预测性维护 AI 工具
预测性维护通过两层暴露 AI 能力：
/mcp/pdm/下的 MCP 工具，用于外部 Agent 和企业 AI 客户端。/ai/pdm/*下的 AI Engine endpoint，用于预测性维护运行时内部的模型训练、检测、预测、诊断和 payload 处理。
Agent 工作流需要受治理地读取健康、异常和组件智能时使用 MCP 工具。产品工作流需要训练、评分、诊断、预测或处理维护信号 payload 时使用 AI Engine endpoint。
工具层
| 层 | 主要用户 | 访问边界 | 输出类型 |
|---|---|---|---|
/mcp/pdm/ MCP 工具 | Agent 客户端、copilot、工作流编排器 | pdm.read scope | 健康摘要、异常上下文、组件智能、循环回收展望 |
/ai/pdm/* AI Engine endpoint | 预测性维护后端工作流和模型控制台 | 产品服务认证和工作流权限 | 模型状态、异常分数、预测、健康分数、诊断、剩余寿命估计 |
/api/v1/pdm/* 模块 API | 预测性维护 UI 和后端集成 | pdm:read 与 pdm:write 权限 | 设备画像、看板、advisory、模板、工单反馈、可靠性指标 |
面向用户说明写作 预测性维护。只有展示 API 路径、MCP endpoint、scope 或权限字符串时使用 pdm。
MCP endpoint 和 scope
| Endpoint | Scope | 用途 |
|---|---|---|
/mcp/pdm/ | pdm.read | 读取设备健康、fleet 摘要、异常列表、过滤组件智能和循环回收展望。 |
/mcp/base/ | base.read | 当维护答案需要支撑证据时，补充资产记录、文档、工单、巡检或 SOP 上下文。 |
/mcp/base/ | base.action.write | 负责工程师批准建议后起草后续动作。 |
MCP 工具地图
| 工具 | 主要用途 | 典型问题 |
|---|---|---|
get_pdm_summary | 汇总 fleet 健康和告警状态。 | “本周哪些设备组需要维护关注？” |
list_pdm_anomalies | 按严重度和状态列出当前或历史异常事件。 | “显示仍未关闭的严重异常。” |
get_equipment_health | 查看单台设备健康。 | “这台泵为什么是 C 级？” |
get_filter_component_intelligence | 找出需要关注的过滤组件。 | “哪些组件现在应该维护审阅？” |
get_filter_circular_recovery | 审阅过滤组件的回收、复用、再制造或处置展望。 | “哪些组件更换后仍有回收价值？” |
工具使用说明
get_pdm_summary
用于维护审阅开头，先提供 fleet 级视图，再钻取设备或异常。输出包括设备数量、等级分布、严重数量、活动告警和 7 天健康趋势。审阅时确认租户、站点、设备组和时间窗口，并把数据新鲜度写入结果。
list_pdm_anomalies
用于检索需要工程审阅的异常事件。输入包括 severity、status 和可选 limit。输出应区分未关闭和已关闭事件，并与近期巡检、操作员备注、工单和运行模式比较。
get_equipment_health
用于单台设备解释。优先使用稳定 equipment_id，输出包括 0 到 100 的健康分数、A 到 F 等级、异常等级、crest factor 和 vibration RMS。审阅结果应包含健康状态、信号证据、维护上下文、工程检查和缺失证据。
get_filter_component_intelligence
用于组件级维护优先级和备件计划。输出包括关注组件、风险区间、预测剩余寿命、建议动作、基准上下文和 aftermarket 说明。
get_filter_circular_recovery
用于组件回收、复用、再制造、处置、可持续或 aftermarket 规划。输出应与组件状态、剩余寿命和维护历史绑定。
过滤组件工具用于设备和 fleet 组件。洁净室 HEPA 或 ULPA 过滤器寿命分析属于 SemiOps 洁净室工作流。
推荐 MCP 工具序列
| 场景 | 推荐路径 |
|---|---|
| Fleet 分诊 | get_pdm_summary -> list_pdm_anomalies -> get_equipment_health -> /mcp/base/ 资产、工单和文档上下文 |
| 单设备健康解释 | get_equipment_health -> /mcp/base/ 工作历史和巡检备注 -> DFS 信号新鲜度检查 -> 工程检查排序 |
| 组件关注和回收 | get_filter_component_intelligence -> get_filter_circular_recovery -> /mcp/base/ 工单或备件上下文 -> 审阅决策 |
AI Engine 分析工具
| Endpoint | 目的 | 需要准备的输入 | 需要审阅的输出 |
|---|---|---|---|
/ai/pdm/train | 为设备特征训练基线模型。 | 设备 ID 或类别、特征列表、训练窗口、清洗后的时序数据。 | 模型 ID、训练状态、使用的数据点和就绪状态。 |
/ai/pdm/baseline/{model_id}/status | 检查模型训练状态。 | 模型 ID。 | 状态、就绪度、错误和下一步动作。 |
/ai/pdm/detect | 执行异常检测。 | 传感器数据窗口、可选模型 ID、特征集、资产上下文。 | 异常分数、阈值、严重度、异常类型、特征贡献、模型版本。 |
/ai/pdm/forecast | 预测特征趋势并估算阈值时间。 | 特征历史、预测 horizon、置信区间、可选阈值。 | 预测点、预测阈值日期、距离阈值天数、维护建议。 |
/ai/pdm/health-score | 计算综合健康分数。 | 维度分数、权重、资产或设备上下文。 | 综合分数、等级、维度贡献和摘要。 |
/ai/pdm/rul/predict | 估算剩余寿命。 | 健康指数历史、失效阈值、退化历史。 | 剩余天数、置信度、方法、退化率、预测失效日期、趋势数据。 |
/ai/pdm/diagnose | 基于振动和温度诊断单台资产。 | 设备模板、传感器位置、最新读数、可选历史。 | 严重度、诊断、可能故障模式、建议、ISO grade 和证据。 |
/ai/pdm/fleet-diagnose | 对相似设备批量诊断。 | 设备类型、批量读数、可比特征集。 | 单设备诊断、fleet 统计和离群检测。 |
/ai/pdm/ingest/xs770a | 处理 XS770A 风格振动 payload。 | 三轴速度、加速度、温度、时间戳、设备元数据。 | 综合 vibration RMS、peak vibration、crest factor、快速异常标记、健康分数估计。 |
数据要求
- 稳定设备 ID 和设备类型；
- 传感器到设备的映射；
- 带时间戳的信号历史；
- 单位、比例因子、轴定义和采样间隔；
- 运行状态或运行计划；
- 维护记录和工单结果；
- 已批准设备模板或规则 overlay；
- DFS 对缺失区间、过期值和离群值的质量说明。
输出审阅清单
- 设备身份在预测性维护、DFS、Inspector、CMMS 和工单记录中稳定。
- 信号时间戳和来源新鲜度可见。
- 单位、轴定义和特征名称已记录。
- 分数或诊断依赖模型或模板时，版本可见。
- 健康分数、异常严重度、预测和剩余寿命包含置信或限制说明。
- 建议在现场动作前交给维护负责人。
- 工单结果和误报标签回流到预测性维护工作流。