Эксплуатация промышленного оборудования сопровождается непрерывным потоком разнородных телеметрических измерений, информационная ёмкость которого далеко превосходит возможности порогового контроля по фиксированным уставкам. Расхождение между объёмом регистрируемых данных и глубиной их интерпретации порождает разрыв: отказ нередко распознаётся уже после перехода узла в предотказное состояние, тогда как опережающие признаки деградации присутствуют в сигнале существенно раньше. Цель работы – построение интеллектуальной системы мониторинга, согласующей потоковую обработку измерений с обучаемыми моделями распознавания состояния и прогноза остаточного ресурса. Реализована авторская расчётная модель: сформирован модельный набор телеметрии вращательного агрегата по пяти измерительным каналам, на котором сопоставлены алгоритмы классификации состояния (логистическая регрессия, случайный лес, градиентный бустинг, рекуррентная сеть GRU) и регрессионного прогноза ресурса, оценены характеристики обработки потока в реальном времени и чувствительность к дрейфу распределения. Градиентный бустинг обеспечил F1 на уровне 0,914 при доле ложных тревог 3,8%, рекуррентная архитектура – опережение момента отказа в среднем на 41,6 ч при медианной задержке детектирования 0,67 с. Реакция качества на дрейф оказалась нелинейной: умеренный сдвиг признаков снижал F1 на 6,1 процентного пункта, а рекалибровка по скользящему окну возвращала метрику до 0,881. Опережающий характер вибрационно-токовых признаков по отношению к температурным означает, что раннее распознавание деградации достигается согласованием горизонта прогноза с инерционностью измерительных каналов, тогда как наращивание числа датчиков такого согласования само по себе не обеспечивает.
The operation of industrial equipment is accompanied by a continuous stream of heterogeneous telemetry measurements whose information capacity far exceeds the capabilities of threshold control based on fixed setpoints. The discrepancy between the volume of recorded data and the depth of its interpretation produces a gap: a failure is often recognized only after a unit has entered a pre-failure state, whereas the leading signs of degradation are present in the signal considerably earlier. The aim of the work is to construct an intelligent monitoring system that reconciles stream processing of measurements with trainable models of state recognition and remaining useful life prediction. An author's computational model has been implemented: a model telemetry dataset of a rotating unit across five measurement channels was formed, on which state classification algorithms (logistic regression, random forest, gradient boosting, a GRU recurrent network) and a regression forecast of the residual resource were compared, and the characteristics of real-time stream processing and sensitivity to distribution drift were assessed. Gradient boosting provided an F1 of 0.914 at a false alarm rate of 3.8%, while the recurrent architecture anticipated the moment of failure on average by 41.6 h with a median detection latency of 0.67 s. The response of quality to drift proved nonlinear: a moderate feature shift reduced F1 by 6.1 percentage points, whereas recalibration over a sliding window restored the metric to 0.881. The leading character of vibration and current features relative to temperature ones means that early recognition of degradation is achieved by matching the forecast horizon to the inertia of the measurement channels rather than by increasing the number of sensors.