预测性维护MCP服务器

![Python 3.11+](https://www.python.org/downloads/) ![DOI](https://doi.org/10.5281/zenodo.17611542) ![Tests](https://github.com/LGDiMaggio/predictive-maintenance-mcp/actions/workflows/tests.yml) ![codecov](https://codecov.io/gh/LGDiMaggio/predictive-maintenance-mcp) ![License: MIT](https://opensource.org/licenses/MIT)

赋予任何人工智能助手分析振动数据、检测机械故障和生成专业诊断报告的能力——通过自然对话。

开源主控程序服务器和 预测性维护人工智能代理 这使LLM成为状态监测助手。工程师们用通俗易懂的语言描述他们需要什么；人工智能调用正确的分析工具并提供结果——轴承故障检测、风险评估、异常检测和剩余使用寿命估算。也可作为 Claude代码插件 具备7种诊断技能。它是专为 支持和加速专家决策.

______________________________________________________________________

快速开始

pip install predictive-maintenance-mcp

Windows--自动设置（推荐）：

克隆仓库并运行安装脚本——它安装venv、预编译依赖项并写入 claude_desktop_config.json 自动（也处理OneDrive/云同步路径）：

git clone https://github.com/LGDiMaggio/predictive-maintenance-mcp.git
cd predictive-maintenance-mcp
.\setup_claude.ps1

手动配置（Windows/macOS/Linux）：

找到完整的路径 uvx 在您的系统上(where uvx 在Windows上， which uvx 在macOS/Linux上），然后添加到 %APPDATA%\Claude\claude_desktop_config.json （Windows）或 ~/Library/Application Support/Claude/claude_desktop_config.json （macOS）：

{
  "mcpServers": {
    "predictive-maintenance": {
      "command": "/full/path/to/uvx",
      "args": ["predictive-maintenance-mcp"],
      "env": { "UV_LINK_MODE": "copy" }
    }
  }
}

为什么是全程？ Claude Desktop以最小的成本启动服务器 PATH 这通常会省略用户本地工具目录（例如。 ~/.local/bin).使用完整路径 uvx 避免了无声的“找不到命令”失败。在Windows上，典型的路径是 C:\Users\\.local\bin\uvx.exe.

重新启动克劳德桌面。你准备好了——试试： *“加载real_train/OuterRaceFault_1.csv，检查轴承是否健康。”*

更多选项: 从源代码安装 · VS代码设置 · · 与当地LLM（Ollama）一起使用

______________________________________________________________________

看实际效果

Full diagnostic workflow: load signal → spectral analysis → fault detection → severity assessment → report generation

______________________________________________________________________

它能做什么？

上传振动信号→ 通过对话获得专业诊断。

你说	人工智能确实如此
“这个轴承健康吗？”	加载信号，运行频谱分析，检查故障模式，对严重程度进行分类
“生成完整的诊断报告”	生成带有图表、故障标记和严重性评估的交互式HTML报告
“从test_pump_manual.pdf中提取规格并诊断信号”	阅读设备手册，查找轴承型号，计算预期故障频率，将其与信号进行匹配
“在我的健康基线上训练一个异常检测器，然后标记异常”	在正常数据上训练机器学习模型，对新信号进行评分，突出异常值

AI不会猜测——它会呼叫 52个专用MCP端点 （46个工具、2个资源、4个提示）在您的计算机上本地运行。您的数据永远不会离开您的基础设施。

See the full endpoint list (52 MCP endpoints: 43 tools, 1 resource, 4 prompts)

信号采集（7个工具+2个资源）

端点	类型	描述
`load_signal`	工具	加载振动文件（CSV、WAV、MAT、NPY、Parquet）
`list_signals`	工具	使用元数据浏览可用信号文件
`list_stored_signals`	工具	列出内存中的缓存信号
`get_signal_info`	工具	信号元数据（采样率、持续时间、统计数据）
`generate_test_signal`	工具	创建用于测试的合成信号
`clear_signal` / `clear_all_signals`	工具	缓存管理
`signal://list`	资源	浏览所有信号文件
`signal://read/{filename}`	资源	读取信号元数据

光谱和统计分析（10个工具）

工具	说明
`analyze_fft`	具有自动峰值检测功能的频谱
`analyze_envelope`	轴承故障检测的包络分析
`analyze_statistics`	时域特征（RMS、峰度、峰值因子）
`compute_power_spectral_density`	功率谱密度（Welch法）
`compute_spectrogram_stft`	时频谱图
`extract_features_from_signal`	17+统计和光谱特征
`compute_envelope_spectrum_tool`	包络谱计算
`plot_signal` / `plot_spectrum` / `plot_envelope`	可视化工具（3个工具）

诊断与健康评估（14种工具）

工具	说明
`calculate_bearing_characteristic_frequencies`	根据轴承几何形状计算预期故障频率
`check_bearing_fault_peak_tool`	检测故障频率处的峰值
`check_bearing_faults_direct`	多故障检测（内/外/球/笼）
`diagnose_vibration_tool`	综合循证诊断管道
`search_bearing_catalog`	按型号查找轴承规格
`lookup_bearing_and_compute_tool`	目录查找+频率计算
`evaluate_iso_20816`	振动严重性评估（4个严重区）
`assess_vibration_severity`	健康分类
`train_anomaly_model`	在健康基线上训练新颖性检测
`predict_anomalies`	对异常的新信号进行评分
`search_documentation`	设备手册语义检索
`read_manual_excerpt` / `extract_manual_specs`	从PDF中提取规格（2个工具）
`list_machine_manuals`	浏览可用文档

报告（9个工具）

工具	说明
`generate_fft_report`	交互式频率分析报告
`generate_envelope_report`	带故障标记的包络分析
`generate_iso_report`	严重区域可视化
`generate_diagnostic_report_docx`	结构化Word文档报告
`generate_pca_visualization_report`	2D/3D异常投影
`generate_feature_comparison_report`	交叉信号特征比较
`plot_iso_20816_chart`	ISO 20816严重性区域图
`list_html_reports` / `get_report_info`	报表管理（2个工具）

预测（3个工具）

工具	说明
`estimate_rul`	剩余使用寿命估算（线性、指数、威布尔、卡尔曼）
`analyze_signal_trend`	特征时间序列的趋势检测（增加/减少/稳定）
`detect_signal_degradation_onset`	用于早期退化预警的基线偏差检测

决策支持（3个工具）

工具	说明
`check_vibration_alert`	ISO 10816振动严重程度警报分类（A/B/C/D区）
`check_custom_vibration_alert`	基于阈值的自定义振动警报
`generate_maintenance_recommendations`	基于诊断的情境感知维护建议

引导式工作流（4个提示+2个资源）

提示	描述
`diagnose_bearing`	完整的轴承故障诊断决策树
`diagnose_gear`	齿轮故障检测工作流程
`quick_diagnostic_report`	快速健康筛查
`generate_iso_diagnostic_report`	生成符合ISO标准的诊断报告

______________________________________________________________________

Claude代码插件

该项目包括 克劳德代码插件 具有在对话过程中自动激活的领域特定技能。安装后，Claude将获得有指导的诊断工作流程、自主代理和快速命令。

/plugin marketplace add LGDiMaggio/predictive-maintenance-mcp
/plugin install predictive-maintenance@predictive-maintenance-marketplace

Claude Code plugin: domain skills activate automatically, slash commands for quick diagnostics

技能（7）——根据上下文自动激活

技能	它做什么
轴承诊断	浏览完整的轴承故障诊断工作流程
齿轮诊断	通过频谱模式分析进行齿轮故障检测
快速筛查	30秒振动健康检查
报告生成	专业的HTML和Word报告生成
异常检测	训练并运行基于机器学习的异常检测模型
信号管理	加载、检查和管理振动信号
文档检索	搜索设备手册和轴承目录

代理（2）——自主执行复杂任务

代理	它做什么
诊断管道	端到端：负载信号→ 频谱分析→ 故障检测→ 严重性评估→ 报告
信号浏览器	探索和比较多个信号，发现异常值，描述模式

命令（3）——快速入口点

命令	示例
`/pm-diagnose`	`/pm-diagnose bearing_signal.csv` --全面故障诊断
`/pm-screen`	`/pm-screen bearing_signal.csv` --快速健康检查
`/pm-report`	`/pm-report bearing_signal.csv full` --生成所有报告

______________________________________________________________________

报告

所有分析工具生成 交互式HTML报告 您可以在任何浏览器中打开——平移、缩放、悬停以获取详细信息。还支持结构化Word（.docx）导出。

Report examples

Envelope Analysis Report

ISO Severity Assessment

报告类型	显示内容
频谱	峰值检测，谐波标记
包络分析	轴承故障频率匹配
严重性评估	振动健康区（ISO 20816-3）
Word文档	带有嵌入式图表的完整诊断叙述
PCA可视化	多信号异常聚类
特征比较	并排信号特征分析

______________________________________________________________________

包含样本数据

该项目附带 20个真实的轴承振动信号 从生产机械测试中——开箱即用。

训练集：2个健康基线+12个故障信号（内圈、外圈）
测试集：1个健康基线+5个故障信号

尝试： *“加载real_train/OuterRaceFault_1.csv并诊断轴承故障。”*

完整的数据集文档：数据/README.md

______________________________________________________________________

建筑

          YOU (natural language)
               │
               v
     LLM (Claude, GPT, Ollama...)
     understands intent, selects tools
               │
               v  ── Model Context Protocol ──
    ┌──────────────────────────────┐
    │    Predictive Maintenance    │
    │         MCP Server           │
    │                              │
    │  Signal Analysis    Reports  │
    │  Fault Detection    ML       │
    │  Severity Rating    RAG Docs │
    └──────────────────────────────┘
               │
               v
       YOUR DATA (stays local)
    signals · manuals · models

代码库遵循 模块化架构 围绕ISO 13374六块诊断标准组织——信号采集、处理、诊断、预测和决策支持作为单独的子包。

Detailed module structure

src/predictive_maintenance_mcp/
├── mcp_tools/                 # MCP endpoint registration (52 MCP endpoints)
│   ├── acquisition_tools.py   # Signal loading & management
│   ├── analysis_tools.py      # Spectral & statistical analysis
│   ├── diagnostics_tools.py   # Fault detection, ML, document search
│   ├── report_tools.py        # HTML/DOCX report generation
│   ├── prompts.py             # Guided diagnostic workflows
│   └── _utils.py              # Shared utilities
├── signal_acquisition/        # Multi-format loaders (CSV, MAT, WAV, NPY, Parquet)
├── signal_processing/         # Spectral analysis & feature extraction
├── diagnostics/               # Bearing/gear analysis, ISO standards
├── decision_support/          # Evidence-based diagnosis pipeline
├── prognostics/               # RUL estimation (linear, exponential, Weibull) & trend analysis
├── rag.py                     # Document indexing & search (FAISS/TF-IDF)
├── models.py                  # Pydantic data models
├── server.py                  # FastMCP server entry point
└── config.py                  # Configuration management

执行的标准：ISO 13374（诊断架构）、ISO 20816-3（振动严重程度分类）、MIMOSA OSA-CBM（基于状态的维护框架）。

关键设计选择：

隐私第一 --原始振动数据永远不会离开您的机器；只有计算结果流向LLM
法学硕士不可知论 --适用于Claude、ChatGPT、Microsoft Copilot Studio或任何兼容MCP的客户端。使用奥拉玛用于完全气隙部署
模块化 --只使用你需要的工具，用你自己的工具进行扩展

______________________________________________________________________

文档

指南	适用
工程师快速入门	快速获得结果，无需编码
开发人员快速入门	了解MCP，扩展服务器
插件自述	Claude Code插件的安装和使用
HTTPS部署	适用于企业环境的Docker+HTTPS
奥利玛指南	与本地LLM一起使用（完全气隙）
建筑	ISO 13374块映射和模块设计
例子	完整的诊断工作流程
安装	详细的设置和故障排除
贡献	如何做出贡献（欢迎所有技能水平的人）
更新日志	版本历史

______________________________________________________________________

测试

86%的测试覆盖率 跨Windows、macOS和Linux（Python 3.11和3.12）。

pytest                                  # run all tests
pytest --cov=src --cov-report=html      # with coverage report

20多个测试文件，涵盖信号分析、故障检测、严重性评估、ML模型、报告生成、RAG搜索和实际轴承故障数据验证。

______________________________________________________________________

路线图

\[x\] 52个模块化架构的MCP端点（43个工具、1个资源、4个提示）
\[x\] Claude Code插件（7个技能，2个代理，3个命令）
\[x\] 86%的测试覆盖率，3个平台上的CI/CD
\[x\] 用于企业部署的Docker+SSE/HTTP传输
\[x\] 语义文档搜索（FAISS+TF-IDF）
\[\]可定制的严重性阈值
\[x\] 剩余使用寿命（RUL）估计模型（线性、指数、威布尔退化）
\[x\] 趋势分析和退化开始检测
\[\]多信号趋势和历史比较
\[\]实时流媒体（MQTT/Kafka）
\[\]用于多资产监控的车队仪表板
\[\]CMMS集成（SAP、Maximo、Infor）

______________________________________________________________________

贡献

欢迎投稿 所有人 --不仅仅是程序员。领域专家、技术作家和测试人员同样受到重视。看贡献.md 根据您的背景量身定制的路径。

快速开始：浏览问题为了 good first issue 或 help wanted 标签。

______________________________________________________________________

引用

@software{dimaggio_predictive_maintenance_mcp_2025,
  title   = {Predictive Maintenance MCP Server},
  author  = {Di Maggio, Luigi Gianpio},
  year    = {2025},
  version = {0.8.0},
  url     = {https://github.com/LGDiMaggio/predictive-maintenance-mcp},
  doi     = {10.5281/zenodo.17611542}
}

许可证

麻省理工学院——见许可证样本数据为CC BY-NC-SA 4.0（非商业）；对于商业用途，请用您自己的机器数据替换。

致谢

______________________________________________________________________

*一个开源的预测性维护人工智能代理和状态监测副驾驶，旨在支持可靠性工程师和开发人员社区。*

Predictive Maintenance MCP

快速接入

详细介绍

预测性维护MCP服务器

快速开始

看实际效果

它能做什么？

信号采集（7个工具+2个资源）

光谱和统计分析（10个工具）

诊断与健康评估（14种工具）

报告（9个工具）

预测（3个工具）

决策支持（3个工具）

引导式工作流（4个提示+2个资源）

Claude代码插件

技能（7）——根据上下文自动激活

代理（2）——自主执行复杂任务

命令（3）——快速入口点

报告

包含样本数据

建筑

文档

测试

路线图

相关

贡献

引用

许可证

致谢

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP