Статистические характеристики: общий уровень вибрации, СКЗ, коэффициент эксцесса, ПИК, ПИК-ПИК, ПИК-фактор и др.Набор технологий: HDFS, Apache Kafka, Apache Spark, HBase, Neo4j и др.На примере Neo4jНевозможно эффективно управлять производственными процессами без знания актуальной информации о режимах работы конкретных узлов оборудования. Более того загруженность оборудования, а следовательно, и развитие неисправностей напрямую завит от изменения режимов работы. Решается задача классификации режимов работы оборудования по потоке непрерывных данных вибрации на основе метода кластерного анализа.Решается задача выявления тенденций временных рядов измерений физических параметров в системе мониторинга производственного оборудования с целью предсказания отклонений от нормальных режимов работы. Используются рекуррентные нейронные сети, например, LSTM. Исследуются вопросы обработки многомерных временных рядов с выявлением корреляции между потоками данных.Колоночные базы данных является основным средством для выполнения сложных аналитических запросов над большими данными. Однако запросы к таким базам данным должны удовлетворять определенным требованиям, например, запросы должны оперировать большими наборами данных, запросы по удалению и обновлению данных неэффективны. Требуется оценить производительность базы данных ClickHouse на запросах к реальным данным мониторинга производственного оборудования. По результатам оценки должен быть сформулирован список требований к запросам, а также разработаны типовые аналитические запросы по извлечению событий из набора данных.В потоковой обработке данных: используется понятие потока. У потока нет конца и начала, он представляет некоторый неограниченный набор данных, при этом обработка происходит в режиме скользящего окна или отдельных записей. При этом необходимо обрабатывать данные на лету в режиме близкому к реальному времени. Обработка масштабируется путем создания новых обработчиков на потоке. Spark – это универсальный движок для пакетных и потоковых вычислений, подходящий для сценариев промышленного мониторинга. Источником потоковых данных является брокер сообщений (например, Kafka).Требуется разработать эффективный способ накопления, хранения и извлечения информации как в целях автоматизации ремонта и технического обслуживания, так и в целях дальнейшего эффективного накопления знаний, в т.ч. для прогнозирования. Целью работы является разработка модели хранения пространственно-временных событий и модели представления технического состояния объекта мониторинга, обеспечивающих семантическое связывание измерений многопараметрического мониторинга для предиктивной диагностики технического состояния. Модель данных разрабатывается для нереляционной системы управления базами данных графового типа (Neo4j).В системах многопараметрического мониторинга производственного оборудования возникает множество событий: точеные, длительные, составные, прогнозируемые события. Целью работы является разработка алгоритмов ранжирования событий на основе накопленных событийных данных системы мониторинга. Требуется выявлять события, оказывающие наиболее значимое влияние на производственные процессы, а также на их основе формировать рекомендации по техническому обслуживанию.Колоночные базы данных является основным средством для выполнения сложных аналитических запросов над большими данными. Однако запросы к таким базам данным должны удовлетворять определенным требованиям, например, запросы должны оперировать большими наборами данных, запросы по удалению и обновлению данных неэффективны. Требуется оценить производительность базы данных ClickHouse на запросах к реальным данным. По результатам оценки должен быть сформулирован список требований к запросам, а также разработаны типовые аналитические запросы по извлечению событий из набора данных.