墨比乌斯公司食品加工行业中,设备清洗、消毒、维护等环节直接关系到食品安全与产线效率。尤其在多班制与高频更线场景下,如何制定高效、可执行的运维策略成为智能工厂运维系统的关键能力。本数据集专为“运维策略类”任务设计,围绕清洗工序优化、维护时机判断、人员技能匹配等主题构建结构化推理数据,模拟运维工程师在应对效率瓶颈或操作难题时的逻辑推理与改进建议过程。数据适用于训练具备工业优化思维的AI模型、运维建议生成系统、食品车间流程数字孪生系统等应用。
{
"id": "foodproc_maint_001",
"industry": "食品加工",
"task_type": "运维策略类",
"label": "清洗工序时间优化路径",
"input": "某酱料包装产线每天结束后进行整线清洗作业,清洗时间平均达90分钟,严重影响夜班启动效率,请制定优化策略。",
"cot_steps": [
"清洗工序分为三段:拆卸、冲洗、消毒。",
"分析作业记录,发现拆卸阶段耗时最多,占比近50%。",
"现场观察中发现部分零部件不易拆装,工具匹配差。",
"建议引入模块化快拆部件,并配套专用工具车。",
"另外通过设置标准作业视频训练夜班人员,提升操作效率。"
],
"answer": "采用模块化部件与专用工具可压缩拆卸时间,同时标准化操作流程可整体缩短清洗周期。",
"key_variables": [
"拆装时间",
"部件结构",
"作业标准",
"人员熟练度"
],
"difficulty": "中等",
"source": "现场流程优化实践"
}| 字段 | 类型 | 描述 |
|---|---|---|
| 文件名 | string | 文件名 |
| id | string | 数据唯一编号 |
| industry | string | 所属行业 |
| task_type | string | 任务类型 |
| label | string | 推理任务标题标签 |
| input | string | 故障场景的自然语言描述 |
| cot_steps | string | 思维链形式的推理步骤,逐步展开逻辑 |
| answer | string | 故障原因总结/最终诊断结果 |
| key_variables | string | 故障诊断中的关键参数/特征维度 |
| 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