墨比乌斯公司在高度自动化的制药车间中,BMS(楼宇管理系统)与EMS(环境监控系统)承担着关键的环境数据采集与报警控制职责。然而,随着系统复杂度提升,误报警、虚假异常、通信抖动等问题逐渐成为智能制造中常见的干扰因素,影响生产节奏与人员判断。为提升AI系统对工业现场异常信号的理解、归因与处理能力,本数据集以“异常处理类”为核心任务,聚焦BMS系统、洁净室环境监控、自动报警系统等典型模块中的误触发问题,构建多步逻辑推理样本(CoT)。该数据广泛适用于制药行业的故障预警、虚假报警识别、智能决策支持等AI系统的训练与评估。
{
"id": "pharma_anom_001",
"industry": "制药",
"task_type": "异常处理类",
"label": "洁净区颗粒数异常报警分析",
"input": "GMP车间A级区域粒子监测报警,显示0.5μm颗粒超限,但生产活动符合规范,请分析异常可能来源。",
"cot_steps": [
"回看粒子计数曲线,波动出现在班组交接前5分钟。",
"分析该时段人员进出记录,有非计划人员进入操作间。",
"检查人身防护记录,该人员口罩未正确佩戴,洁净服未更换。",
"判断为人为违反进入规范引发瞬时颗粒浓度上升。",
"建议强化门禁与电子防护着装识别联动机制。"
],
"answer": "未更换洁净服的人员违规进入导致局部颗粒数上升引发报警。",
"key_variables": [
"人员行为记录",
"计数趋势",
"防护着装",
"时间点关联"
],
"difficulty": "中等",
"source": "洁净区合规审计案例"
}| 字段 | 类型 | 描述 |
|---|---|---|
| File Name | string | File name |
| id | string | 数据唯一编号 |
| industry | string | 所属行业 |
| task_type | string | 任务类型 |
| label | string | 推理任务的标题标签 |
| input | string | 异常场景描述,包括问题现象与初步判断困境 |
| cot_steps | string | 思维链形式的推理步骤,逐步识别误报警逻辑链 |
| answer | string | 结论性判断,指出根因与优化建议 |
| key_variables | string | 推理过程涉及的关键变量 |
| difficulty | string | 难度等级 |
| source | string | 数据来源 |
| 项目 | 内容 |
|---|---|
| 授权类型 | CC-BY-NC-SA 4.0(非商业署名共享) |
| 商业使用 | 需申请专属订阅或授权合同(支持按月/按调用次数收费) |
| 隐私与脱敏 | 无PII,无真实公司名,模拟场景均符合行业标准 |
| 合规体系 | 中国《数据安全法》 / 欧盟GDPR / 企业数据可访问日志支持 |
让数据提供商通过发布请求来找到你