預測性維護工作流程指南

本指南用於圍繞 FactVerse AI Agent 預測性維護模組搭建 AI Agent 工作流程。該工作流程整合設備身分、訊號歷史、異常上下文、維護記錄和現場回饋，幫助工程師查看設備健康狀態並規劃下一步巡檢或維護。

前置條件

要求	說明
設備模型	穩定的設備 ID、部件層級、位置、運行模式和關鍵程度。
訊號歷史	時序訊號、資料品質標記、採樣間隔、單位標準化和已知缺口。
維護上下文	巡檢記錄、工單、更換部件、故障備註和操作員回饋。
知識庫	手冊、標準操作流程、排障說明和站點特定限制。
審核負責人	能夠接受、修訂或拒絕建議的維護工程師或可靠性負責人。

Endpoint 與 scope

使用 /mcp/pdm/ 取得預測性維護健康狀態和異常工具。工作流程需要資產記錄、文件、工單上下文或獲批動作草稿時，再使用 /mcp/base/。

Endpoint	Scope	用途
/mcp/pdm/	pdm.read	讀取 API key 可存取的健康摘要、異常上下文、部件訊號和模型輸出。
/mcp/base/	base.read	讀取資產身分、文件、工作記錄和相關營運證據。
/mcp/base/	base.action.write	在人工批准後生成後續巡檢或維護動作草稿。

詳細的 pdm.read 工具和 AI Engine 預測性維護 endpoint，可參考 預測性維護 AI 工具。

工具與介面選擇

先明確使用者的營運問題，再選擇最窄、最合適的工具或產品介面。

問題	工具或介面	交接結果
本班次哪些資產需要關注？	get_pdm_summary、預測性維護 dashboard、command-center 視圖	按設備群健康、告警、資料就緒度和未處理動作排序的摘要。
哪個異常需要優先複核？	list_pdm_anomalies、advisory inbox	按嚴重程度、狀態、來源視窗和目前 advisory 狀態組織的異常清單。
為什麼這台設備健康狀態下降？	get_equipment_health、設備詳情、健康歷史、振動與能耗視圖	帶貢獻訊號、近期趨勢、基線狀態和缺失資料的健康解釋。
建議是否可以進入動作？	Advisory inbox、工單歷史、透過 /mcp/base/ 讀取的 Inspector 上下文	接受、拒絕或延後的建議，並附帶複核說明。
模型是否可信，是否可以再訓練？	模型控制台、DFS 品質、模型分配和就緒度阻塞項	模型狀態、目前分配、資料門檻阻塞和需要修正的資料。
是否是部件或備件問題？	啟用後的部件智慧和循環回收工具	部件級上下文、修復或回收方向、備件與維修說明。
是否還需要準備資料？	DFS Lite 品質、DFS Pro 資料集、拒絕佇列和資料血緣	在給出維護建議前先形成資料就緒度報告。

工作流程步驟

1. 定義設備範圍：選擇站點、資產組、設備 ID、運行模式和查看視窗。
2. 檢查資料就緒度：確認訊號新鮮度、缺失區間、單位映射和已知感測器問題。
3. 取得健康上下文：透過執行時發現的工具彙總健康狀態、異常、趨勢變化和近期事件。
4. 關聯維護歷史：把異常與巡檢、部件更換、告警和操作員備註進行對照。
5. 形成工程視圖：說明可能原因、置信邊界、證據缺口和建議的下一步檢查。
6. 流轉已審核動作：只有工程師接受建議後，才生成巡檢、備件複核或計畫維護草稿。
7. 回饋結果：記錄確認原因、誤報、維修部件和後續備註，用於後續模型改進。

DFS 資料準備

在依賴預測性維護輸出前，先準備訊號歷史和維護上下文。

資料需求	DFS 工作流程
時序訊號歷史	準備預測性維護訊號歷史
連接器和來源配置	連接器類型
單位和身分映射	映射來源欄位
缺失區間和過期值	資料品質
工單、巡檢和訊號融合	融合巡檢、工單和感測器資料
可重用的已審閱資料集	資料集生命週期
AI 工具選擇和複核檢查	預測性維護 AI 工具

模型訓練、異常複核或週期性 Agent 工作流程開始前，應準備一份就緒度交接包：

就緒項	必要證據
資產身分	設備 ID、別名、位置、部件層級、負責人和關鍵程度。
訊號定義	感測器標籤、軸向或通道、單位、採樣間隔、預期範圍和運行狀態含義。
資料品質	新鮮度、缺失區間、過期值、感測器平直線、單位轉換和來源重置說明。
運行上下文	運行、停機、待機、部分負載、清潔、批次或維護狀態。
維護結果	工單關閉日期、確認原因、更換部件、執行動作、誤報標記和複核人。
模型上下文	模板、模型 ID、模型版本、基線日期、分配狀態和再訓練阻塞項。

建議輸出結構

區塊	內容
健康摘要	設備、目前狀態、趨勢方向、異常視窗和嚴重程度。
證據	訊號、模型輸出、維護記錄、巡檢備註和來源時間戳。
可能原因	按工程判斷排序的假設，並列出支持與相反證據。
建議檢查	現場巡檢項、運行檢查、資料檢查和需要複核的部件。
審核結果	工程師決定、接受的動作、拒絕的建議或需要修正的資料。
回饋交接	結果標籤、根因、誤報原因、模型就緒度說明和後續資料任務。

持續改進閉環

預測性維護工作流程需要把已完成工作回饋到資料層，才能持續提高品質：

• 確認異常是否對應真實設備問題。
• 記錄更換部件、調整設定和巡檢發現。
• 標記誤報和感測器品質問題。
• 保持 24x7 訊號接入可見，讓模型訓練和規則調校使用更新後的運行歷史。
• 在擴大自動化範圍前，先用工程師回饋複核模型輸出。
• 使用模型控制台檢查資料門檻、過期基線、回退分配或缺失模型分配是否阻塞模型使用。
• 規則集和模板更新應在維護負責人接受證據並記錄變更後進行。

常見失敗模式

現象	可能原因	處理方式
健康輸出較弱	訊號歷史過短、稀疏或未映射	先返回資料就緒度報告，再給出維護建議。
異常出現但原因不清	缺少維護和運行上下文	拉取工單、巡檢備註、運行模式和近期告警。
告警過多	查詢邊界過寬或閾值沒有按資產調校	縮小設備組範圍，並由工程師複核閾值。
建議動作未被接受	置信度低或證據不足	將輸出保留為工程備註，並請求補充缺失資料。

驗證清單

• 工作流程使用 pdm.read 呼叫預測性維護工具，面向使用者的文字使用「預測性維護模組」等完整可讀的名稱。
• 每條建議都包含證據、置信邊界和缺失資料說明。
• 建立動作前記錄工程師審批。
• 已完成維護結果被記錄下來，用於模型和知識改進。