ЖУРНАЛ СТА №4/2026

О Б З О Р Ы www.cta.ru СТА 4/2026 39 мы расчёта остаточного ресурса (RUL – Remaining Useful Life) . В конце 2009 года SmartSignal выпу - стила xConnector, обеспечивший дву - направленную интеграцию с PI System и объединивший классические мето - ды анализа с ML- моделями – это стало началом распространения гибридных систем предиктивной диагностики . Быстрый прогресс в сфере информа - ционных технологий привёл к тому , что сегмент предиктивной диагности - ки перестал быть нишевым . Если ранее здесь действовали только пионеры – компании , о которых говорилось выше (OSIsoft, AVEVA, AspenTech и др .), то сегод - ня к разработке таких систем подключи - лись новые участники , которые вместе с пионерами образуют четыре основные группы разработчиков : ● пионеры – классические первопроход - цы рынка предиктивной диагностики : OSIsoft, AVEVA, AspenTech и т . д .; ● промышленные холдинги – крупные промышленные объединения , высту - пающие через свои « цифровые дочки »: « СИБУР Диджитал », « Газпромнефть – Цифровые Решения », « НЛМК ИТ » и т . д .; ● крупные IT- вендоры – крупные IT- ком - пании непромышленного профиля : « Яндекс », « Сбер », « Лаборатория Каспер - ского » и т . д .; ● технологические последователи – относительно молодые IT- компании , специализирующиеся на промыш - ленных решениях и выступающие современными аналогами пионеров : АО « Ротек », ООО « ИнфТех », ООО « Смарт Цифровые Решения » и т . д . У каждой из этих групп разный про - фессиональный опыт , поэтому их под - ходы к созданию предиктивной диагно - стики существенно отличаются . Мы будем рассматривать особенно - сти построения систем предиктивной диагностики , отталкиваясь от того , кем является разработчик : пионер - первопро - ходец , промышленный холдинг , непро - мышленный IT- вендор или технологи - ческий последователь . Пионеры : эволюция и вызовы современности Исторически компании - пионеры раз - вивались вместе с нефтегазовым , хими - ческим и энергетическим секторами . Их системы изначально создавались для решения специфических задач : работы с непрерывными производственными процессами , обработки специфических массивов данных ( временны́х рядов ) и обеспечения высочайшей надёжности . Классический пример того , как удач - ное технологическое решение , найденное для конкретной проблемы в нефтегазо - вой отрасли , выросло в мировой стандарт сбора и управления производственными данными , – это PI System от OSIsoft. Предиктивная диагностика от OSI- soft – это не одно конкретное приложе - ние , а комплексная экосистема на базе платформы PI System, в которую могут интегрироваться сторонние решения , например SmartSignal. Разработка платформы началась в 1983 году , а ключевым моментом стал проект для нефтяной компании Marathon Oil, которой требовался инструмент долго - срочного хранения исторических дан - ных для последующего анализа техно - логических процессов и причин отказа оборудования . Системы автоматизации тех лет предусматривали хранение толь - ко кратковременных архивов , которые располагались непосредственно в кон - троллерах , что сильно ограничивало возможности анализа . В 1987 году ( через 4 года после начала разработки ) OSIsoft внедрила на произ - водстве Marathon Oil первую версию PI System. Это был не просто архив , а исторический сервер данных реального времени . Главной инновацией стал сам подход : система не просто хранила истори - ческие значения параметров , а делала это эффективно , сжимая их без потери точно - сти , что позволяло хранить годыистории . Позднее этот функционал был выделен в отдельный продукт – PI Historian, кото - рый сегодня служит фундаментом всей платформы PI System. Таким образом , на создание первой версии базы дан - ных реального времени у OSIsoft ушло 4 года , а общий срок развития решения уже превысил 43 года . В ходе развития своей платформы OSIsoft разработала более 400 интерфей - сов для подключения к системам крупней - ших производителей средств автомати - зации (Emerson, ABB, Honeywell, Rockwell, Siemens, Yokogawa, GE и т . д .). Ни одна дру - гая группа разработчиков предиктивной диагностики не обладает такими широ - кими интеграционными возможностями . С 2010- х годов ( около 16 лет назад ) на рынке начали активно появляться откры - тые (open-source) базы данных для хра - нения временны́х рядов ( исторических данных ). Их появление было обусловле - но потребностями самой IT- индустрии – необходимо было собирать , хранить и анализировать IT- метрики : загрузку серверов , температуру процессоров , сво - бодный объём памяти и т . д . По своей сути эти метрики аналогичны данным с датчиков промышленных установок . Среди популярных open-source реше - ний можно выделить : In fl uxDB, OpenTSDB, timescaleDB ( расширение для PostgreSQL). Ключевым преимуществом этих баз дан - ных является возможность интеграции с современными открытыми цифровыми инструментами , такими как : ● Grafana ( визуализация данных ); ● Python ( анализ данных ); ● Pandas и Polars ( обработка данных ); ● Patroni ( резервирование и отказоустой - чивость для PostgreSQL). Сегодня AVEVA ( текущий владелец PI System) сталкивается с необходимостью значительных инвестиций в развитие собственной экосистемы . Это связано с тем , что PI System построена на пропри - етарных компонентах и не интегрируется с популярными открытыми решениями . Компании приходится самостоятельно развивать : ● собственнуюбазу данных (PI Historian) – вместо использования готовых open- source аналогов (In fl uxDB, OpenTSDB, timescaleDB); ● библиотеки анализа данных – из - за отсутствия интеграции с универсаль - ными инструментами (Python, Pandas, Polars); ● инструменты визуализации (PI Vision) – так как PI System не поддерживает под - ключение к популярным решениям вроде Grafana; ● подсистему резервирования , посколь - ку открытые инструменты резерви - рования ( например , Patroni для Postgre- SQL) разрабатываются под открытые базы данных и не подходят для про - приетарных решений . Указанное выше характерно практиче - ски для всех « пионеров » рынка ; в итоге даже при постоянных инвестициях эти компании не могут догнать по скорости развития открытые решения . Для срав - нения : сообщество PostgreSQL насчиты - вает более 700 активных разработчиков , а IT- гиганты вроде Microsoft, AWS, VMware, Amazon и другие спонсируют его разви - тие . При этом все затраты на развитие соб - ственной экосистемы « пионеры » заклады - вают в цену своих решений , в том числе из - за этого предиктивная диагностика от таких компаний – самая дорогая . Если говорить о концепциях построения систем предиктивной диагностики , то у « пионеров » рынка они самые совершен - ные , и конечно же , это гибридные систе - мы , работающие как конвейер последова - тельного анализа данных , состоящий из следующих уровней .