预测性维护工作流指南

本指南用于围绕 FactVerse AI Agent 预测性维护模块搭建 AI Agent 工作流。该工作流整合设备身份、信号历史、异常上下文、维护记录和现场反馈，帮助工程师查看设备健康状态并规划下一步巡检或维护。

前置条件

要求	说明
设备模型	稳定的设备 ID、部件层级、位置、运行模式和关键程度。
信号历史	时序信号、数据质量标记、采样间隔、单位归一化和已知缺口。
维护上下文	巡检记录、工单、更换部件、故障备注和操作员反馈。
知识库	手册、标准操作流程、排障说明和站点特定约束。
审核负责人	能够接受、修订或拒绝建议的维护工程师或可靠性负责人。

Endpoint 与 scope

使用 /mcp/pdm/ 获取预测性维护健康状态和异常工具。工作流需要资产记录、文档、工单上下文或获批动作草稿时，再使用 /mcp/base/。

Endpoint	Scope	用途
/mcp/pdm/	pdm.read	读取 API key 可访问的健康摘要、异常上下文、部件信号和模型输出。
/mcp/base/	base.read	读取资产身份、文档、工作记录和相关运营证据。
/mcp/base/	base.action.write	在人工批准后生成后续巡检或维护动作草稿。

详细的 pdm.read 工具和 AI Engine 预测性维护 endpoint，可参考 预测性维护 AI 工具。

工具与界面选择

先明确用户的运营问题，再选择最窄、最合适的工具或产品界面。

问题	工具或界面	交接结果
本班次哪些资产需要关注？	get_pdm_summary、预测性维护 dashboard、command-center 视图	按设备群健康、告警、数据就绪度和未处理动作排序的摘要。
哪个异常需要优先复核？	list_pdm_anomalies、advisory inbox	按严重程度、状态、来源窗口和当前 advisory 状态组织的异常清单。
为什么这台设备健康状态下降？	get_equipment_health、设备详情、健康历史、振动与能耗视图	带贡献信号、近期趋势、基线状态和缺失数据的健康解释。
建议是否可以进入动作？	Advisory inbox、工单历史、通过 /mcp/base/ 读取的 Inspector 上下文	接受、拒绝或延后的建议，并附带复核说明。
模型是否可信，是否可以再训练？	模型控制台、DFS 质量、模型分配和就绪度阻塞项	模型状态、当前分配、数据门槛阻塞和需要修正的数据。
是否是部件或备件问题？	启用后的部件智能和循环回收工具	部件级上下文、修复或回收方向、备件与维修说明。
是否还需要准备数据？	DFS Lite 质量、DFS Pro 数据集、拒绝队列和数据血缘	在给出维护建议前先形成数据就绪度报告。

工作流步骤

1. 定义设备范围：选择站点、资产组、设备 ID、运行模式和查看窗口。
2. 检查数据就绪度：确认信号新鲜度、缺失区间、单位映射和已知传感器问题。
3. 获取健康上下文：通过运行时发现的工具汇总健康状态、异常、趋势变化和近期事件。
4. 关联维护历史：把异常与巡检、部件更换、告警和操作员备注进行对照。
5. 形成工程视图：说明可能原因、置信边界、证据缺口和建议的下一步检查。
6. 流转已审核动作：只有工程师接受建议后，才生成巡检、备件复核或计划维护草稿。
7. 反馈结果：记录确认原因、误报、维修部件和后续备注，用于后续模型改进。

建议输出结构

区块	内容
健康摘要	设备、当前状态、趋势方向、异常窗口和严重程度。
证据	信号、模型输出、维护记录、巡检备注和来源时间戳。
可能原因	按工程判断排序的假设，并列出支持与相反证据。
建议检查	现场巡检项、运行检查、数据检查和需要复核的部件。
审核结果	工程师决定、接受的动作、拒绝的建议或需要修正的数据。
反馈交接	结果标签、根因、误报原因、模型就绪度说明和后续数据任务。

DFS 数据准备

在依赖预测性维护输出前，先准备信号历史和维护上下文。

数据需求	DFS 工作流
时序信号历史	准备预测性维护信号历史
连接器和来源配置	连接器类型
单位和身份映射	映射来源字段
缺失区间和过期值	数据质量
工单、巡检和信号融合	融合巡检、工单和传感器数据
可复用的已审阅数据集	数据集生命周期
AI 工具选择和复核检查	预测性维护 AI 工具

模型训练、异常复核或周期性 Agent 工作流开始前，应准备一份就绪度交接包：

就绪项	必要证据
资产身份	设备 ID、别名、位置、部件层级、负责人和关键程度。
信号定义	传感器标签、轴向或通道、单位、采样间隔、预期范围和运行状态含义。
数据质量	新鲜度、缺失区间、过期值、传感器平直线、单位转换和来源重置说明。
运行上下文	运行、停机、待机、部分负载、清洁、批次或维护状态。
维护结果	工单关闭日期、确认原因、更换部件、执行动作、误报标记和复核人。
模型上下文	模板、模型 ID、模型版本、基线日期、分配状态和再训练阻塞项。

持续改进闭环

预测性维护工作流需要把已完成工作反馈到数据层，才能持续提高质量：

• 确认异常是否对应真实设备问题。
• 记录更换部件、调整设置和巡检发现。
• 标记误报和传感器质量问题。
• 保持 24x7 信号接入可见，让模型训练和规则调优使用更新后的运行历史。
• 在扩大自动化范围前，先用工程师反馈复核模型输出。
• 使用模型控制台检查数据门槛、过期基线、回退分配或缺失模型分配是否阻塞模型使用。
• 规则集和模板更新应在维护负责人接受证据并记录变更后进行。

常见失败模式

现象	可能原因	处理方式
健康输出较弱	信号历史过短、稀疏或未映射	先返回数据就绪度报告，再给出维护建议。
异常出现但原因不清	缺少维护和运行上下文	拉取工单、巡检备注、运行模式和近期告警。
告警过多	查询边界过宽或阈值没有按资产调优	缩小设备组范围，并由工程师复核阈值。
建议动作未被接受	置信度低或证据不足	将输出保留为工程备注，并请求补充缺失数据。

验证清单

• 工作流使用 pdm.read 调用预测性维护工具，面向用户的文字使用“预测性维护模块”等完整可读的名称。
• 每条建议都包含证据、置信边界和缺失数据说明。
• 创建动作前记录工程师审批。
• 已完成维护结果被记录下来，用于模型和知识改进。