Интеграция экспертных знаний в гибридные модели машинного обучения для промышленной автоматизации с применением больших языковых моделей

Рассмотрена проблема низкой интерпретируемости моделей искусственного интеллекта в автоматизированных системах управления технологическими процессами. Предложен метод автоматического извлечения диагностических правил из технической документации с использованием больших языковых моделей и последующей интеграции полученных знаний в гибридные модели машинного обучения. Приведены результаты апробации предложенного подхода на задаче прогнозирования состояния подшипников качения.

Аффилиация авторов
Дождев Владимир Святославич – директор департамента цифровых технологий,
Министерство промышленности и торговли РФ, Дараселия Леван Шотаевич – генеральный директор,
ФГАУ «Цифровые индустриальные технологии»,
Храмов Александр Евгеньевич – доктор физ.-мат. наук, проф., член-корреспондент РАН, главный научный сотрудник,директор НИИ, e-mail:Hramov.ae@rea.ru.
ФГАУ «Цифровые индустриальные технологии», Российский экономический университет имени Г.В. Плеханова.

Список литературы
1. Chryssolouris G., Alexopoulos K., Arkouli Z. Artificial intelligence in manufacturing systems // A perspective on artificial intelligence in manufacturing. – Cham : Springer International Publishing, 2023. – P. 79–135.
2. Lipton Z.C. The mythos of model interpretability: In machine learning, the concept of interpretability is both important and slippery // Queue. – 2018. – Vol. 16, No. 3. – P. 31–57.
3. Janssen M., Brous P., Estevez E., Barbosa L.S., Janowski T. Data governance: Organizing data for trustworthy Artificial Intelligence // Government Information Quarterly. – 2020. – Vol. 37, No. 3. – P. 101493.
4. Дождев В.С., Шантаев Э.Б., Дараселия Л.Ш., Храмов А.Е. Интегрированный подход к обеспечению качества промышленных данных для решений на основе искусственного интеллекта // Автоматизация в промышленности. – 2025. – № 6. – С. 4–12.
5. Kalusivalingam A.K., Sharma A., Patel N., Singh V. Leveraging SHAP and LIME for enhanced explainability in AI-driven diagnostic systems // International Journal of AI and ML. – 2021. – Vol. 2, No. 3.
6. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations // Journal of Computational Physics. – 2019. – Vol. 378. – P. 686–707.
7. Lewis P., Perez E., Piktus A., Petroni F., Karpukhin V., Goyal N., Küttler H. et al. Retrieval-augmented generation for knowledgeintensive NLP tasks // Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 9459–9474.
8. Ciampi F.G., Rega A., Diallo T.M.L. et al. Analysing the role of physics-informed neural networks in modelling industrial systems through case studies in automotive manufacturing // International Journal on Interactive Design and Manufacturing. – 2025.
9. Zhu S.P., Wang L., Luo C., Correia J.A., De Jesus A.M., Berto F., Wang Q. Physics-informed machine learning and its structural integrity applications: state of the art // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. – 2023. – Vol. 381, No. 2260.
10. Hramov A.E., Pisarchik A.N. Big Data Management and Quality Evaluation for the Implementation of AI Technologies in Smart Manufacturing // Applied Sciences. – 2025. – Vol. 15, No. 22. – P. 11905.
11. Ke G., Meng Q., Finley T. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Advances in Neural Information Processing Systems 30 (NIPS 2017). – Long Beach, CA, 2017. – P. 3146–3154.
12. Sacerdoti D., Strozzi M., Secchi C. A comparison of signal analysis techniques for the diagnostics of the IMS rolling element bearing dataset // Applied Sciences. – 2023. – Vol. 13, No. 10. – P. 5977.
13. Văn N.P., Thang N.V., Chuong T.T., Hang T.T. Multi-domain feature-based early detection of bearing faults using MLP classifier on NASA IMS dataset // Journal of Military Science and Technology. – 2025. – Vol. 106. – P. 48–54. – DOI: 10.54939/1859-1043.j.mst.106.2025.48-54.
14. Qiu H., Lee J., Lin J., Yu G. Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics // Journal of Sound and Vibration. – 2006. – Vol. 289, No. 4-5. – P. 1066–1090. – DOI: 10.1016/ j.jsv.2005.03.007.
15. Wang Y., Cheng L. A combination of residual and long–shortterm memory networks for bearing fault diagnosis based on time-series model analysis // Measurement Science and Technology. – 2021. – Vol. 32, No. 1. – P. 015904. – DOI: 10.1088/1361-6501/abaa1e.
16. Han T., Zhang L., Yin Z., Tan A.C. Rolling bearing fault diagnosis with combined convolutional neural networks and support vector machine // Measurement. – 2021. – Vol. 177. – P. 109022. – DOI: 10.1016/j.measurement.2021.109022.
17. Kucheravy A., Jekabsons G. Comparison of Language Models for English-Latvian Semantic Search // Applied Computer Systems. – 2025. – Vol. 30, No. 1. – P. 34–39.