Науковий вісник НГУ

Комплексний аналіз текстових звітів про авіаційне технічне обслуговування із використанням методів обробки природної мови

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2025

Останнє оновлення: 25 грудня 2025

Опубліковано: 30 листопада -0001

Перегляди: 680

Authors:

О. Савостін, orcid.org/0000-0002-5057-2942, Північно-казахстанський університет імені М. Козибаєва, м. Петропавлівськ, Республіка Казахстан

Г. Каїпбек*, orcid.org/0000-0003-2595-7434, Академія цивільної авіації, м. Алмати, Республіка Казахстан, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

К. Кошеков, orcid.org/0000-0002-9586-2310, Академія цивільної авіації, м. Алмати, Республіка Казахстан

Г. Савостіна, orcid.org/0000-0001-7042-4480, Північно-казахстанський університет імені М. Козибаєва, м. Петропавлівськ, Республіка Казахстан

К. Уордл, orcid.org/0009-0008-4866-3934, Академія цивільної авіації, м. Алмати, Республіка Казахстан; АТ «Ейр Астана», м. Алмати, Республіка Казахстан

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (6): 157 - 167

https://doi.org/10.33271/nvngu/2025-6/157

Abstract:

Мета. Дослідження спрямоване на розроблення й апробацію комплексного методу аналізу неструктурованих текстових описів дефектів, отриманих із реальних даних авіаційного технічного обслуговування (ТО). Метою є підвищення ефективності та глибини аналізу несправностей шляхом розв’язання двох ключових завдань: автоматичної класифікації дефектів за стандартними категоріями й виявлення прихованих тематичних підгруп у межах цих категорій.

Методика. У роботі використано набір даних записів про ТО дев’яти комерційних повітряних суден за семирічний період. Розроблено багатоетапний процес попередньої обробки, що включає алгоритм ідентифікації й експертного розшифрування галузевих скорочень. Для розв’язання задачі багатокласової класифікації за 30 категоріями Chapter-Section проведена систематична оцінка та порівняння різних моделей машинного навчання. У роботі наведені результати для чотирьох репрезентативних підходів: CountVectorizer із LinearSVC, TF-IDF і Word2Vec із логістичною регресією, а також донавчання трансформерної моделі DistilBERT. Для поглибленого аналізу найчисленнішої категорії дефектів застосоване тематичне моделювання на основі латентного розподілу Діріхле з кількісним добором оптимальної кількості тем.

Результати. Найкращі показники класифікації продемонстрував підхід на основі TF-IDF і логістичної регресії, досягнувши F1-macro = 0,762 і коефіцієнта Каппа Коена = 0,809, що статистично порівняно з CountVectorizer і LinearSVC. Класичні підходи перевершили нейромережеві моделі, що свідчить про їхню стійкість до аналізу коротких технічних текстів. Тематичне моделювання успішно декомпозувало домінантну категорію дефектів на п’ять легко інтерпретованих і семантично цілісних підгруп.

Наукова новизна. Полягає в розробленні та апробації формалізованого методу аналізу неструктурованих даних авіаційного ТО, реалізованого як єдиний інтегрований процес. У роботі також представлено детальний порівняльний аналіз продуктивності класичних і сучасних NLP-моделей на спеціалізованих даних авіаційного технічного обслуговування.

Практична значимість. Робота має прикладний характер і містить результати, готові до впровадження. Створено прототип автоматизованого класифікатора, здатного обробляти основний потік щоденних звітів про дефекти, що зменшує час їх ручного опрацювання. Також розроблено інструмент поглибленого аналізу відмов, що забезпечує перехід від загальних кодів несправностей до аналізу конкретних підпроблем. Це сприяє оптимізації програм ТО, удосконаленню процедур діагностики й, зрештою, підвищенню безпеки польотів.

Ключові слова: обробка природної мови, технічне обслуговування, повітряне судно, класифікація, тематичне моделювання

References.

1. Dhillon, B. S., & Liu, Y. (2006). Human error in maintenance: a review. Journal of Quality in Maintenance Engineering, 12(1), 21-36. https://doi.org/10.1108/13552510610654510

2. Agustian, E. S., & Pratama, Z. A. (2024). Artificial Intelligence Application on Aircraft Maintenance: A Systematic Literature Review. EAI Endorsed Trans IoT, 10.

3. Kalantayevskaya, N., Koshekov, K., Latypov, S., Savostin, A., & Kunelbayev, M. (2022). Design of decision-making support system in power grid dispatch control based on the forecasting of energy consumption. Cogent Engineering, 9(1). https://doi.org/10.1080/23311916.2022.2026554

4. Sathyananda Swamy, H. V., Manoj, B. N., Zaiba, N., & Pandey, M. (2024). A Study of Artificial Intelligence in Aviation Management, (pp. 108-114). QTanalytics Publication (Books). https://doi.org/10.48001/978-81-966500-8-7-11

5. Errico, A., Travascio, L., & Vozella, A. (2025). Analysis of Safety Metrics Supporting Air Traffic Management Risk Models. Engineering Proceedings, 90, 43. https://doi.org/10.3390/engproc2025090043

6. Jammal, P., Pinon-Fischer, O., Mavris, D., & Wagner, G. (2025). Predictive Maintenance of Aircraft Braking Systems: A Machine Learning Approach to Clustering Brake Wear Patterns. AIAA SciTech 2025 Forum. https://doi.org/10.2514/6.2025-0710

7. Savostin, A., Koshekov, K., Tuleshov, A., Savostina, G., & Koshekov, A. (2024). Development of remote diagnostic monitoring system for pumping equipment with open architecture. Radioelectronic and Computer Systems, 4(112), 192-206. https://doi.org/10.32620/reks.2024.4.16

8. Sundaram, S., & Zeid, A. (2025). Technical language processing for Prognostics and Health Management: applying text similarity and topic modeling to maintenance work orders. Journal of Intelligent Manufacturing, 36, 1637-1657. https://doi.org/10.1007/s10845-024-02323-4

9. Kretz, D. R. (2018). Experimentally Evaluating Bias-Reducing Visual Analytics Techniques in Intelligence Analysis. In Ellis, G. (Ed.). Cognitive Biases in Visualizations. Cham, Springer. https://doi.org/
10.1007/978-3-319-95831-6_9

10.      Nanyonga, A., Joiner, K., Turhan, U., & Wild, G. (2025). Applications of Natural Language Processing in Aviation Safety: A Review and Qualitative Analysis. Reliability Engineering & System Safety, (in press). https://doi.org/10.48550/arXiv.2501.06210

11.      Rogers, F., Kovaleva, O., & Rumshisky, A. (2020). A Primer in BERTology: What We Know About How BERT Works. Transactions of the Association for Computational Linguistics, 8, 842-866.
https://doi.org/10.1162/tacl_a_00349

12.      Nanyonga, A., Wasswa, H., Joiner, K., Turhan, U., & Wild, G. (2025). Explainable Supervised Learning Models for Aviation Predictions in Australia. Aerospace, 12, 223. https://doi.org/10.3390/aerospace1203022

13.      Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., …, & Liu, T. (2024). A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. ACM TOIS, (in press). https://doi.org/10.48550/arXiv.2311.05232

14.      Kosch, T., & Feger, S. (2024). Risk or Chance? Large Language Models and Reproducibility in HCI Research. ACM Interactions. https://doi.org/10.48550/arXiv.2404.15782

15.      Alomar, I., & Nikita, D. (2025). Managing Operational Efficiency and Reducing Aircraft Downtime by Optimization of Aircraft On-Ground (AOG) Processes for Air Operator. Applied Sciences, 15, 5129. https://doi.org/10.3390/app15095129

16.      NASA. Aviation Safety Reporting System. Retrieved from https://asrs.arc.nasa.gov/

17.      Rose, R. L., Puranik, T. G., & Mavris, D. N. (2020). Natural Language Processing Based Method for Clustering and Analysis of Aviation Safety Narratives. Aerospace, 7, 143. https://doi.org/10.3390/aerospace7100143

18.      Kuhn, K. D. (2018). Using structural topic modeling to identify latent topics and trends in aviation incident reports. Transportation Research Part C: Emerging Technologies, 87, 105-122. https://doi.org/
10.1016/j.trc.2017.12.018

19.      National Transportation Safety Board. Retrieved from https://www.ntsb.gov/

20.      Kierszbaum, S., & Lapasset, L. (2020). Applying Distilled BERT for Question Answering on ASRS Reports. 2020 New Trends in Civil Aviation (NTCA), (pp. 33-38). Prague, Czech Republic. https://doi.org/10.23919/NTCA50409.2020.9291241

21.      Dong, T., Yang, Q., Ebadi, N., Luo, X. R., & Rad, P. (2021). Identifying Incident Causal Factors to Improve Aviation Transportation Safety: Proposing a Deep Learning Approach. Journal of Advanced Transportation, 2021, 1-15. https://doi.org/10.1155/2021/5540046

22.      Nanyonga, A., Joiner, K., Turhan, U., & Wild, G. (2025). Applications of Natural Language Processing in Aviation Safety: A Review and Qualitative Analysis. AIAA 2025-2153 Session: AI/ML and Autonomy Software Engineering Practices. https://doi.org/10.2514/6.2025-2153

23.      Wang, L., Chou, J., Rouck, D., Tien, A., & Baumgartner, D. M. (2023). Adapting Sentence Transformers for the Aviation Domain. https://doi.org/10.48550/arXiv.2305.09556

24.      Akhbardeh, F., Desell, T., & Zampieri, M. (2020). MaintNet: A collaborative open-source library for predictive maintenance language resources. M. Ptaszynski & B. Ziolko (Eds.). Proceedings of the 28 ^th international conference on computational linguistics: System demonstrations. International Committee on Computational Linguistics (ICCL), (pp. 7-11). https://doi.org/10.18653/v1/ 2020.coling-demos.2

25.      Air Transport Association of America (2021). iSpec 2200: Information Standards for Aviation Maintenance. Harvard Dataverse. https://doi.org/10.7910/DVN/G1DSMX

26.      Zhou, S., Chen, B., Zhang, Y., Liu, H., Xiao, Y., & Pan, X. (2020). A Feature Extraction Method Based on Feature Fusion and its Application in the Text-Driven Failure Diagnosis Field. International Journal of Interactive Multimedia and Artificial Intelligence, 6, 121-130. https://doi.org/10.9781/ijimai.2020.11.006

27.      Xu, Z., Chen, B., Zhou, S., Chang, W., Ji, X., Wei, C., & Hou, W. (2021). A Text-Driven Aircraft Fault Diagnosis Model Based on a Word2vec and Priori-Knowledge Convolutional Neural Network. Aerospace, 8, 112. https://doi.org/10.3390/aerospace8040112

28.      Scott, M. J. (2024). Application of natural language processing for aircraft defect tracking in maintenance operations. ICAS PROCEEDINGS 34 ^th Congress of the International Council of the Aeronautical Sciences, Florence, Italy. 2024.

29.      Natural Language Toolkit (NLTK). NLTK Data – Words Corpus (n.d.). Retrieved from https://www.nltk.org/nltk_data

30       Natural Language Toolkit (NLTK) (n.d.). Retrieved from https://www.nltk.org

31.      Scikit-learn developers. Scikit-learn: Machine Learning in Python, version 1.7.0. (n.d.). Retrieved from https://scikit-learn.org/stable/

32.      Gorodkin, J. (2004). Comparing two K-category assignments by a K-category correlation coefficient. Computational Biology and Chemistry, 28, 367-374. https://doi.org/10.1016/j.compbiolchem.2004.09.006

33.      Powers, D. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation. Journal of Machine Learning Technologies, 2, 37-63.

34.      Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.

35.      Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. arXiv, arXiv:1301.3781.

36.      Wolf, T., Debut, L., Sanh, V., & Chaumond, J. (2020). Transformers: State-of-the-Art Natural Language Processing. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. ACL, 38-45.

37.      Sanh, V., Debut, L., Chaumond, J., & Wolf, T. (2019). DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter. arXiv, 2019. arXiv:1910.01108.

38.      Blei, D. M., Ng, A. Y., & Jordan, M.I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993-1022.

39.      Chicco, D., Warrens, M. J., & Jurman, G. (2021). The Matthews Correlation Coefficient (MCC) is More Informative Than Cohen’s Kappa and Brier Score in Binary Classification Assessment. IEEE ­Access, 9, 78368-78381. https://doi.org/10.1109/ACCESS.2021.3084050

• < Попередня
• Наступна >