What question did this study set out to answer?

Ziel ist es, ein Open-Source-Framework zu entwickeln, das große Sprachmodelle mit der industriellen Zustandsüberwachung und Diagnostik integriert.

March 18, 2026Open Access

Prädiktive Wartung MCP: Ein Open-Source-Framework zur Überbrückung von großen Sprachmodellen und industrieller Zustandsüberwachung über das Model Context Protocol

Key Points

Ziel ist es, ein Open-Source-Framework zu entwickeln, das große Sprachmodelle mit der industriellen Zustandsüberwachung und Diagnostik integriert.
Entwicklung eines Open-Source-Servers basierend auf dem Model Context Protocol (MCP) für die Interaktion mit LLMs.
Implementierung schwingungsbasierter Diagnosetools einschließlich FFT-Spektralanalyse und Hüllkurvenanalyse.
Gewährleistung der Rückverfolgbarkeit und Wiederholbarkeit durch Aufzeichnung von Eingaben, Parametern und Ergebnissen in strukturierten Ausgaben.
Bereitstellung von End-to-End-Workflows in einem reproduzierbaren Paket mit Code und Demo-Daten.
Verbesserte Rückverfolgbarkeit und Wiederholbarkeit in der Diagnostik im Vergleich zu textbasierten Interaktionen demonstriert.
Effektive Auswahl und Konfiguration von Diagnosetools durch das LLM für spezifische industrielle Anwendungen gezeigt.
Die Ergebnisse umfassen Diagnosen, die den ISO-Normen entsprechen, und eine effektive Anomalieerkennung auf extrahierten Merkmalen.

Abstract

Dieses Papier präsentiert einen Proof of Concept (PoC) für Prädiktive Wartung MCP, einen Open-Source-Server basierend auf dem Model Context Protocol (MCP), der die Überwachung des Maschinenzustands und prädiktive Wartung über die natürliche Sprachinteraktion mit großen Sprachmodellen (LLMs) unterstützt. Der Server schränkt das LLM innerhalb eines expliziten Rahmens deterministischer Ressourcen und Werkzeuge für schwingungsbasierte Diagnosen ein, einschließlich FFT-Spektralanalyse mit Peak-Identifizierung, Hüllkurvenanalyse für Defekte von Wälzlager, zeitbereichliche Indikatoren, Bewertung der Schwingungsschwere gemäß ISO-Normen und halbüberwachte Anomalieerkennung auf extrahierten Merkmalen. Jeder Werkzeugaufruf produziert strukturierte Ausgaben und Artefakte, die Eingaben, Parameter und Ergebnisse aufzeichnen. Das LLM fungiert als Orchestrator, der Ressourcen auswählt, Parameter konfiguriert, Werkzeuge aufruft und Schlussfolgerungen synthetisiert, die an berechnete Beweise verankert sind, und damit die Rückverfolgbarkeit und Wiederholbarkeit im Vergleich zu unbeschränkten textbasierten Interaktionen verbessert. End-to-End-Workflows werden in einem reproduzierbaren Paket mit Code, Beispielen und Demo-Daten demonstriert, um die gemeinschaftsgetragene Validierung und Erweiterung in Richtung industrieller Anforderungen zu unterstützen. Die Software ist auf Zenodo archiviert und das GitHub-Repository dient als Kollaborationszentrum.

Prädiktive Wartung MCP: Ein Open-Source-Framework zur Überbrückung von großen Sprachmodellen und industrieller Zustandsüberwachung über das Model Context Protocol

Key Points

Abstract

Cite This Study

Also Consider

Also Consider