墨比乌斯公司在食品加工过程中,温控、压力、洁净度等核心参数需严格稳定,任何异常波动都可能引发停机、质量偏差甚至食品安全风险。尤其在智能控制系统下,部分误报或感知错误也会触发设备自保行为。为提升AI模型对工业异常事件的精准识别与推理能力,本数据集聚焦食品行业典型设备异常场景,通过结构化多步推理(Chain-of-Thought)方式,模拟技术人员面对设备突发报警时的逐步排查与误判识别流程。数据适用于训练具备异常归因能力的工业AI模型、故障预警系统、食品生产智能助手等关键任务。
{
"id": "foodproc_anom_001",
"industry": "食品加工",
"task_type": "异常处理类",
"label": "杀菌锅温度传感器异常处理",
"input": "某批次杀菌锅在运行中温度曲线突然波动异常,报警后自动停机,经检查锅体温度正常,请分析异常原因。",
"cot_steps": [
"查看温度记录,出现1分钟内剧烈下降后恢复。",
"排查蒸汽供应系统,压力稳定,锅体加热无异常。",
"检查温度传感器接头,发现接口松动,有抖动迹象。",
"传感器信号出现瞬时断开,系统判断为温度失控。",
"最终判断为接触不良导致信号抖动,引发报警误判。"
],
"answer": "温度传感器接头松动造成信号瞬断,引起系统误判异常停机。",
"key_variables": [
"传感器信号",
"温度波动",
"接线状态",
"报警逻辑"
],
"difficulty": "中等",
"source": "实际案例推理"
}| 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 | 推理任务的标题标签 |
| input | string | 协同场景问题描述,涉及人机共作节点 |
| cot_steps | string | 思维链形式的推理步骤,逐步展开逻辑 |
| answer | string | 策略结论,回应提出的协同效率问题 |
| key_variables | string | 分析所依赖的关键变量 |
| 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