Проектирование распределенной big data платформы потоковой виброакустической диагностики и предиктивного прогнозирования остаточного ресурса серверно-энергетической инфраструктуры информационной сети цифрового агрокомплекса на основе Apache Kafka и гибридной модели CNN-LSTM

Представлены результаты проектирования и экспериментальной верификации распределенной big data платформы для потоковой обработки виброакустических и телеметрических данных серверно-энергетической инфраструктуры периферийного центра обработки данных, обслуживающего информационную сеть цифрового агрокомплекса, и предиктивного прогнозирования остаточного ресурса ее критичных узлов. Предложена пятиуровневая архитектура: источники данных (акселерометры, датчики акустической эмиссии, бесконтактный лазерный виброметр, токовые и температурные сенсоры), граничная предобработка на Raspberry Pi 4B, шина событий Apache Kafka 3.6, обработка на Apache Spark 3.5 с HDFS, аналитический уровень с моделью CNN-LSTM-Attention. Пилотное развертывание проведено на модульном периферийном ЦОД цифрового агрокомплекса в Республике Татарстан с архивом 3,6 ТБ за 18 месяцев. Архитектура обеспечила задержку P99 = 372 мс при пиковой нагрузке 1,18 млн событий в секунду и потерях менее 0,02%. Модель CNN-LSTM-Attention показала R² = 0,931, RMSE = 44,7 ч, превзойдя LSTM на 14,2% по RMSE. Граничная агрегация виброакустических потоков сокращает сетевой трафик в ядро сети на 72%.

1. Yu P., Teng F., Zhu W., Shen C., Chen Z., Song J. Cloud–edge–device collaborative computing in smart agriculture: architectures, applications, and future perspectives. Frontiers in Plant Science. 2025; 16: 1668545. https://doi.org/10.3389/fpls.2025.1668545

2. Fernández-Gómez A.M., Gutiérrez-Avilés D., Troncoso A., Martínez-Álvarez F. A new Apache Spark-based framework for big data streaming forecasting in IoT networks. The Journal of Supercomputing. 2023; 79(10): 11078–11100. https://doi.org/10.1007/s11227-023-05100-x

3. Унижаев Н.В. Особенности внедрения нейросетей и систем искусственного интеллекта на предприятиях электроэнергетики. Вопросы инновационной экономики. 2023; 13(1): 215–232. https://doi.org/10.18334/vinec.13.1.116945

4. Tama B.A., Vania M., Lee S., Lim S. Recent advances in the application of deep learning for fault diagnosis of rotating machinery using vibration signals. Artificial Intelligence Review. 2023; 56(5): 4667–4709. https://doi.org/10.1007/s10462-022-10293-3

5. Peng H., Li H., Zhang Y., Wang S., Gu K., Ren M. Multi-Sensor Vibration Signal Based Three-Stage Fault Prediction for Rotating Mechanical Equipment. Entropy. 2022; 24(2): 164.https://doi.org/10.3390/e24020164

6. Низамиев М.Ф., Басенко В.Р., Ившин И.В., Владимиров О.В., Хуснутдинов А.Н., Андреев Н.К. Диагностика трансформаторов электротехнических комплексов с использованием бесконтактных лазерных виброметров. Известия высших учебных заведений. Проблемы энергетики. 2022; 24(5): 97–109. https://doi.org/10.30724/1998-9903-2022-24-5-97-109

7. Басенко В.Р., Ившин И.В., Владимиров О.В., Низамиев М.Ф. Усовершенствованный метод вибрационного контроля технического состояния силового трансформатора, основанный на фрактальном анализе амплитудно-временной характеристики. Известия высших учебных заведений. Проблемы энергетики. 2023; 25(2): 124–136. https://doi.org/10.30724/1998-9903-2023-25-2-124-136

8. Khattach O., Moussaoui O., Hassine M. End-to-End Architecture for RealTime IoT Analytics and Predictive Maintenance Using Stream Processing and ML Pipelines. Sensors. 2025; 25(9): 2945. https://doi.org/10.3390/s25092945

9. Deng S., Zhou J. Prediction of Remaining Useful Life of Aero-engines Based on CNN-LSTM-Attention. International Journal of Computational Intelligence Systems. 2024; 17: 232. https://doi.org/10.1007/s44196-024-00639-w

10. Яковлева М.В., Шалина А.И. Алгоритм принятия решений о внедрении предиктивного обслуживания оборудования на высокотехнологичных предприятиях. Вопросы инновационной экономики. 2023; 13(1): 159–172. https://doi.org/10.18334/vinec.13.1.117426

11. Liu B., Gao Z., Lu B., Dong H., An Z. Deep Learning-Based Remaining Useful Life Estimation of Bearings with Time-Frequency Information. Sensors. 2022; 22(19): 7402. https://doi.org/10.3390/s22197402

12. Song L., Wu J., Wang L., Chen G., Shi Y., Liu Z. Remaining Useful Life Prediction of Rolling Bearings Based on Multi-Scale Attention Residual Network. Entropy. 2023; 25(5): 798. https://doi.org/10.3390/e25050798

13. Magadán L., Granda J.C., Suárez F.J. Robust prediction of remaining useful life of bearings using deep learning. Engineering Applications of Artificial Intelligence. 2024; 130: 107690. https://doi.org/10.1016/j.engappai.2023.107690

14. Ma M., Mao Z. Deep-Convolution-Based LSTM Network for Remaining Useful Life Prediction. IEEE Transactions on Industrial Informatics. 2021; 17(3): 1658–1667. https://doi.org/10.1109/TII.2020.2991796

15. Wei Y., Wu D., Terpenny J. Bearing remaining useful life prediction using selfadaptive graph convolutional networks with self-attention mechanism. Mechanical Systems and Signal Processing. 2023; 188: 110010. https://doi.org/10.1016/j.ymssp.2022.110010

16. Feng K., Ji J.C., Ni Q., Beer M. A review of vibration-based gear wear monitoring and prediction techniques. Mechanical Systems and Signal Processing. 2023; 182: 109605. https://doi.org/10.1016/j.ymssp.2022.109605

17. Cao L., Zhang H., Meng Z., Wang X. A parallel GRU with dual-stage attention mechanism model integrating uncertainty quantification for probabilistic RUL prediction of wind turbine bearings. Reliability Engineering & System Safety. 2023; 235: 109197. https://doi.org/10.1016/j.ress.2023.109197

18. Simard S.R., Gamache M., Doyon-Poulin P. Current Practices for Preventive Maintenance and Expectations for Predictive Maintenance in East-Canadian Mines. Mining. 2023; 3(1): 26–53. https://doi.org/10.3390/mining3010002

19. Cachada A. et al. Maintenance 4.0: Intelligent and Predictive Maintenance System Architecture. 2018 IEEE 23rd International Conference on Emerging Technologies and Factory Automation (ETFA). IEEE. 2018; 139–146. https://doi.org/10.1109/ETFA.2018.8502489