РАЗРАБОТКА СОВРЕМЕННЫХ МЕТОДИК КОМБИНИРОВАННЫХ ИСПЫТАНИЙ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Аннотация. В работе представлен аналитический обзор современных подходов к комбинированным испытаниям сложных технических систем с использованием технологий искусственного интеллекта. Рассмотрены ключевые научные достижения 2025–2026 годов, включая цифро-физическую интеграцию, интеллектуальные адаптивные системы, комбинаторное тестирование ИИ-моделей, метаморфическое тестирование на базе цифровых двойников и применение генеративных моделей. Показано, что современный этап развития данной области характеризуется переходом от статических сценариев испытаний к интеллектуальным динамическим системам, способным к самообучению и адаптации.

Ключевые слова: комбинированные испытания, искусственный интеллект, цифровой двойник, многофакторное нагружение, адаптивное тестирование, генеративные модели, машинное обучение, надёжность, верификация и валидация.

Введение

Предыдущая работа, посвящённая разработке методики комбинированных испытаний на основе данных цифрового двойника, заложила основу для интеграции виртуального моделирования и физических экспериментов в замкнутом итерационном цикле. С момента её публикации произошёл существенный прогресс в технологиях искусственного интеллекта, машинного обучения и цифрового моделирования, что потребовало пересмотра и расширения существующих подходов.

Цель настоящего исследования — выявить и систематизировать новые тенденции, методы и результаты в области комбинированных испытаний с использованием ИИ, опираясь на научные работы 2025–2026 годов, и на этой основе предложить направления дальнейшего развития методики применительно к электроснабжению.

Эволюция парадигмы испытаний: от многофакторного нагружения к цифро-физической интеграции

Ключевым направлением развития стало преодоление так называемого «верификационного разрыва» между физическими экспериментами и цифровым моделированием. Если ранее эти два подхода существовали параллельно, то современные исследования демонстрируют их глубинную интеграцию.

В работе, посвящённой испытаниям аэрокосмической техники (2025), предложен метод цифро-физической интеграции (Digital-Physical Fusion Testing, DPFT), объединяющий цифровые двойники, искусственный интеллект и физические эксперименты в едином цикле [6]. Этот подход обеспечивает поддержку всех этапов жизненного цикла изделия — от раннего проектирования до постпроизводственной верификации, что позволяет значительно повысить эффективность разработки и снизить затраты на испытания. Особую значимость этот подход приобретает для электроэнергетических систем, где сочетание физических и цифровых испытаний позволяет моделировать аварийные режимы без риска для реального оборудования.

Технологический журнал ITEA (International Test and Evaluation Association) в своём выпуске за 2025 год подчёркивает, что цифровые двойники, управляемые искусственным интеллектом и машинным обучением, становятся ключевым инструментом верификации и валидации сложных систем [3]. Цифровой двойник определяется как «динамическое виртуальное представление операционной среды, интегрирующее данные реального времени, аналитику на основе ИИ и адаптивные модели машинного обучения». Такое определение расширяет понимание цифрового двойника, предложенное в предыдущей работе, акцентируя не только его прогностическую, но и адаптивную функцию. Масштабируемые подходы к созданию цифровых двойников для тестирования сложных систем также обсуждаются в работе [1].

Интеллектуальные методики комбинированных испытаний: от статики к адаптивности

Прорывным результатом 2025 года стала технология IMD-MSARET (Intelligence Model-Driven Multi-Stress Adaptive Reliability Enhancement Testing), предложенная группой исследователей под руководством Хуана Шоуцина [2]. Эта технология решает ключевые проблемы традиционных многофакторных испытаний — жёсткость планов испытаний, низкую эффективность и высокий расход образцов.

IMD-MSARET сочетает последовательное планирование эксперимента и методы искусственного интеллекта для динамического построения и обновления модели связи между множеством стрессов и характеристиками отказов в процессе испытаний. В качестве математической основы предложена модель TSO-GPR (Tuna Swarm Optimization — Gaussian Process Regression), которая объединяет глобальную поисковую способность алгоритма тунцовой стаи и точность предсказаний гауссовских процессов регрессии [2].

Валидация технологии показала её превосходство над традиционными методами случайного тестирования и ортогонального планирования по эффективности испытаний, точности предсказаний и расходу тестовых образцов. Модель TSO-GPR продемонстрировала лучшие результаты по сравнению с GPR, TSO-SVM и TSO-BPNN при построении многофакторных предельных огибающих [2].

Для электроснабжения, где оборудование одновременно подвергается электрическим, тепловым, механическим и климатическим воздействиям, внедрение технологии IMD-MSARET открывает возможности для существенного сокращения объёма натурных испытаний при повышении их информативности.

Комбинаторное тестирование и верификация ИИ-систем

В современных исследованиях показано, что комбинаторное тестирование, изначально разработанное для верификации программного обеспечения, может быть эффективно применено для тестирования ИИ-моделей [4, 7]. При этом ключевым отличием является учёт вероятностной природы ИИ-систем в отличие от детерминированных традиционных программ.

Это направление имеет прямое отношение к разработке методик испытаний систем управления энергоснабжением, всё чаще использующих алгоритмы машинного обучения для оптимизации режимов и прогнозирования нагрузок. Верификация таких систем требует специальных подходов, учитывающих их недетерминированную природу.

Новые архитектуры испытаний: метаморфическое тестирование и генеративные модели

Инновационным подходом 2025 года стало метаморфическое тестирование систем на базе цифровых двойников. В работе, посвящённой системам автономного вождения, предложена структура, в которой цифровой двойник создаёт виртуальную копию системы и её операционной среды. В сочетании с ИИ-генеративными моделями (такими как Stable Diffusion) этот подход обеспечивает систематическую генерацию реалистичных и разнообразных тестовых сценариев, включая вариации внешних условий при сохранении базовой семантики исходного сценария [7].

В контексте энергоснабжения метаморфические отношения могут быть определены для верификации поведения систем управления в различных режимах работы сети — от нормальных до аварийных, с возможностью генерации нештатных, но физически реалистичных ситуаций.

Искусственный интеллект в электроэнергетике: прикладные аспекты испытаний

Практическое применение ИИ для диагностики и испытаний в электроэнергетике активно развивается. В Казахстане успешно завершено пилотное тестирование системы дефектоскопии воздушных линий электропередачи на основе анализа медиаконтента (видео, фото, тепловизионные и LiDAR-данные) с использованием искусственного интеллекта. Система обеспечивает автоматическое выявление дефектов на ЛЭП.

Немецкая сетевая компания Netze BW проводит испытания технологий мониторинга состояния воздушных линий, обучая ИИ распознаванию конструктивных элементов и их повреждений по изображениям с летательных аппаратов. В перспективе такая система позволит выявлять повреждения линейного оборудования на ранней стадии.

Эти примеры демонстрируют практическую реализуемость подходов, основанных на ИИ, для диагностики энергетического оборудования и могут быть интегрированы в общую методику комбинированных испытаний.

Новые вызовы и направления развития

Анализ современных исследований позволяет выделить несколько ключевых вызовов для дальнейшего развития методик комбинированных испытаний:

1. Динамическая адаптация цифровых двойников. Исследования в области структурной динамики показывают, что точность цифровых двойников критически зависит от качества и объёма данных. Предлагаются адаптивные стратегии управления датчиками на основе обучения с подкреплением для оптимизации сбора наиболее информативных данных [5].
2. Интеллектуальное тестирование устойчивости. Разработанные в 2025 году онлайн-адаптивные фреймворки для тестирования систем принятия решений демонстрируют способность к быстрой адаптации и повышению эффективности обнаружения отказов, что может быть применено для испытаний систем управления электроснабжением [4].
3. Стандартизация и верификация. Ставится вопрос о формировании рабочих групп и консорциумов для разработки стандартов в области цифровых двойников и ИИ в верификации и валидации, что особенно актуально для регулируемой сферы электроэнергетики [3].

Заключение

Проведённый анализ современных исследований 2025–2026 годов позволяет сделать вывод, что область комбинированных испытаний с использованием ИИ находится в стадии активного развития. Предложенные ранее подходы дополняются новыми методами цифро-физической интеграции [6], интеллектуальными адаптивными системами (такими как IMD-MSARET [2]), комбинаторным и метаморфическим тестированием [4, 7]. Накопленный опыт применения ИИ в диагностике энергетического оборудования подтверждает практическую реализуемость предлагаемых методов.6

Дальнейшие исследования предполагается направить на разработку специализированной методики комбинированных испытаний для электроэнергетических систем, интегрирующей рассмотренные подходы и учитывающей специфику многофакторного нагружения оборудования электрических сетей.