工业设备预测性维护

解决的问题

当工程师拿到一批设备传感器读数，常见痛点不是“画几张图”，而是判断当前工况是否接近故障、哪类故障风险更高，以及是否值得安排维护。predictive-maintenance 面向工业设备维护场景，输入 air_temperature、process_temperature、rotational_speed、torque、tool_wear 和 product_type，输出故障预测结果与可选警告。

如何工作

该技能通过 MCP SSE 连接 predictive_maintenance 服务，提供四个核心工具：

• predict_equipment_failure：单设备预测，适合“这台设备状态怎样？”这类即时判断。
• batch_predict_equipment_failure：批量预测，支持设备列表或 CSV 数据输入，并返回总数、故障数和类型分布。
• get_sensor_normal_ranges：查询传感器正常范围，用于在预测前校验输入是否异常。
• get_model_info：查看模型版本、类别定义和可识别故障类型。

它覆盖 Power Failure、Tool Wear Failure、Overstrain Failure、Heat Dissipation Failure 等常见机械与工艺故障，并基于 XGBoost 与 SMOTENC 处理类别不平衡。对于漏报代价较高的场景，F2-score 更强调召回率。

适用边界

输入超出正常范围时，工具会返回 warnings，但仍会继续预测。模型基于特定工业制造场景训练，换到完全不同设备类型时需要重新训练；它也主要依赖传感器可见信号，不覆盖软件故障、操作员误操作等非传感原因。