适合谁
- 可靠性和维护工程师，希望快速获得振动诊断支持且无需编程。
- 开发者和工业 AI 从业者，希望将预测性维护工作流封装为 MCP 工具。
- 研究人员和学生，从事轴承故障诊断和状态监测研究。
P
34FMRS · D
这是一个功能丰富、专为工业预测性维护设计的 MCP 服务器，提供全面的振动分析和故障诊断能力。它强调隐私（本地处理）和专家辅助，适合工程师快速决策。安装和配置需要一定的技术背景，但提供了清晰的指南。当前版本适合单机、非实时场景。
Predictive Maintenance MCP Server 是一个开源 MCP 服务器，将大型语言模型转变为状态监测助手。工程师用自然语言描述需求，AI 调用相应的分析工具，完成轴承故障检测、风险评估、异常检测和剩余寿命预测。它旨在支持和加速专家决策，而非取代专家。服务器提供 36 个 MCP 端点（33 个工具和 3 个提示），涵盖信号加载、频谱分析、轴承故障诊断、ISO 20816-3 等级评估、RAG 文档搜索、报告生成（HTML/Word）以及余寿预测（线性、指数、卡尔曼）。数据隐私优先：原始振动数据不会离开本地机器。
工具能力
load_signal
加载振动文件（CSV、WAV、MAT、NPY、Parquet），返回 signal_id 句柄。
list_signals
浏览磁盘或内存中的信号。
get_signal_info
获取信号元数据（采样率、时长等）。
generate_test_signal
生成合成测试信号。
clear_signals
清除内存中的信号缓存。
analyze_fft
频谱分析并自动检测峰值。
analyze_envelope
包络分析，用于轴承故障检测（默认频带 500-5000 Hz）。
analyze_statistics
时域特征提取（RMS、峰度、峰值因子）。
extract_features_from_signal
分段统计特征提取。
compute_power_spectral_density
功率谱密度计算（Welch 方法）。
compute_spectrogram_stft
短时傅里叶变换谱图。
assess_severity
基于 ISO 20816-3 的严重度评估。
check_bearing_faults
轴承故障频率匹配，支持目录、显式频率或几何参数。
diagnose_vibration
集成的基于证据的诊断流程。
calculate_bearing_characteristic_frequencies
根据轴承几何计算特征频率。
search_bearing_catalog
查询带来源的轴承几何数据。
train_anomaly_model
基于健康基线训练异常检测模型。
predict_anomalies
使用训练好的模型对新信号评分。
search_documentation
对设备手册进行语义搜索。
read_manual_excerpt
读取手册页面。
extract_manual_specs
从 PDF 中提取结构化规格参数。
list_machine_manuals
浏览可用的文档。
plot_signal
生成交互式时域图。
generate_fft_report
生成交互式频谱报告。
generate_envelope_report
生成包络分析报告，含故障标记。
generate_iso_report
生成严重度区域可视化报告。
generate_diagnostic_report_docx
生成结构化 Word 报告。
generate_pca_visualization_report
生成 PCA 异常投影报告。
generate_feature_comparison_report
生成跨信号特征对比报告。
list_html_reports
报告管理（列表或查看）。
analyze_signal_trend
单次记录内的趋势分析和退化起始点检测。
estimate_rul
基于多次重复测量的剩余寿命估计（线性、指数、卡尔曼），拒绝单次记录外推。
generate_maintenance_recommendations
根据严重度带和标准故障类型生成维护建议。
安装接入
- 克隆仓库并运行
setup_claude.ps1（Windows）或手动安装：pip install predictive-maintenance-mcp。2. 找到uvx的完整路径，并添加到 MCP 客户端配置（如 Claude Desktop 的claude_desktop_config.json）。3. 重启客户端，即可使用。
claude_desktop_config.json
{
"mcpServers": {
"predictive-maintenance": {
"command": "/full/path/to/uvx",
"args": ["predictive-maintenance-mcp"],
"env": { "UV_LINK_MODE": "copy" }
}
}
}
选型与风险
不适合谁
- 不需要振动分析的专业领域。
- 需要完全自动化、无需专家监督的决策场景（该工具旨在支持而非替代专家）。
- 期望实时数据流或多资产舰队监控的用户（当前版本未实现）。
所需权限
- 本地文件系统访问：读取信号文件、手册 PDF，生成报告。
- 可能的网络访问：用于下载依赖或 Zenodo DOI，但工具本身在本地运行。
- 需要 Python 环境和 uvx 执行。
风险与副作用
- 分析结果依赖于信号质量和声明的采样率/单位，错误输入可能导致错误诊断。
- 轴承目录数据需要正确匹配，否则故障频率计算可能不准确。
- 通过 MCP 将计算结果显示给 LLM，可能泄露尚未公开的机器数据（尽管原始数据保留在本地）。
- 异常检测模型可能过拟合训练数据，导致对异常信号误判。
常见排障
- 如果服务器无法启动，检查 `uvx` 路径是否正确，并确保 Python 3.11+ 安装。
- 如果信号加载失败，确认文件格式受支持，且采样率和单位已声明。
- 如果诊断结果不准确，检查信号是否来自健康状态，并验证轴承目录条目是否存在。
- 如果报告不生成，检查输出路径权限和依赖库（如 matplotlib）。
使用场景
工程师通过自然语言快速分析振动信号，检测轴承故障。
从设备手册提取规格，自动计算故障频率并与信号匹配。
基于健康数据训练异常检测模型，对新信号进行异常评分。
生成专业诊断报告（HTML/Word），用于维护决策。
估算剩余寿命，安排预防性维护。
支持客户端
Claude Desktop完整支持
Claude Code完整支持
VS Code完整支持