Аннотация. Обеспечение безопасности полетов и повышение экономической эффективности технического обслуживания воздушных судов требуют интеллектуального анализа неструктурированных текстовых отчетов. Традиционные методы тематического анализа имеют ограничения, связанные с потерей семантического контекста коротких сообщений и высокой трудоемкостью ручной предобработки текстов. Предметом данного исследования являются методы автоматического извлечения знаний из технических рапортов. Для достижения цели решены задачи формирования оптимального вычислительного конвейера, его программной реализации и экспериментальной проверки на реальных данных.
Целью исследования является разработка, теоретическое обоснование и экспериментальная верификация комплексного метода автоматического выявления и детальной интерпретации скрытых подгрупп неисправностей. Разработанный метод базируется на интеграции модели-трансформера (paraphrase-multilingual-MiniLM-L12-v2) для получения контекстных эмбеддингов, алгоритма нелинейного снижения размерности UMAP и иерархической плотностной кластеризации HDBSCAN. Интерпретация тем и автоматическая генерация их человекочитаемых названий реализованы на основе алгоритма c-TF-IDF, семантического отбора KeyBERTInspired и локально развернутой большой языковой модели Qwen3.5-4B-Instruct. Экспериментальная проверка метода проведена на выборке из 1971 текстовой записи категории пассажирского оборудования за 7-летний период эксплуатации девяти воздушных судов. Разработанный метод успешно идентифицировал 7 стабильных содержательных категорий дефектов, изолировав 11,7 % нетипичных записей в шумовой кластер. Сравнение со случайным базовым уровнем подтвердило высокую статистическую значимость результатов. Показатель разнообразия тем составил 0,8286 и соответствует рекомендуемому диапазону. Разработанный метод превосходит классическую модель LDA по покомпонентной чистоте выделенных тем и исключает этап сложной ручной предобработки данных. Решение рекомендуется для масштабирования на другие разделы стандартов ATA 100 и интеграции в интеллектуальные системы поддержки принятия решений авиапредприятий с целью оптимизации планирования обслуживания и управления запасами компонентов.

Ключевые слова: техническое обслуживание, авиационный транспорт, интеллектуальный анализ текстов, контекстные эмбеддинги, плотностная кластеризация, тематическое моделирование, большие языковые модели.