广东省数据知识产权存证登记平台-证书详情

登记信息

造纸工艺大模型训练数据集 已登记

数据申请号：

粤2026012303872
数据登记号：

SZ2026120000957.1
关键词：

制浆造纸；工业大模型；故障诊断；工艺优化；智能制造
登记时间：

2026-03-04
平台证书编号：

20260144000000957
数据处理者：

暂无
服务机构：

北京集佳知识产权代理有限公司
登记主体：

广州博依特智能信息科技有限公司
法院编号：

广州互联网法院 - b14fa93eb522fcd3e0112c5b54e216f467c4a3e5f8ef76158ad72d9ad7a44176-749fc1a4;legalxchain

区块链信息

上链时间：

2026-01-23
所属区块链：

司法联盟链·广东省知识产权保护中心
证据指纹：

156754c02033522004d56dba94730d04eb7f2f1231b8f6da61cf3bb5f0b3ce7bbc997c97dad72c6009dd870094ee7c2394f640ff9f873a55767df3ae60ddb245
区块链存证证书编号：

LXM-GDIPI-23202602255010942315

数据信息

数据简介

本数据集面向造纸及制浆工业领域的智能化转型需求，基于“全流程工艺知识图谱化”范式构建。数据内容涵盖从植物纤维原料备料、化学/机械制浆、漂白、打浆、造纸机抄造到成品整理及废水处理的全生命周期工艺知识。数据来源汇集了近二十年来的造纸工程核心教材、国家标准（GB/T）、行业技术手册及权威期刊文献。数据处理采用“自动化解析+专家知识增强”双重路径：利用OCR与文档版面分析技术提取非结构化文本与图表数据，结合NLP技术进行去噪与结构化分块；通过引入造纸领域专家进行SFT（监督微调）指令对的构建与校验，确保了工艺参数、故障诊断逻辑的准确性。数据集经过严格的数据清洗与去重处理，删除了非必要的页眉页脚及冗余信息，并对涉及具体企业敏感生产数据的部分进行了脱敏处理，符合工业数据安全流通规范。本数据集可为工业大模型的预训练、微调（SFT）及检索增强生成（RAG）知识库构建提供高质量语料基础。

数据来源：

自行产生
数据所属行业分类：

I65 软件和信息技术服务业

数据处理规则说明

本数据集的处理遵循工业级数据工程标准，主要包含以下步骤： 1.多源异构解析：优先使用 PyMuPDF 解析电子文档，针对扫描件采用 Tesseract 结合自研版面分析算法，精准还原工艺流程图与化学反应式。 2.清洗与降噪：采用正则表达式与NLP模型，剔除乱码、页码干扰，针对断行与连字符进行语义修复；执行严格的版本优先去重策略，确保保留最新国家标准与工艺规范，去除陈旧重复内容。 3.结构化与元数据标注：将非结构化文本转化为Markdown格式，保留章节层级；为每个文本块（Chunk）标注“工艺段”、“设备名称”、“原料类型”等元数据标签。 4.指令对构建：基于清洗后的语料，采用“强模型辅助生成+人工复核”机制，构建包含“基础知识问答”、“故障推理”、“参数建议”三类指令数据集。质量控制：执行三级审核机制（机器自动校验格式->初级人工抽检语义->领域专家终审专业度），确保知识准确率达到95%以上。

应用场景描述

本数据集适用于造纸行业大模型的训练与部署，主要解决以下核心问题： 1.智能生产助手：为一线操作员提供即时的工艺查询服务（如“蒸煮锅压力异常如何处理”），降低对老师傅经验的依赖。 2.工艺参数优化：基于历史工艺数据与理论模型，辅助技术人员制定最佳的打浆度、施胶量及烘干曲线，提升纸张物理性能指标。 3.设备故障诊断与预测：通过大模型分析设备运行现象，快速定位故障根因（如断纸原因分析、斑点成因分析），缩短停机时间。 4.员工培训与考核：自动生成不同难度的工艺考试题目与解析，用于新员工的岗前培训系统。 RAG知识库底座：作为企业级知识库的索引源，支持对海量技术文档的精准语义检索。

数据格式：

jsonl
数据更新频率：

月更新
数据量：

1000

样例数据

请查阅附件附件下载

数据结构样例

本数据集核心交付物包含jsonl格式的预训练语料与SFT微调语料，以下为SFT部分的数据结构样例：字段名称数据类型描述 instruction String 用户指令或问题 input String (可选)问题的上下文背景、参数设定或故障现象描述 output String 模型应回答的标准答案（包含推理过程） category String 工艺类别（如：备料、蒸煮、抄造、环保）

数据状态

2026-03-04

数据知识产权登记完成