Архитектура Predictive Maintenance MCP
Проект Predictive Maintenance MCP (версия 0.13.0) реализует сервер на базе Model Context Protocol (MCP). Ключевая идея — разделение ответственности: детерминированный код обрабатывает спектры и частоты, а языковая модель (LLM) формулирует выводы для инженера. Сервер работает по принципу «не гадает»: при отсутствии данных о скорости вала или типе машины он возвращает ошибку, а не гипотезу.
Методология и данные
Для валидации использовались 7 реальных записей с публичной испытательной установки подшипников. Тестировалась способность системы отвечать на вопрос: «Изменилось ли состояние машины с момента базового измерения?». В ходе эксперимента было проведено 6 записей диалогов с двумя различными языковыми моделями, которые анализировали результаты работы сервера.
Результаты анализа спектра
Система выявляет дефекты по характерным частотам. Для тестового подшипника они составляют ~81 Гц (наружная обойма) и ~119 Гц (внутренняя обойма). Алгоритм требует, чтобы линия была выше уровня шума и подтверждалась второй гармоникой. В одном из кейсов линия наружной обоймы превысила шум на 35 дБ, а внутренней — на 16 дБ (порог ~12 дБ). Система честно указала на наличие нескольких типов дефектов, не выделяя один как основной.
Бенчмарк и ограничения
На другом публичном датасете (44 записи с четко диагностируемыми дефектами) сервер нашел поддержку для заявленного дефекта во всех 44 случаях. Однако он также обнаружил признаки второго дефекта во всех 44 записях, что указывает на высокую чувствительность метода, но требует ручной верификации. Функция сравнения с базовым измерением находится в ветке main и еще не выпущена в релизе.
| Параметр | Значение / Описание |
|---|---|
| Версия сервера | 0.13.0 (стабильная), сравнение с базой (main) |
| Протокол | Model Context Protocol (MCP) |
| Тестовые данные | 7 записей с подшипниковой установки |
| Частоты дефектов | ~81 Гц (наружная), ~119 Гц (внутренняя обойма) |
| Результат бенчмарка | 100% обнаружение заявленного дефекта (44/44), но 100% ложных срабатываний второго дефекта |
Почему это важно
Исследование демонстрирует переход от «черного ящика» ИИ к гибридной системе, где инженер получает не просто описание сигнала, а проверяемые факты. Однако результат с «ложными» вторыми дефектами подчеркивает, что ИИ-ассистент пока не заменяет инженера, а лишь предоставляет инструменты для его работы.
Источник: Towards AI pub ↗
