工业设备预测性维护
何时使用
- 用户提供设备传感器读数（空气温度、工艺温度、转速、扭矩、刀具磨损）并询问是否需要维护
- 用户上传设备运行数据 CSV 要求批量分析
- 用户咨询"这台设备状态怎样？"或"会不会故障？"
- 涉及关键词：预测性维护、PdM、设备故障预测、传感器异常检测
提供的工具
通过 MCP SSE 连接到 predictive_maintenance 服务，可调用以下 4 个工具：
1. predict_equipment_failure — 单设备预测
参数：
| 参数名 | 类型 | 说明 | 正常范围 |
|---|---|---|---|
| product_type | string | 产品等级 L/M/H | — |
| air_temperature | float | 空气温度 (K) | 295-305 |
| process_temperature | float | 工艺温度 (K) | 305-315 |
| rotational_speed | float | 转速 (rpm) | 1168-2886 |
| torque | float | 扭矩 (Nm) | 3-77 |
| tool_wear | float | 刀具磨损时间 (min) | 0-253 |
返回：
{
"is_failure": true,
"failure_code": 4,
"failure_type": "Heat Dissipation Failure",
"warnings": []
}
2. batch_predict_equipment_failure — 批量预测
参数：devices: list[dict]，每个 dict 包含上面 6 个字段。
返回：每台设备的预测结果 + 汇总统计（总数、故障数、按类型分布）。
3. get_sensor_normal_ranges — 查询传感器正常范围
返回 5 项传感器的 min/max/单位，用于在预测前验证输入合理性。
4. get_model_info — 模型元信息
返回模型版本、类别定义、可识别的故障类型列表。
可识别的 5 类故障
| 代码 | 类型 | 物理含义 |
|---|---|---|
| 0 | No Failure | 设备正常运行 |
| 1 | Power Failure | 电源/功率异常 |
| 2 | Tool Wear Failure | 刀具磨损过度 |
| 3 | Overstrain Failure | 过载 |
| 4 | Heat Dissipation Failure | 散热不足 |
调用示例
场景：用户描述设备读数后问"需要维护吗？"
用户：当前设备参数 — M 级产品，空气温度 302K，工艺温度 313K，
转速 1300rpm，扭矩 50Nm，刀具磨损 200 分钟，会不会出问题？
Claude：[调用 predict_equipment_failure]
返回 → is_failure=true, failure_type="Heat Dissipation Failure"
Claude：模型预测该设备存在散热故障风险。建议立即检查：
- 散热片是否积尘堵塞
- 冷却风扇运转是否正常
- 工艺温度持续接近上限（313/315K）
模型性能
- 训练集 10000 条工业设备数据
- 二分类（是否故障）：accuracy 0.977 / F1 0.944
- 多分类（故障类型）：accuracy 0.984 / weighted F1 0.984
- 算法：XGBoost + SMOTENC 处理类别不平衡
- 评分指标：F2-score（偏向召回率，符合"漏报代价高"的业务特点）
注意事项
- 输入超出正常范围时，工具会在
warnings字段返回提示，但仍会执行预测 - 模型基于特定工业制造场景训练，迁移到其他设备类型需重新训练
- 5 类故障覆盖了常见工况，但不能识别"软件故障"、"操作员错误"等非传感器可见的故障
