In den vergangenen Jahren wurden bereits einige Methoden entwickelt, um einen ontologybasierten Zugriff auf zeitliche und strombasierte Daten zu ermöglichen. Diese Arbeit soll einen weiteren Beitrag leisten, um den strom- und zeitbasierten Zugriff auf relationale Daten mittels Anfragetransformationen und einer neuen optimierten Anfragesprache namens STARQL zu demonstrieren. Die speziell für den industriellen Einsatz entwickelte Sprache STARQL ermöglicht sowohl den Zugriff auf historische Daten für eine reaktive Diagnostik als auch auf geströmte Daten für ein kontinuierliches Monitoring, um Ingenieure optimal im Hinblick auf Analysen und Vorhersagen in Echtzeit-Szenarien zu unterstützen. In diesem Kontext erklären wir wie eine Transformation von STARQL-Anfragen mit Hilfe von deklarativen Abbildungen in SQL-Anfragen umgesetzt werden kann, sodass sowohl In- formation über zeitliche Sequenzen als auch die Verknüpfungen von historischen und Echtzeit-Daten ermöglicht wird. Schließlich analysieren wir in einer prototypischen Umsetzung das in dieser Arbeit implementierte STARQL Framework und zeigen anhand von Beispielen und Anwendungen in modernen Datenbanksystemen (wie z.B. das verteilte Big Data Framework Spark) die Implementierbarkeit und Machbarkeit unseres Ansatzes im Vergleich zu ähnlichen Systemen.