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。 |
工作流步骤
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。 |
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。
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。