預測性維護 AI 工具
預測性維護透過两層暴露 AI 能力：
/mcp/pdm/下的 MCP 工具，用於外部 Agent 和企業 AI 客戶端。/ai/pdm/*下的 AI Engine endpoint，用於預測性維護執行環境內部的模型訓練、檢測、預測、診斷和 payload 處理。
Agent 工作流程需要受治理地讀取健康、異常和元件智能時使用 MCP 工具。產品工作流程需要訓練、評分、診斷、預測或處理維護信號 payload 時使用 AI Engine endpoint。
工具層
| 層 | 主要使用者 | 訪問邊界 | 輸出類型 |
|---|---|---|---|
/mcp/pdm/ MCP 工具 | Agent 客戶端、copilot、工作流程編排器 | pdm.read scope | 健康摘要、異常上下文、元件智能、循環回收展望 |
/ai/pdm/* AI Engine endpoint | 預測性維護後端工作流程和模型控制台 | 產品服務認證和工作流程權限 | 模型狀態、異常分數、預測、健康分數、診斷、剩餘寿命估計 |
/api/v1/pdm/* 模組 API | 預測性維護 UI 和後端整合 | pdm:read 與 pdm:write 權限 | 設備畫像、看板、advisory、模板、工單回饋、可靠性指標 |
面向使用者說明寫作 預測性維護。只有展示 API 路徑、MCP endpoint、scope 或權限字串時使用 pdm。
MCP endpoint 和 scope
| Endpoint | Scope | 用途 |
|---|---|---|
/mcp/pdm/ | pdm.read | 讀取設備健康、fleet 摘要、異常列表、過濾元件智能和循環回收展望。 |
/mcp/base/ | base.read | 當維護答案需要支撐證據時，補充資產記錄、文件、工單、巡檢或 SOP 上下文。 |
/mcp/base/ | base.action.write | 負責工程師核准建議後起草後續動作。 |
MCP 工具地圖
| 工具 | 主要用途 | 典型問題 |
|---|---|---|
get_pdm_summary | 匯总 fleet 健康和告警狀態。 | “本周哪些設備組需要維護關注？” |
list_pdm_anomalies | 按嚴重度和狀態列出目前或歷史異常事件。 | “顯示仍未關閉的嚴重異常。” |
get_equipment_health | 查看單台設備健康。 | “這台泵為什么是 C 級？” |
get_filter_component_intelligence | 找出需要關注的過濾元件。 | “哪些元件現在應該維護審閱？” |
get_filter_circular_recovery | 審閱過濾元件的回收、複用、再製造或處置展望。 | “哪些元件更換後仍有回收价值？” |
工具使用說明
get_pdm_summary
用於維護審閱開头，先提供 fleet 級檢視，再鑽取設備或異常。輸出包括設備數量、等級分布、嚴重數量、活動告警和 7 天健康趨勢。審閱時確認租戶、站點、設備組和時間窗口，並把資料新鮮度寫入結果。
list_pdm_anomalies
用於檢索需要工程審閱的異常事件。輸入包括 severity、status 和可選 limit。輸出應區分未關閉和已關閉事件，並與近期巡檢、操作員備注、工單和執行模式比較。
get_equipment_health
用於單台設備解釋。優先使用穩定 equipment_id，輸出包括 0 到 100 的健康分數、A 到 F 等級、異常等級、crest factor 和 vibration RMS。審閱結果應包含健康狀態、信號證據、維護上下文、工程檢查和缺少證據。
get_filter_component_intelligence
用於元件級維護優先級和備件規劃。輸出包括關注元件、風險區間、預測剩餘寿命、建議動作、基準上下文和 aftermarket 說明。
get_filter_circular_recovery
用於元件回收、複用、再製造、處置、可持續或 aftermarket 規劃。輸出應與元件狀態、剩餘寿命和維護歷史綁定。
過濾元件工具用於設備和 fleet 元件。潔淨室 HEPA 或 ULPA 濾網寿命分析屬於 SemiOps 潔淨室工作流程。
推薦 MCP 工具序列
| 場景 | 推薦路徑 |
|---|---|
| Fleet 分診 | get_pdm_summary -> list_pdm_anomalies -> get_equipment_health -> /mcp/base/ 資產、工單和文件上下文 |
| 單設備健康解釋 | get_equipment_health -> /mcp/base/ 工作歷史和巡檢備注 -> DFS 信號新鮮度檢查 -> 工程檢查排序 |
| 元件關注和回收 | get_filter_component_intelligence -> get_filter_circular_recovery -> /mcp/base/ 工單或備件上下文 -> 審閱決策 |
AI Engine 分析工具
| Endpoint | 目的 | 需要準備的輸入 | 需要審閱的輸出 |
|---|---|---|---|
/ai/pdm/train | 為設備特征訓練基線模型。 | 設備 ID 或類別、特征列表、訓練窗口、清洗後的時序資料。 | 模型 ID、訓練狀態、使用的資料點和就緒狀態。 |
/ai/pdm/baseline/{model_id}/status | 檢查模型訓練狀態。 | 模型 ID。 | 狀態、就緒度、錯誤和下一步動作。 |
/ai/pdm/detect | 執行異常檢測。 | 感測器資料窗口、可選模型 ID、特征集、資產上下文。 | 異常分數、阈值、嚴重度、異常類型、特征貢献、模型版本。 |
/ai/pdm/forecast | 預測特征趨勢並估算阈值時間。 | 特征歷史、預測 horizon、置信區間、可選阈值。 | 預測點、預測阈值日期、距離阈值天數、維護建議。 |
/ai/pdm/health-score | 計算綜合健康分數。 | 維度分數、權重、資產或設備上下文。 | 綜合分數、等級、維度貢献和摘要。 |
/ai/pdm/rul/predict | 估算剩餘寿命。 | 健康指數歷史、失效阈值、退化歷史。 | 剩餘天數、置信度、方法、退化率、預測失效日期、趨勢資料。 |
/ai/pdm/diagnose | 基於振動和溫度診斷單台資產。 | 設備模板、感測器位置、最新讀值、可選歷史。 | 嚴重度、診斷、可能故障模式、建議、ISO grade 和證據。 |
/ai/pdm/fleet-diagnose | 對相似設備批量診斷。 | 設備類型、批量讀值、可比特征集。 | 單設備診斷、fleet 統計和離群檢測。 |
/ai/pdm/ingest/xs770a | 處理 XS770A 風格振動 payload。 | 三軸速度、加速度、溫度、時間戳、設備元資料。 | 綜合 vibration RMS、peak vibration、crest factor、快速異常標記、健康分數估計。 |
資料要求
- 穩定設備 ID 和設備類型；
- 感測器到設備的對應；
- 带時間戳的信號歷史；
- 單位、比例因子、軸定義和采樣間隔；
- 執行狀態或執行規劃；
- 維護記錄和工單結果；
- 已核准設備模板或規則 overlay；
- DFS 對缺少區間、過期值和離群值的品質說明。
輸出審閱清單
- 設備身份在預測性維護、DFS、Inspector、CMMS 和工單記錄中穩定。
- 信號時間戳和來源新鮮度可見。
- 單位、軸定義和特征名稱已記錄。
- 分數或診斷依賴模型或模板時，版本可見。
- 健康分數、異常嚴重度、預測和剩餘寿命包含置信或限制說明。
- 建議在現場動作前交給維護負責人。
- 工單結果和誤報標簽回流到預測性維護工作流程。