: 0.0 [413] Else (WIRING_HARNESS not in {WHB1-WH1}) [414] Predict: 1.0 [415] Else (UDC not in {UB3-U3}) Predict: 1.0 [416] Дерево решений может быть интерпретировано в визуальную схему при помощи html и D3.js [417] [418] Приложение 8. Изобретение «Способ и система автоматизированной верификации совместимости комплектующих в составе изделий». Пример справочника систем и узлов. [419] { [420] "ELECTRICAL": ["UDC", "IGNITION_COILS", "GENERATOR", "WIRING_HARNESS", "PART"], "MECH": ["PART2", "PART3"] [421] }

Формула 1. Способ автоматизированной верификации комплектующих в составе изделий для выявления скрытых межузловых конфликтов совместимости, выполняемый с помощью вычислительного процессора ЭВМ и распределенной среды обработки данных, отличающийся тем, что: • осуществляют загрузку в оперативную память ЭВМ массивов иерархических спецификаций (BOM) состава собранных изделий и ассоциированных логов их эксплуатации с фиксацией наработки; • на этапе приема данных осуществляют сквозную верификацию синтаксической и логической целостности входных текстовых потоков путем проверки соответствия заявленных внутри спецификации компонентов эталонным онтологическим связям внешнего справочника валидации с помощью логических предикатов в памяти ЭВМ, при этом строки, содержащие аномалии распределения компонентов по системам, исключают из дальнейшей обработки; • выполняют контурную фильтрацию иерархических спецификаций с выделением изолированных доменов функционального взаимодействия компонентов; • осуществляют бинарную полярную сепарацию множества объектов на контрастный кластер критических отказов в целевом домене при наработке ниже первого заданного инженерами порога и контрастный кластер эталонной надежности при наработке выше второго заданного порога, при этом объекты с промежуточной наработкой исключают из анализа; • выполняют динамическую аппаратную балансировку объемов полученных кластеров до эквивалентного или сопоставимого соотношения классов, в том числе до соотношения 50 на 50 методом случайного вероятностного прореживания избыточного мажоритарного кластера и объединяют в один кластер; • преобразуют древовидные структуры состава отобранных сбалансированных объектов в единое векторное признаковое пространство посредством объектно-реляционной Pivot-трансформации, в которой фиксированному типу компонента соответствует выделенное измерение разреженной матрицы, а значением измерения является статический атрибут происхождения комплектующего изделия (Бренд-Модель); • на полученной матрице признаков выполняют первый прогон обучения ансамбля решающих деревьев, на основе которого вычисляют весовые коэффициенты информационной значимости (Feature Importance) каждого измерения, при этом компоненты комплектации, чей числовой коэффициент значимости составляет менее 1.0% (0.01), признаются малозначимыми и полностью удаляются из признакового пространства; • на редуцированной матрице значимых признаков осуществляют второй прогон обучения для синтеза логико-вероятностного итерационного преобразователя, формирующего детерминированную иерархию правил дихотомического ветвления данных; на основе полученной иерархии генерируют выходной цифровой массив предиктивных конфигурационных правил, содержащий числовой коэффициент значимости каждого измерения и перечень недопустимых сочетаний комплектующих изделий различных производителей со стопроцентной вероятностью совместного отказа в гарантийный период эксплуатации. 2. Система автоматизированной верификации совместимости комплектующих в составе изделий, содержащая по меньшей мере один процессор, устройство хранения данных и устройство управления, отличающаяся тем, что она сконфигурирована для реализации способа по п.1 и включает в себя: • модуль приема, валидации и структурирования входного текстового потока (1), выполненный с возможностью синтаксического анализа входного полуструктурированного текстового потока и его сквозной предиктивной валидации по онтологическому справочнику систем и схеме метаданных; • модуль логической фильтрации и автоматизированной разметки данных (2), выполненный с возможностью доменной фильтрации компонентов по контурам и автоматического вычисления полярных меток классов, на основе считываемых из файла конфигурации граничных порогов наработки лога эксплуатации; • модуль аппаратной балансировки и фильтрации выборок данных (3), выполненный с возможностью балансировки полярных подмножеств до достижения математической симметрии классов 50 на 50 с помощью функции ранжирования внутри окна распределения; • модуль линеаризации признаков, машинного обучения и вывода цифрового массива предиктивных конфигурационных правил (4), выполненный с возможностью объектно-реляционной Pivot-трансформации, двухпрогонного машинного обучения с редукцией признаков по заданному порогу значимости менее 1.0% и генерации выходной матрицы инженерных запретов.