设备停机故障溯源与复产效率提升数据集

本数据集依托千问大模型能力，解决制造业设备停机故障定位效率低、复产周期长、故障经验难以沉淀复用的痛点，通过 AI + 人工双重标注实现故障诊断流程自动化与标准化。应用场景覆盖从设备故障发生、诊断、维修到复产全流程的在线实时监控、离线故障分析及设备效能追溯。通过深度融合“故障现象—根因分析—维修措施—复产效率”全链路数据，助力企业实现从“被动维修”到“主动预测”的闭环管理：一方面用于训练高精度 AI 故障诊断模型，支撑设备运行全量在线监测，实现故障事中预警与快速定位，降低非计划停机率与维修成本；另一方面通过对故障类型、根因分析、风险等级的统计分析，定位高频故障成因、设备瓶颈与管理漏洞，为制造业设备管理向智能化、AI化升级提供关键数据支撑与决策依据。数据采集： 采集多家制造企业生产线中的设备停机故障记录与复产过程数据，数据来源为现场设备管理人员通过设备运维管理系统录入的故障工单、设备传感器实时采集的运行状态数据及维修人员的检修记录。采集的基础数据以“单次设备停机故障事件”为最小粒度，采集字段包括：设备编号、设备名称、故障发生时间、故障恢复时间、故障类型、故障部位、故障现象描述、复产准备时长(分钟)、标准复产时长(分钟)等基础字段，并基于此计算得到停机时长(分钟)、复产效率指数等衍生字段。 数据处理： 对采集到的原始故障工单与传感器数据进行清洗和标准化处理： （1）剔除记录不完整、时间戳异常或故障分类标签冲突的异常样本，确保模型训练集的高质量； （2）对停机时长、复产准备时长等时间型字段进行统一单位换算与格式校验，确保不同设备、不同产线间的时间指标具有可比性； 数据加工与分析： 基于清洗后的数据，对故障事件进行根因归因与效率指标计算，结合大模型Qwen2.5进行训练和微调，最后进行故障智能诊断，生成最终用于设备停机故障溯源与复产效率提升的数据集字段。各字段的算法规则与公式详细说明如下： 停机时长：停机时长 = 故障恢复时间 − 故障发生时间。记录从设备故障停机到恢复正常运行的实际耗时，该字段用于量化故障对生产的影响程度与设备可用性损失。 复产效率指数：复产效率指数 = 标准复产时长(分钟) ÷ 实际复产准备时长(分钟)。标准复产时长(分钟)取行业基准设定值30分钟，实际复产准备时长(分钟)为故障恢复后到设备满载生产所需的准备时间。该指数用于评估设备复产效率，指数越接近1表示复产效率越优。 AI 诊断结果：基于训练微调后的大模型Qwen2.5对故障现象描述、设备历史故障记录及传感器运行数据进行综合分析，自动识别故障类型与故障部位，与人工诊断形成交叉验证，提升故障定位准确率与诊断效率。 风险等级：结合停机时长、故障类型影响范围、设备关键度及历史故障频率，通过风险评估模型将故障事件划分为低风险、中风险、高风险、极高风险四个等级，用于指导维修资源调配与预防性维护策略制定。

搜集汇总

背景与挑战

背景概述

该数据集是面向制造业设备停机故障溯源与复产效率提升的数据集，基于千问大模型与AI加人工双重标注，采集多家制造企业以单次设备停机故障事件为最小粒度的故障记录和复产过程数据，包含设备信息、故障时间、故障类型与部位、现象描述、根因分析、维修措施、复产准备时长、标准复产时长、停机时长、复产效率指数、AI诊断结果及风险等级等字段，规模1002条，格式为xlsx，按需更新。其应用覆盖故障发生、诊断、维修到复产全流程，可用于训练高精度AI故障诊断模型、支撑设备在线监测与故障预警定位，并助力企业从被动维修向主动预测的闭环管理升级。