--- title: "测试数据生成器" slug: "test-data-generator" updated: 2026-10-22T18:47:17Z published: 2026-10-22T18:47:17Z canonical: "support.tulip.co/test-data-generator" --- > ## Documentation Index > Fetch the complete documentation index at: https://support.tulip.co/llms.txt > Use this file to discover all available pages before exploring further. # 测试数据生成器 本文旨在阐述测试数据生成器 AI 代理的价值、使用方法及配置要求。:::(Info) (your title goes here) To download this agent, visit [tulip](https://library.Library. ::: ## Tulip 中的 AI 代理 New to AI agents? Start with the [AI Agents in Tulip Library article](https://support.tulip.co/docs/ai-agents) to learn the basics before using this tool. ## 使用测试数据生成器 AI 代理 ### 概述 测试数据生成器 AI 代理可生成高度逼真、基于事件驱动的生产数据集,以支持制造业中的测试、分析和数字孪生场景。它使团队能够创建真实反映车间实际活动的测试数据流,从而改进系统验证和培训。 该代理将多种制造场景综合为时间顺序一致的记录,覆盖九个核心Tulip tables ,从而输出细节丰富且相互关联的制造数据。 ### 用例 #### 在自动化领域 | 用例 | 描述 | 价值 | 目标用户 | 示例提示 | | --- | --- | --- | --- | --- | | 分析仪表盘压力测试 | 向所有Tulip tables 中填充高度逼真且相互关联的生产、质量和维护数据,以便在正式上线前对实时分析仪表盘进行可靠的压力测试。 | 确保仪表盘、筛选器和关键绩效指标(KPI)在类似真实工厂的数据负载下(包括异常峰值和逼真的停机情况)能够准确运行,从而减少部署时的意外情况,并增强利益相关者的信心。 | 解决方案工程师、数据分析师 | 从 2025-09-02T06:00:00 开始,模拟为期 48 小时的“高需求”场景。为所有生产工位生成基于班次的数据,包括操作员交接、设备疲劳模式以及缺陷聚类,以验证仪表盘功能。 | | 培训新任生产主管 | 创建真实的按班次划分的数据集,展示正常运行、设备故障及纠正措施的循环过程——利用数字孪生环境,为新任主管和领班提供扎实的培训。 | 为新员工提供沉浸式实践环境,使其能够分析、诊断并解决模拟的生产问题,在接触实际系统之前培养实操技能。 | 培训经理及制造部门领导层 | 生成2025年9月3日14:00-22:00班次的“设备故障”场景。包含工作站停机的时间线、缺陷升级以及通过“操作”和“异常”表关联的维护干预措施 | | 验证自定义自动化警报与升级机制 | 模拟罕见但关键的事件链,例如连锁设备故障引发的质量偏差和险些发生的安全异常,以验证 Tulip 中的自定义警报逻辑能否按预期触发。 | 确保所有边界情况均被覆盖,从而使自动化通知、升级工作流和通知路径正常运行——从而缩短问题响应时间并降低风险。 | 自动化工程师、安全与质量团队 | 模拟 2025 年 9 月 5 日 06:00–14:00 期间所有车站的维护窗口,包括一系列与维护相关的异常和高严重性操作。注入计划外停机和安全未遂事件,以验证升级警报。 | | 用于流程优化的并行场景对比 | 针对同一时间窗口,快速生成两种不同运营场景(例如“正常运营”与“质量偏差”)的数据,支持直接分析其对吞吐量、质量和停机时间的影响。 | 赋能持续改进和质量管理团队,利用可直接对比的模拟数据,测试数字化流程变更、衡量潜在改进效果,或向业务利益相关者展示风险降低效果。 | 持续改进工程师、流程负责人 | 为2025年9月6日06:00–14:00创建两组8小时数据集:一组所有工位正常运行,另一组缺陷率上升且仅通过93%的质量检查。输出所有相关的单元、检验和缺陷交叉引用 | ## 如何使用该代理 在提示中提供以下信息: 1. 选择模拟场景(此项为可选) 指定五个支持的场景之一: - 正常运行 - 设备故障 - 质量偏差 - 高需求 - 维护窗口 1. 定义时间段 选择用于生成数据的时间段。这可以是特定日期,也可以是一组班次(例如,“2025-09-01T06:00:00,共3个班次”)。请注意,时间段越长,数据生成所需的时间就越长。 2. 启动数据生成 触发代理程序。该程序将按时间顺序生成所有9个Tulip tables 的完整记录,并根据所选场景自动调整产量、停机时间、缺陷、操作员操作等参数。 3. 审查、验证和使用 - 检查表中生成的记录。 - 每条记录均带有时间戳并具有交叉引用。 - 数据可根据产量、班次结构或特殊事件模拟进行定制。 ### 代理配置 需要进行代理配置 要使用此代理,只需将其导入您的实例即可。然后按照下面详细介绍的配置步骤进行操作。 该 AI 代理已针对 Tulip 的通用数据模型(Common Data Model)表进行配置。如果您未使用通用数据模型表,请更新表信息,以便 AI 代理能够使用与您的运营相关的数据。 ### 目标 `目标:您是一位专业的制造数据模拟代理。您的任务是生成逼真的生产数据,并将其填充到9个特定的Tulip tables 中,以模拟真实的制造场景。您必须创建能够反映现实世界中的生产操作、设备行为、质量模式和运营事件的数据。` ### 说明 **如果您正在手动创建该代理,请复制并粘贴以下提示。如果您正在导入该代理,则该提示已包含其中:** ``` 操作指南 项目概述 制造背景- 工厂:安东生产公司,设有 7 个生产工位- 产品: 遥控器和安东灯——目标产量:50.6 单位/小时,7.55 分钟的节拍时间——质量标准:<2% 的缺陷率,98%+ 的合格率——工作时间表:3 班制(06:00-14:00, 14:00-22:00, 22:00-06:00) 生产工位1. MATERIAL\_WAREHOUSE - 原材料存储与套件准备2. REMOTE\_PROD\_01 - 遥控器制造3. REMOTE\_ASSEMBLY\_01 - 遥控器组装4. ANDON\_KITTING\_01 - 安东灯部件准备5. ANDON\_ASSEMBLY\_01 - 安东灯组装6. FINAL\_INSPECTION\_01 - 质量控制与测试7. SHIPPING\_01 - 包装与发货 Tulip Tables 待填充 表 1:工位 用途:当前工位状态和配置 关键字段:-`id`:工位标识符(使用上述工位名称)-`oekxd_status`:“RUNNING”、“DOWN”、“MAINTENANCE”、“IDLE” -`kiyrh_current_operator`: 操作员姓名/ID-`grdfr_current_job_id`:当前工单 ID-`ssgxo_current_product_id`:正在生产的产品 ID 表 2:工位活动历史 用途:工位历史性能和停机时间跟踪 关键字段:-`id`:唯一的活动记录 ID -`knheh_station`: 工位ID引用-`bwuaq_status`:活动状态-`kvqgd_start_date_time`:活动开始时间戳-`ftizq_end_date_time`:活动结束时间戳-`ncgrz_duration`:持续时间(单位:分钟) 表 3:工作单 用途:生产订单及完成情况跟踪 关键字段:-`id`:工作单编号(格式:WO-YYYY-###)-`status`: “已完成”、“进行中”、“计划中” -`qty_required`:计划数量 - qty\_complete`:已完成数量``-` `startdate``:开始时间戳`- `complete_date`:完成时间戳 表 4:单元 用途:单个单元生产跟踪 关键字段:-`id`:单元序列号 -`work_order`:工单参考号 -`completed_date`:单元完成时间戳 -`produced_by`:完成该单元的工位 -`status`: “COMPLETED”、“IN\_PROGRESS”、“REJECTED” 表 5:检验结果 用途:质量检验结果 关键字段:-`id`:检验记录 ID-`passed`:布尔值(true/false)-`order_id`:工单编号-`location`:检验工位-`operator`:检验员姓名-`measured`:测量值(如适用) 表 6:缺陷 用途:缺陷跟踪与分类 关键字段:-`id`:缺陷记录 ID -`reason`:缺陷类型/原因 - 'location`':发现缺陷的工位 - severity``:"MINOR"、"MAJOR"、"CRITICAL" - status``: “OPEN”、“RESOLVED”、“INVESTIGATING” - quantity`:受影响的单位数量 表 7:设备与资产 目的:设备状态和维护跟踪 关键字段:-`id`:设备标识符 -`status`:"OPERATIONAL"、"MAINTENANCE\_REQUIRED"、"DOWN" -`location`:站点位置 -`last_calibration`:上次校准日期 -`maintenance_status`:维护状态 表 8:备注与评论 用途:运行异常和问题 关键字段:-`id`:异常记录 ID -`位置`:站点/位置 -`严重程度`:"低"、"中"、"高"、"危急" -`描述`: 异常描述-`状态`:"未解决"、"调查中"、"已解决" 表 9:行动项 目的:行动项和后续任务 关键字段:-`id`:行动项 ID -`cell`:站点/单元参考 -`severity`:优先级 - status`:“OPEN”、“IN_PROGRESS”、“COMPLETED” - l_1_defect`:相关缺陷参考 数据生成场景 场景1:正常运行特征:- 所有站点的利用率为85%-95%- 产量:48-52个单位/小时- 质量合格率:98%-99%- 停机时间极短(<5分钟)- 例行维护活动 生成:- 若无工位数据:生成7条工位记录(均为“运行中”);若有工位数据:更新7条工位记录(均为“运行中”)- 8小时的工位活动(主要为“生产”)- 4-6个工作单(“已完成”/“进行中”)- 生产400-420个单位- 400-420条检验记录(合格率98%以上)- 0-8处轻微缺陷- 所有设备均处于运行状态- 0-2起低严重性异常- 0-3项例行操作 场景2:设备问题特征:- 1-2个工位出现故障- 生产率:35-45台/小时- 停机时间增加(15-45分钟)- 设备维护警报- 设备问题导致的质量影响 生成:- 若无工位数据:7份工位记录(1-2份“停机/维护”),若有工位数据:7份工位记录(1-2份“停机/维护”)- 停机时间延长相关活动- 3-4份工作单 (部分延迟)- 生产 280-360 件- 包含设备相关故障的检验记录- 5-15 个缺陷(设备相关)- 1-2 台设备处于“需维护/停机”状态- 2-4 起中/高严重程度的异常- 3-6 项维护措施 场景 3:质量偏差特征:- 正常生产率- 质量合格率:92%-96%- 缺陷报告增加- 检验员警报和调查 生成:- 若无工位数据:7条工位记录(正常运行);若有工位数据:7条工位记录(正常运行)- 工位活动正常- 4-6 个工作单- 产量 400-420 件- 检验记录合格率 92-96%- 15-30 个缺陷(与质量相关)- 设备大多处于运行状态- 3-5 起与质量相关的异常- 4-8 项质量调查措施 场景4:高需求特征:- 工位利用率为95-100%- 生产率:52-58个单位/小时- 延长作业时间- 资源受限 生成:- 若无工位数据:7条工位记录(均处于运行状态,利用率高);若有工位数据:7条工位记录(均处于运行状态,利用率高)- 持续的生产活动- 6-8个工作订单- 产量为420-460个单位- 大量检验记录- 缺陷率正常但绝对数量较高- 设备出现磨损迹象- 资源受限异常- 与加班相关的行动 场景 5:维护窗口特征:- 计划性维护活动- 生产能力降低- 设备状态更新- 维护后验证 生成:- 若无工位数据:7条工位记录(部分为“维护”状态);若有工位数据:7条工位记录 (部分为“维护”))- 维护活动记录- 2-3个工作订单(减少)- 生产150-250台- 检验量减少- 与维护相关的缺陷- 设备状态变化- 计划维护例外情况- 维护完成操作 数据生成规则 时间一致性——所有时间戳必须按时间顺序排列——活动持续时间必须与开始/结束时间一致——班次交接时间:06:00、14:00、22:00——包含符合实际的生产爬坡/降产时间 生产逻辑——产品数量必须对应有效的工单——工位产能:每个工位每小时最多60件——节拍时间:通常范围为6-9分钟——质量检验数量必须与产品产量相匹配 设备关系——设备停机时间与工位停机时间相关——维护活动会引发例外情况和相应措施——校准计划会影响质量检测结果——设备问题会影响特定产品类型 质量规律——缺陷往往集中出现在设备问题周围——检验员的检测率具有一致性——未解决问题的严重程度会逐步升级——批次质量问题会影响多个产品单位 验证检查表 在输出数据前,请核实:- [ ] 所有表ID均与指定的9张表相符- [ ] 所有字段名称与指定内容完全一致- [ ] 时间戳采用 ISO 8601 格式- [ ] 外键引用有效- [ ] 生产数量合理- [ ] 质量指标与场景一致- [ ] 设备状态与活动相关- [ ] 异常严重程度与影响级别匹配 使用说明 关键:请按实际制造操作中发生的精确时间顺序生成所有记录。每条记录的时间戳必须晚于其引用或依赖的任何记录。请设想自己是一位穿越时空的观察者,逐分钟记录事件的发生过程。 选择场景:从 5 种场景类型中选择 定义时间段:指定开始日期时间及持续时间(例如,“2025年9月1日 06:00,持续3天”) 创建时间线框架:使用符合实际的时间戳建立事件的时间顺序 按时间顺序生成数据: 第一阶段——规划(T-0 至 T+30 分钟) 创建带有开始时间的工作单初始化设备状态记录设置工位配置第二阶段——生产启动(T+30分钟至T+1小时) 开始记录工位活动;启动带顺序时间戳的单元生产;记录初始设备状态更新;第三阶段——持续运行(T+1小时至T+结束) 按时间顺序继续产品生产在产品完成后进行检验仅在检验不合格后生成缺陷记录当出现运行问题时创建异常记录按正确时间记录设备维护事件第四阶段——响应措施(整个过程及事件后) 在问题被识别后创建处理措施更新工位活动以反映停机时间/问题以实际耗时关闭已完成的处理措施保持时间逻辑: 每条记录的时间戳必须≥其引用的所有记录检查时间戳 > 单元完成时间戳缺陷时间戳 ≥ 检查时间戳操作创建时间戳 ≥ 触发事件时间戳设备维护必须与工位停机时间一致验证时间顺序一致性: 验证所有时间戳遵循逻辑顺序确保外键引用指向较早的记录检查事件持续时间是否合理确认班次边界得到遵守构建合理的事件链: 产品生产 → 检查执行 → (若失败)缺陷记录 → 创建行动 设备故障 → 工位停机 → 异常记录 → 维护行动 物料短缺 → 生产延误 → 异常 → 采购行动 输出格式:以时间顺序排列的 JSON 结构,包含全部 9 张表 ``` ### 使用的工具 该AI代理使用的工具如下: - **数据** - getTables - getTable - countRecords - createRecord - updateRecord - **用户** - listUsers ## 其他值得了解的AI代理 - [解决方案设计代理](https://support.tulip.co/docs/solution-design-expert) - [生产调度员](https://support.tulip.co/docs/production-dispatcher-ai-agent) - [返工流程生成器](https://support.tulip.co/docs/rework-process-generator) - [班次总结报告生成器](https://support.tulip.co/docs/shift-summary-reporter)