墨比乌斯公司为应对智能制造场景中产线故障、产能波动、人员异常等复杂问题,亟需训练具备多步推理能力、过程可解释性的工业AI模型。本数据集专为异常处理类任务设计,聚焦制造业典型场景,通过结构化描述问题背景、推理过程(Chain-of-Thought)与最终答案,帮助构建更加“懂制造”的工业智能系统。
数据样本以实际产线案例为基础,结合专家经验与常见异常范式进行抽象生成,广泛适用于异常根因分析、生产可视化推理、Agent问答微调等任务。
{
"id": "smartmfg_anom_001",
"industry": "智能制造",
"task_type": "异常处理类",
"label": "产能波动的根因分析",
"input": "某电子元件产线在最近3天产出波动较大,单日波动超过15%,请分析可能原因。",
"cot_steps": "首先分析是否为订单变化导致计划调整,确认订单无变化;查看产线工时记录,发现班次排班未变;调查人员出勤记录,有一组夜班组人员连续迟到,导致前道工序延误;再看设备运行数据,部分设备白天频繁启停,换型时间延长。综合判断为:夜班人力短缺与换型不协调共同导致产能波动。",
"answer": "夜班人员迟到与设备换型不合理是产能波动主因。",
"key_variables": "排产计划;出勤数据;换型时长;产能记录",
"difficulty": "中等",
"source": "实际案例抽象"
}| 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 | 任务的自然语言问题或情境描述 |
| 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 | 在推理中涉及的关键变量或参考维度 |
| 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