生产损耗问数垂类大模型语料数据

本数据产品专为训练工业企业设备运维垂类大语言模型而构建，旨在让模型能够深度理解企业日常生产质量管理场景中的自然语言问题，并精准转化为可执行的SQL查询语句，从而实现日常生产质量管理数据的即时、高效查询与分析。依托企业真实经营数据构建标准化语料体系，模型经训练后可精准理解“生产损耗”“半成品不良”等工业质检特有需求，工业企业可基于本语料数据的分类如“指标名称”“问题查询”等字段内容，适配自身数据表结构（如替换建表语句中的表名、字段名），快速启用文字转SQL功能进行复用。本数据为工业企业提供了稀缺的、高质量的垂直领域语料，有力支撑了生产质量管理领域的自然语言处理技术研发、模型训练与评测，对推动工业企业生产质量管理数据价值的深度挖掘和智能运维技术的发展具有重要意义。1.数据清洗与标准化：
数据清洗：对从设备管理系统（如MES、SCADA）收集的原始问答对进行清洗，剔除重复、无效或存在明显逻辑矛盾的样本。例如，表格中“结果输出”为“无匹配数据”的样本，作为查询无返回结果的标准语料被保留，增强了模型对数据缺失场景的理解能力。
格式统一：统一问题表述中的时间格式（如“11月01日”）、指标名称（如“生产损耗”）和SQL语法风格，确保语料的规范性和一致性。对建表语句进行格式化，统一字段类型和注释风格。
2.问题分类与结构化：
按照设备运维的特定场景对问题进行归类，主要包括趋势分析（如“2025年9月到2026年2月的损耗趋势”）、阈值查询（如“不良率低于1%”）等，确保语料对设备运维核心场景的全面覆盖。
3.核心算法建模：
（1）语义解析与要素提取：采用基于规则和词典的文本分析方法，对自然语言问题进行解析，精准提取关键要素，如时间、对象、指标和约束条件。
（2）SQL语句生成：基于预定义的“指标-字段”映射规则和“对象-过滤条件”映射规则，自动生成标准化的SQL查询语句。
（3）异常值检测：对生成的SQL及其执行结果进行双重校验。一方面，利用IsolationForest等算法检测SQL语句的逻辑异常（如缺失必要的关联条件）；另一方面，结合数据统计特征，识别结果中可能存在的异常值（如生产量为0的极端情况），并打标或过滤，确保语料质量。
（4）逻辑核验与业务对齐：由资深设备运维人员对生成的问题-SQL-结果三元组进行最终核验。运维人员结合现场业务知识，判断SQL逻辑是否正确，确保语料不仅语法正确，更具备高度的业务适用性和准确性。
4.语料库的持续迭代：
构建语料库的闭环迭代机制。新产生的业务问题及其经核验的SQL语句会定期注入语料库。同时，通过分析大语言模型在实际应用中的反馈（如查询失败、语义理解错误），定位语料库的薄弱环节并进行针对性补充，形成“应用-反馈-优化”的良性循环，持续提升语料库的覆盖度和质量。

搜集汇总

背景与挑战

背景概述

该数据集是面向制造业生产损耗场景的垂类大模型训练语料，包含2661条结构化数据，涵盖生产损耗材料、不良率等关键指标，支持通过自然语言问题自动生成SQL查询语句，用于日常生产质量管理数据的即时分析与趋势查询。数据经过严格清洗、分类和核验，具有100%的结果正确率，可帮助企业快速实现文字转SQL功能，深度挖掘生产质量管理数据价值。