Mcp Motor Current Signature Analysis

mcp-server-mcsa

用于电机电流特征分析（MCSA）的模型上下文协议（MCP）服务——通过定子电流信号，对电机进行无创频谱分析和故障检测。

mcp-server-mcsa 可将任何大模型转变为预测性维护专家。通过整合快速傅里叶变换（FFT）和包络分析等先进技术，系统可以聆听电机的电气特征，并通过自然语言自动识别机械和电气异常。

MCSA 是一种行业标准的状态监测技术，通过分析定子电流的谐波成分，检测电机中的转子、定子、轴承和气隙故障，无需振动传感器、停机或接触设备。此服务将完整的 MCSA 诊断工作流带给任何兼容 MCP 的 AI 助手（Claude Desktop、VS Code Copilot 等），支持交互式专家分析和自动化状态监测流水线。

功能

• 真实信号加载 — 从 CSV、TSV、WAV 和 NumPy .npy 文件中读取测量数据
• 电机参数计算 — 根据铭牌数据计算转差率、同步转速和转子频率
• 故障频率计算 — 计算断条、偏心、定子故障和混合偏心的故障频率
• 轴承缺陷频率 — 根据轴承几何参数计算 BPFO、BPFI、BSF、FTF
• 信号预处理 — 去除直流分量、归一化、加窗、带通/陷波滤波
• 频谱分析 — FFT 频谱、Welch PSD、频谱峰值检测
• 包络分析 — 使用 Hilbert 变换解调机械/轴承故障
• 时频分析 — 使用 STFT 对非稳态工况进行频率跟踪
• 故障检测 — 自动进行严重程度分类（健康 / 初期 / 中度 / 严重）
• 一键诊断 — 从信号数组或文件直接运行完整流水线
• 测试信号生成 — 生成带可配置故障注入的合成信号，用于演示和基准测试
• 持久化数据存储 — 将信号和频谱保存为压缩的 .npz 文件，存放于 ~/.mcsa_data/；使用短 ID（sig_xxxx、spec_xxxx）引用，避免大型数组占用聊天上下文；服务器重启后数据仍会保留

工具（21）

资源

提示词

安装与设置

步骤 1 — 安装 uv（一次性操作，如果尚未安装）

uv 是推荐的 Python 包管理器。它通过单个工具处理所有事务（Python、软件包、虚拟环境），并在整个 MCP 生态系统中使用。

Windows（PowerShell）：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

macOS / Linux：

curl -LsSf https://astral.sh/uv/install.sh | sh

安装后，重启终端，以便使用 uv / uvx 命令。

步骤 2 — 验证是否正常运行

uvx mcp-server-mcsa --help

你应该会看到帮助文本。就这么简单——无需执行 pip install。uvx 会自动在隔离环境中下载并运行软件包。

步骤 3 — 添加到 MCP 客户端

选择你的客户端，并添加以下配置。无需执行其他步骤。

Claude Desktop

打开配置文件：

• Windows：%APPDATA%\Claude\claude_desktop_config.json
• macOS：~/Library/Application Support/Claude/claude_desktop_config.json

在 mcpServers 对象中添加 mcsa（如果文件不存在，则创建该文件）：

{
  "mcpServers": {
    "mcsa": {
      "command": "uvx",
      "args": ["mcp-server-mcsa"]
    }
  }
}

然后重启 Claude Desktop。

VS Code（Copilot / Continue）

在工作区中创建（或编辑）.vscode/mcp.json：

{
  "servers": {
    "mcsa": {
      "command": "uvx",
      "args": ["mcp-server-mcsa"]
    }
  }
}

Cursor

前往 Settings → MCP Servers → Add new server：

• 类型：command
• 命令：uvx mcp-server-mcsa

步骤 4 — 测试

在 MCP 客户端中尝试：

“生成一个带有断条故障的测试信号，并运行完整诊断。电机：4 极，50 Hz，1470 RPM。”

如果服务返回诊断报告，就一切就绪。

pip install mcp-server-mcsa

{
  "mcpServers": {
    "mcsa": {
      "command": "python",
      "args": ["-m", "mcp_server_mcsa"]
    }
  }
}

git clone https://github.com/LGDiMaggio/mcp-motor-current-signature-analysis.git
cd mcp-motor-current-signature-analysis
uv sync --dev

{
  "mcpServers": {
    "mcsa": {
      "command": "uv",
      "args": ["--directory", "/absolute/path/to/mcp-motor-current-signature-analysis", "run", "mcp-server-mcsa"]
    }
  }
}

uv run pytest

uv run mcp dev src/mcp_server_mcsa/server.py

故障排除

数据存储

信号和频谱会持久化保存到磁盘，以压缩的 .npz 文件形式存放在 ~/.mcsa_data/ 中（可通过 MCSA_DATA_DIR 环境 变量配置）。这意味着：

• 大型数组不会进入聊天内容——只会向大模型返回简短的 ID（sig_xxxx、 spec_xxxx）和精简摘要。
• 数据在服务重启后仍会保留——明天重新打开 Claude Desktop 时， 你的信号仍然存在。
• 所有数据集中存放——已加载的测量数据和生成的测试 信号会并排存放在同一文件夹中。

~/.mcsa_data/
  signals/
    sig_a1b2c3d4.npz   ← loaded from CSV
    sig_e5f6g7h8.npz   ← generated test signal
  spectra/
    spec_i9j0k1l2.npz  ← FFT result

使用 list_stored_data 查看磁盘上的所有数据，并使用 clear_stored_data 删除项目。

使用示例

实际信号 — 一键诊断

分析测量信号最快的方法是使用 diagnose_from_file 工具。只需提供文件路径和电机铭牌数据：

“诊断 C:\data\motor_phaseA.csv 中的电机——50 Hz 电源， 4 极，1470 RPM”

服务会加载文件、预处理信号、计算频谱、运行所有故障检测器，并返回包含 按严重程度分类结果的完整 JSON 报告。

分步工作流（使用信号 ID）

1. 加载测量信号（或生成合成信号）：

   “加载 measurement.wav 中的信号” → 返回 signal_id: sig_a1b2 或：“生成一个带有断条故障的测试信号” → sig_c3d4

2. 计算电机参数：

   “计算 4 极电机的参数，电源频率为 50 Hz，转速为 1470 RPM”

3. 计算预期故障频率：

   “这台电机的预期故障频率是多少？”

4. 预处理信号：

   “预处理信号 sig_a1b2” → 返回新的 signal_id: sig_e5f6

5. 分析频谱：

   “计算 sig_e5f6 的 FFT 频谱” → 返回 spectrum_id: spec_g7h8

6. 检测特定故障：

   “检查 spec_g7h8 中是否存在断条”

7. 包络分析（可选）：

   “计算 sig_e5f6 的包络频谱”

使用存储的信号快速诊断

run_full_diagnosis 工具只需一次调用，就能对存储的信号运行整个流程：

Input: signal_id + motor nameplate data
Output: complete report with fault severities and recommendations

轴承分析

进行轴承故障分析时，需要轴承几何参数（滚珠数量、滚珠直径、节圆直径、接触角）。服务将：

1. 计算特征故障频率（BPFO、BPFI、BSF、FTF）
2. 计算预期的电流边带
3. 在频谱中搜索这些边带

支持的文件格式

故障检测理论

转子断条（BRB）

边带位于 $(1 \pm 2s) \cdot f_s$，其中 $s$ 为转差率，$f_s$ 为电源频率。 根据边带幅值与基波幅值的 dB 比值对严重程度进行分类。

偏心

边带位于 $f_s \pm k \cdot f_r$，其中 $f_r$ 为转子机械频率。

定子匝间故障

由于绕组不对称，边带位于 $f_s \pm 2k \cdot f_r$。

轴承缺陷

扭矩振荡会调制定子电流，在 $f_s \pm k \cdot f_{defect}$ 处产生边带。 缺陷频率取决于轴承几何参数（BPFO、BPFI、BSF、FTF）。

严重程度阈值（低于基波的 dB 值）

注意：这些是通用指南。应根据基线测量结果，针对具体电机、负载和应用调整实际阈值。

开发

设置

git clone https://github.com/LGDiMaggio/mcp-motor-current-signature-analysis.git
cd mcp-motor-current-signature-analysis
uv sync --dev

运行测试

uv run pytest

使用 MCP Inspector 运行

uv run mcp dev src/mcp_server_mcsa/server.py

代码检查和类型检查

uv run ruff check src/ tests/
uv run pyright src/

依赖项

• mcp — Model Context Protocol SDK
• numpy — 数值计算
• scipy — 信号处理（FFT、滤波、希尔伯特变换）
• pydantic — 数据验证

文档

如需查看每个工具、资源和提示词的详细参考，包括参数表、诊断工作流、集成模式和严重程度阈值，请参阅 使用指南。

引用

如果您在研究中使用此软件，请引用：

@software{dimaggio_mcsa_2025,
  author       = {Di Maggio, Luigi Gianpio},
  title        = {mcp-server-mcsa: MCP Server for Motor Current Signature Analysis},
  year         = 2025,
  url          = {https://github.com/LGDiMaggio/mcp-motor-current-signature-analysis},
  license      = {MIT}
}

GitHub 会根据 CITATION.cff 文件自动显示 “引用此仓库” 按钮。

许可证

MIT — 详情请参阅 LICENSE。