本数据集收录超15万条玻璃纤维织物测试数据，且全部数据已完成存证，涵盖产品配方、工艺参数、特征属性及力学性能等关键工业数据。经标准化清洗与整合，形成完整的“工艺-性能”数据映射体系，具有覆盖全、质量高、关联性强的特点。具体应用场景包括但不限于: 一、 助力企业研发与生产 在研发阶段，利用数据规律快速筛选配方，节省成本、缩短周期；在生产阶段，支持实时监控与工艺调整，提升产品稳定性和一致性，为企业决策提供直接依据。 二、 用于训练智能模型与行业应用 数据集经过系统处理，标准规范、结构清晰，可为机器学习与人工智能模型提供高质量训练数据，以优化工艺、预测性能等，具有重要的行业应用价值。
1.数据采集 （1）采集内容：①单轴玻璃纤维织物产品的基础信息（产品名称、产品型号）；②产品配方（树脂类型、产品结构参数、纤维质量含量、纤维体积含量）；③工艺参数（纱线方向以及纱线方向对应的原料规格、物料代码、单位面积克重-下限、单位面积克重-中心值、单位面积克重-上限）；④产品特征参数（结构层次、方向、面积重量、公差、材料类型、涂层类型、特数值、丝径、树脂兼容性、缝合面积重量、缝合材料、缝合图案、绒向、总面积重量、总公差、卷宽公差、卷长公差、追踪纱线、织物厚度、保质期、存储条件）；⑤力学性能（拉伸强度、拉伸模量、拉伸应变、拉伸泊松比、压缩强度、压缩模量、压缩应变、V剪切强度、V剪切模量）。 2.数据清洗与结构化 对于表格数据（如Excel和CSV文件），用工具读取并统一字段命名；对于PDF文件，通过文字识别提取内容；对于图片格式的数据（如JPEG），识别其中的表格区域并解析数值。接着，把所有数据转换成标准的JSON格式，把分类数据转换为数值，数值数据进行标准化处理，最终形成特征矩阵，方便后续分析。 3.特征工程与加权建模 基于随机森林多输出回归算法构建预测模型，自动学习20个输入特征与9个性能指标的非线性映射关系。通过特征重要性分析发现，树脂类型、纤维体积含量和纤维质量含量是决定产品质量的前三大关键因素。建立加权评分体系，为9项性能指标分配差异化权重，计算综合质量评分并划分四级等级：优秀（≥98）、良好[97-98）、合格[96-97）、不合格（<96）。对于不合格产品，通过归因分析定位问题根源，判定配方影响占比和工艺影响占比，并识别关键问题特征，给出针对性改进建议。 4.训练数据集构建 将处理后的15w+条样本数据按8:1:1比例划分为训练集、验证集和测试集。训练集包含特征矩阵X_train和目标矩阵y_train用于模型学习，验证集用于超参数调优和模型选择，测试集用于最终性能评估。所有数据经LabelEncoder编码和StandardScaler标准化处理确保模型收敛。同时保存预处理器、参考基准值、权重配置等元数据，封装为完整的模型资产包。模型在测试集上达到平均MAPE=2.64%的高精度预测，证明了从原始多源异构数据到智能决策系统的成功转化，形成可复用的数据知识产权成果。
| 字段名 | 类型 | 描述 |
|---|---|---|
编号 |
-- | -- |
产品类型 |
-- | -- |
产品型号 |
-- | -- |
树脂类型 |
-- | -- |
产品结构参数 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 编号 | 87014 |
| 产品类型 | 单轴玻璃纤维织物 |
| 产品型号 | E8-UD1250-390 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8424307