使用说明
状态监测副本——LLM边缘预测维护
开源状态监测副驾驶和预测性维护人工智能代理——通过MCP和Claude Skills桥接工业边缘传感器和LLM。
Ask your machine how it's feeling, in natural language.
开源 状态监测副驾驶 和 预测性维护人工智能代理 通过MCP将工业MEMS振动传感器连接到Claude。透明的数字信号处理（DSP）管道、基于标准的严重性检查（ISO 10816/20816）和开箱即用的对话式故障诊断。作为一个 状态监测AI代理 和 用于预测性维护的AI助手 团队。目前已通过STWIN.box验证；分析服务器与任何振动数据源一起工作。
项目状态
概念证明。 这个项目还处于早期阶段。算法基于既定的振动分析方法，但全面的工业验证仍在进行中。做 不 在没有独立工程验证的情况下，将输出作为安全关键维护决策的唯一依据。
独立免责声明。 这是一个独立的开源项目，不隶属于Anthropic或意法半导体，也不受其认可。产品名称仅用于互操作性上下文。
为什么存在
工业预测性维护通常需要零散的工具和深厚的专业知识。该项目提供了一种可复制、可扩展的方式来：
- 从边缘MEMS传感器（目前为STWIN.box，可扩展到其他板）获取振动数据，
- 通过显式DSP和故障检测启发式方法分析信号，
- 将这些功能作为MCP工具公开，任何LLM客户端都可以调用，以及
- 通过Claude Skills以自然语言编排端到端的诊断工作流程。
快速开始
# Clone
git clone https://github.com/LGDiMaggio/claude-stwinbox-diagnostics.git && cd claude-stwinbox-diagnostics
# Install both MCP servers
uv pip install -e mcp-servers/stwinbox-sensor-mcp -e mcp-servers/vibration-analysis-mcp
然后按照中的说明配置MCP客户端（Claude Desktop、Claude Code或兼容的运行时） docs/getting-started.md.
组件
MCP服务器
| 服务器 | 用途 | 关键工具 |
|---|---|---|
| stwinbox传感器mcp | 通过STWIN.box USB-HID或USB串行进行传感器采集 | datalog2_connect, datalog2_start_acquisition, datalog2_stop_acquisition, datalog2_list_sensors, datalog2_configure_sensor, connect_board, acquire_data, load_data_from_file |
| 振动分析mcp | 信号处理和故障检测。适用于任何振动数据：CSV、NumPy、WAV或DATALOG2文件夹。 | load_signal, list_stored_signals, compute_fft_spectrum, compute_envelope_spectrum, check_bearing_fault_peak, check_bearing_faults_direct, diagnose_vibration, assess_vibration_severity |
克劳德技能
| 技能 | 目的 |
|---|---|
| 机器振动监测 | 传感器采集和基线/阈值工作流程 |
| 振动故障诊断 | 基于频率分析的多步故障诊断 |
| 操作员诊断报告 | 生成人类可读的维护报告 |
支持的故障类型
| 故障 | 检测方法 | 指示灯 |
|---|---|---|
| 轴承内圈（BPFI） | 包络分析 | BPFI的谐波 |
| 轴承外圈（BPFO） | 包络分析 | BPFO的谐波 |
| 轴承滚动体（BSF） | 包络分析 | BSF谐波 |
| 轴承保持架（FTF） | 包络分析 | FTF的谐波 |
| 不平衡 | FFT | 1x RPM占主导地位 |
| 错位 | FFT | 1x和2x RPM |
| 机械松动 | FFT | 多个RPM谐波 |
硬件参考（STWIN.box）
参考硬件是 STEVAL-STWINBX1，但分析服务器接受来自任何来源的数据。
| 传感器 | 类型 | 典型用途 |
|---|---|---|
| IIS3DWB | 三轴加速度计 | 宽带振动监测 |
| ISM330DHCX | 6轴IMU | 中频振动 |
| IMP23ABSU | 模拟麦克风 | 声学和超声波指示器 |
| STTS22H | 温度 | 热环境 |
| ILPS22QS | 压力 | 环境背景 |
建筑
两个MCP服务器将传感器采集和信号分析作为工具调用公开。三种克劳德技能将它们编排成监控、诊断和报告工作流程。数据可以来自实时USB采集或多种格式的预录文件。
看 docs/architecture.md 用于图表、数据流和项目结构。
这是给谁的
- 开发者 构建支持MCP的工业AI工作流程。
- 研究人员 探索LLM辅助诊断和人在回路状态监测。
- 系统集成商 评估边缘传感器堆栈上的会话维护界面。
文档
| 资源 | 链接 |
|---|---|
| 开始使用 | docs/getting-started.md |
| 建筑 | docs/architecture.md |
| 示例 | 示例/README.md |
| 贡献 | 贡献.md |
| 路线图 | docs/roadmap.md |
| 安全策略 | 安全.md |
| 一致性治理 | 文档/一致性管理.md |
| 第三方归因 | 通知 |
引用
如果您在研究或技术报告中使用此项目，请引用：
@software{llm_edge_diagnostics,
author = {Di Maggio, Luigi Gianpio},
title = {LLM Edge Predictive Maintenance: Bridging Industrial IoT Sensors and Large Language Models for Predictive Maintenance},
year = {2026},
url = {https://github.com/LGDiMaggio/claude-stwinbox-diagnostics},
doi = {10.5281/zenodo.18808856},
license = {Apache-2.0}
}
许可证
根据Apache许可证2.0授权。看 许可证.
