Manufacturing MCP

제조 설비의 원본 관측값을 조회하고 고장 통계와 경향을 분석하는 AI Agent 프로젝트입니다. 질문에 따라 PostgreSQL MCP Tool로 원본 데이터를 조회하거나, 임베딩 기반 RAG로 분석 리포트를 검색하여 답변합니다.

Demo

원본 설비 데이터에 관한 질문은 MCP·PostgreSQL, 통계와 경향에 관한 질문은 임베딩 기반 RAG로 처리됩니다.

핵심 기능

• 원본 데이터 조회: MCP Tool이 PostgreSQL의 설비 관측값을 UDI 또는 조건으로 조회
• 통계 계산: Python과 SQLAlchemy로 전체 고장률, 제품 등급별 고장률, 공구 마모 구간별 고장률과 고장 유형을 계산
• 리포트 생성: LangGraph가 검증된 통계를 바탕으로 세 종류의 분석 리포트를 병렬 생성
• RAG 질의응답: 리포트를 섹션 단위로 나누고 text-embedding-3-small로 미리 임베딩하여 관련 내용을 검색
• 통합 라우팅: 질문 유형에 따라 PostgreSQL MCP 또는 리포트 RAG를 자동 선택
• 웹 데모: FastAPI /chat API와 HTML·CSS·JavaScript 화면에서 전체 흐름을 실습

동작 구조

사용자 질문
   │
   ▼
통합 질문 라우터
   ├─ 원본 행·샘플 요청 ─▶ GPT-5-mini ─▶ MCP Tool ─▶ PostgreSQL
   └─ 통계·경향 질문 ───▶ 임베딩 검색 ─▶ GPT-5-mini ─▶ RAG 답변

통계 리포트는 실시간 질문 이전에 PostgreSQL → Python 통계 → LangGraph → Markdown 리포트 → 임베딩 인덱스 순서로 준비합니다. 구성 요소와 데이터 흐름은 아키텍처 문서에서 자세히 설명합니다.

데이터셋

이 프로젝트는 AI4I 2020 Predictive Maintenance Dataset을 사용합니다. 실제 산업 현장의 예지보전 데이터를 모사한 합성 데이터셋으로, 총 10,000개의 설비 운전 관측값과 14개 열로 구성됩니다.

각 관측값에는 제품 등급, 공기 및 공정 온도, 회전 속도, 토크, 공구 마모 시간, 설비 고장 여부와 고장 유형이 기록되어 있습니다.

• 설비 상태 조회(Monitoring)
• 고장 위험 분류(Classification)
• 이상 조건 탐색(Anomaly Detection)

컬럼, 입력·출력 레이블과 데이터 샘플은 데이터셋 문서에서 확인할 수 있습니다.

개발 환경 구성

요구 사항

• WSL 2 Ubuntu 24.04
• Python 3.12
• Docker Desktop 및 WSL Integration
• OpenAI API Key

프로젝트 루트에서 가상환경을 활성화하고 프로젝트 및 개발 의존성을 설치합니다.

source mcp/bin/activate
python -m pip install --upgrade pip
python -m pip install -e ".[dev]"

.env.example을 복사하고 실제 OpenAI API Key를 입력합니다. .env는 Git에서 제외됩니다.

cp -n .env.example .env
chmod 600 .env

데이터 준비

PostgreSQL 실행, 테이블 생성, CSV 적재, 통계 계산, 리포트와 임베딩 인덱스 생성을 순서대로 수행합니다.

docker compose up -d postgres
alembic upgrade head
python -m manufacturing_mcp.pipeline.load_dataset
python -m manufacturing_mcp.analysis.statistics
python -m manufacturing_mcp.workflows.report
python -m manufacturing_mcp.rag.chunker
python -m manufacturing_mcp.rag.embeddings

각 명령의 입력·출력 파일과 확인 방법은 파이프라인 문서, PostgreSQL 스키마와 조회 방법은 PostgreSQL 문서를 참고합니다.

위 과정을 실행하면 다음 결과가 생성됩니다.

경로	내용
out/statistics.json	PostgreSQL에서 계산한 재사용 가능 통계
reports/*.md	GPT-5-mini가 작성한 고장·제품 등급·공구 마모 분석 리포트
out/report_chunks.json	Markdown 섹션 단위의 검색 청크
out/report_embeddings.json	청크와 text-embedding-3-small 임베딩 인덱스

현재 생성하는 리포트는 failure_summary.md, product_type_analysis.md, tool_wear_analysis.md입니다.

사용 방법

CLI

원본 데이터 질문과 분석 질문을 하나의 명령으로 실행할 수 있습니다. --show-route는 선택된 경로를 출력합니다.

python -m manufacturing_mcp.agent.chat \
  "실제 고장 데이터 샘플 2개 보여줘." \
  --show-route

python -m manufacturing_mcp.agent.chat \
  "공구 마모 시간이 길어질수록 고장 위험이 높아지니?" \
  --show-route

Web

FastAPI로 채팅 API와 웹 화면을 함께 실행합니다.

python -m uvicorn manufacturing_mcp.api.app:app

서버 실행 후 브라우저에서 http://127.0.0.1:8000에 접속합니다.

경로	메서드	역할
/	GET	로컬 웹 데모
/health	GET	서버 상태 확인
/chat	POST	통합 제조 데이터 질의응답
/docs	GET	Swagger API 문서

테스트

python -m pytest

테스트는 설정, 데이터 모델과 Repository, CSV 적재, 통계, LangGraph Workflow, 청킹·임베딩·검색, RAG 답변, MCP Tool, 통합 라우터와 FastAPI API를 검증합니다.

프로젝트 구조

manufacturing-mcp/
├── data/                  # AI4I 2020 CSV
├── docs/                  # 데이터셋, DB, 아키텍처 및 실행 문서
├── migrations/            # Alembic 데이터베이스 마이그레이션
├── out/                   # 통계, 청크 및 임베딩 JSON
├── reports/               # LLM 생성 Markdown 리포트
├── src/manufacturing_mcp/ # 애플리케이션 소스 코드
├── tests/                 # 자동화 테스트
├── web/                   # 로컬 데모 HTML, CSS, JavaScript
├── compose.yaml           # PostgreSQL Docker Compose 구성
└── pyproject.toml         # 패키지 정보와 의존성

문서

• 아키텍처와 구성 요소
• 전체 실행 파이프라인
• PostgreSQL 실행 및 조회
• 데이터셋 컬럼과 샘플

출처 및 저작권

• 프로젝트 코드: Copyright © 2026 Johyeongseob. MIT License에 따라 배포됩니다.
• 데이터셋: AI4I 2020 Predictive Maintenance Dataset (2020), UCI Machine Learning Repository, https://doi.org/10.24432/C5HS5C
• 관련 논문: Stephan Matzka, “Explainable Artificial Intelligence for Predictive Maintenance Applications,” 2020 Third International Conference on Artificial Intelligence for Industries (AI4I), pp. 69–74, https://doi.org/10.1109/AI4I49448.2020.00023
• 데이터셋 라이선스: Creative Commons Attribution 4.0 International(CC BY 4.0)