АВТОМАТИЗОВАНІ МОДЕЛІ ПРОГРАМНИХ СИСТЕМ ДІАГНОСТИКИ ТРАНСПОРТНИХ ЗАСОБІВ: ПІДХІД ДО ІНТЕГРАЦІЇ ДАНИХ

DOI: 10.31673/2409-7292.2025.017899

Анотація

бу, дозволяючи відстежувати стан системи в реальному часі. Ефективне використання цих даних вимагає розробки
інтелектуальних алгоритмів, здатних аналізувати отриману інформацію з урахуванням мінливості сигналу та
ймовірності несправностей. Одним із підходів до підвищення точності аналізу є використання кінцевих автоматів
(FSM), які дозволяють структурувати процес прийняття рішень на основі набору визначених станів і переходів між
ними. У цьому дослідженні досліджується метод інтеграції FSM у процеси аналізу даних OBD-2 для створення
автоматизованої діагностичної системи, яка підвищує точність виявлення несправностей і зменшує кількість
хибнопозитивних результатів. Запропонована діагностична модель використовує FSM для створення гнучкої та
масштабованої логіки для аналізу стану автомобіля. У рамках дослідження була розроблена математична модель FSM,
що враховує часові зміни параметрів OBD-2 та ідентифікує критичні відхилення на основі часових характеристик
сигналу. Створено пакет програм для моделювання та тестування системи, що дозволяє перевірити її ефективність на
основі як синтетичних даних, отриманих у середовищі MATLAB/Simulink, так і змодельованих сценаріїв.
Порівняльний аналіз точності виявлення несправностей із використанням запропонованої моделі автоматичних
автоматів порівняно з традиційними пороговими методами продемонстрував підвищення надійності діагностики.
Результати тестування показали, що точність виявлення несправностей зросла до 92,2%, а хибнопозитивний рівень
знизився до 4,1% порівняно з класичними методами аналізу даних OBD-2. Запропонований підхід зменшив затримку
обробки до 250 мілісекунд на діагностичний цикл, що робить його застосовним для виявлення несправностей у
реальному часі.
Ключові слова: кінцевий автомат, автомобільна діагностика, OBD-2, архітектура програмного забезпечення,
інтеграція даних, моделювання

Список використаних джерел
1. Yadav, A., & Swetapadma, A. (2015). A finite-state machine-based approach for fault detection and
classification in transmission lines. Electric Power Components and Systems, 44(1), 43–59. https://doi.org/10.1080/
15325008.2015.1091862
2. Solov’ev, V. V. (2023). Structural models for failure detection of Moore finite-state machines. Journal of
Computer and Systems Sciences International, 62, 977–990. https://doi.org/10.1134/S1064230723060102
3. Köhl, M. A., & Hermanns, H. (2023). Model-based diagnosis of real-time systems: Robustness against varying
latency, clock drift, and out-of-order observations. ACM Transactions on Embedded Computing Systems, 22(4), Article
68, 1–48. https://doi.org/10.1145/3597209
4. Górski, T., & Stecz, W. (2024). A method for modeling and testing near-real-time system scenarios. Applied
Sciences, 14(5), 2023. https://doi.org/10.3390/app14052023
5. MIT OpenCourseWare. (2011). Lecture notes: State machines in system design. Retrieved February 16, 2025,
from https: //ocw.mit.edu /courses/6-01sc-introduction-to-electrical-engineering-and-computer-science-i-spring-2011/
pages/unit-1-software-engineering/state-machines/
6. Fuicu, S., Avramescu, A., Lascu, D., Padurariu, R., & Marcu, M. (2015). Real-time monitoring using finite statemachine algorithms. In R. Giaffreda et al. (Eds.), Internet of Things. User-Centric IoT. IoT360 2014. Lecture Notes of the
Institute for Computer Sciences, Social Informatics and Telecommunications Engineering (Vol. 150). Springer, Cham.
https://doi.org/10.1007/978-3-319-19656-5_27
7. Gong, C.-S. A., Su, C.-H. S., Chen, Y.-H., & Guu, D.-Y. (2022). How to implement automotive fault diagnosis
using artificial intelligence scheme. Micromachines, 13(9), 1380. https://doi.org/10.3390/mi13091380
8. Rasheed, R., Qazi, F., Dur e Shawar Agha, Ahmed, A., Asif, A., & Shams, H. (2024). Machine learning
approaches for in-vehicle failure prognosis in automobiles: A review. VFAST Transactions on Software Engineering,
12(1), 169–182. https://doi.org/10.21015/vtse.v12i1.1713
9. Wagner, F., Schmuki, R., Wagner, T., & Wolstenholme, P. (2006). Modeling software with finite state machines:
A practical approach (1st ed.). New York, USA: Auerbach Publications. https://doi.org/10.1201/9781420013641
10. Embedded Staff. (2016). Implementing finite state machines in embedded systems. Retrieved February 19,
2025, from https://www.embedded.com/implementing-finite-state-machines-in-embedded-systems/
11. Chen, J., & S, R. (2021). Model-based validation of diagnostic software with application in automotive
systems. IET Cyber-Systems and Robotics, 3(3), 140–149. https://doi.org/10.1049/csy2.12016
12. Kim, K., & Roush, F. W. (2003). Algebra, abstract. In R. A. Meyers (Ed.), Encyclopedia of physical science
and technology (3rd ed.). Academic Press. https://doi.org/10.1016/B0-12-227410-5/00019-3