Das Problem der Diagnose von Industrieanlagen wird heute von Wissenschaftlern aktiv diskutiert. Vor allem die rechtzeitige Diagnose und die frühzeitige Vorhersage sich entwickelnder Defekte wirken sich unmittelbar auf die Effizienz von Unternehmen aus. Zu diesem Zweck führen die Unternehmen aktiv neue Technologien, Methoden und Systeme ein, die darauf abzielen, Ausfallzeiten, Energie- und Materialverluste zu verringern und den sozioökonomischen Wohlstand erheblich zu steigern, da die traditionellen Ansätze zur Überwachung des technischen Zustands von Anlagen und zur Diagnose, die auf periodischen Inspektionen beruhen, es nicht erlauben, zuverlässig genaue Informationen über den technischen Zustand zu ermitteln. Eine der Innovationen sind prädiktive Diagnosesysteme auf der Grundlage von Methoden des maschinellen Lernens. Bis heute gibt es bereits Arbeiten und experimentelle Studien zu solchen Methoden, aber weitere Forschung und Validierung solcher Modelle ist erforderlich. In dieser Arbeit wird die Anwendung von Algorithmen des maschinellen Lernens zur Bewertung des technischen Zustands von Pipelinetransportobjekten untersucht. Das Hauptziel ist die Entwicklung einer Methode zur Diagnose von Ölpumpanlagen anhand der Parameter des Elektromotors unter Verwendung von Methoden des maschinellen Lernens. Zur Erfassung der elektrischen Kenndaten wurde ein Block auf der Grundlage von Strom- und Spannungssensoren sowie ein Arduino-Mikrocontroller zur Digitalisierung der gewonnenen Daten entwickelt. Um die Möglichkeiten von Algorithmen des maschinellen Lernens in der Arbeit zu bewerten, wurden Modelle des maschinellen Lernens wie logistische Regressionsmodelle und Entscheidungsbaum-Klassifizierungsmodelle verwendet. Als Ergebnis der Experimente und der Anwendung des entwickelten Algorithmus wurde festgestellt, dass dieser Algorithmus das Vorhandensein von Fehlern mit einer Genauigkeit von über 80 % erkennt, was das Potenzial der Integration von physischen und digitalen Systemen der Produktionsumgebung bestätigt.