课堂上摔出来的真问题
以前我教这部分内容，懒。把标注好的数据集打包发群，讲两节课模型结构，调几个参数，就让学生交报告。评分看准确率，越高分数越高。看上去皆大欢喜，谁都没毛病。直到这次，学生把问题甩在我脸上。我蹲在实验室那台满是油污的传送带边上，盯着屏幕看了半小时。哦，原来问题根本不在AI。学生拿的公开数据集，是全新设备跑出来的，每个零件的安装间隙、磨损基准都整整齐齐。咱们这台老传送带，已经转了快八年，主动轮本身就磨偏了0.2毫米，基准从根上就不一样。学生把啥数据都往模型里塞，AI能分清楚才怪。
我回去翻了三本教材，讲AI设备故障预判的，全是讲算法，讲准确率，没一本提怎么结合你自己设计的设备找故障边界。合着大家都在教学生用AI做考试题，不是做工程。
把算法沉到零件失效逻辑里
那之后改了教学大纲。把原来一周讲模型的时间，挤出来三天，让学生先拆设备。先把自己设计的系统里，每个零件的失效模式列清楚，哪些是渐变故障，哪些是突发故障，哪些故障会带什么特征，先画好边界，再碰AI。
故障特征从来不是AI帮你找，是你先把范围给AI框死。还是说那组卡壳的学生，后来按新要求改了流程。先拆传送带的轴承，一共三个，靠近电机的那个承受70%的径向载荷，失效最早，特征最明显。他们把振动传感器从原来的贴在机架上，改成贴在轴承端盖正中心，只提取转频1倍到3倍频的特征数据，剩下的全当噪声滤掉。没换模型，没调参数，准确率一下冲到了92%。
说实话，我当时挺震撼的。原来大家都在说AI有多厉害，能自动找特征，能端到端学习，可放到真的机械设计里，你不给AI把路指对，它就是个没头苍蝇。你连自己设计的设备哪个地方容易坏，坏了会有什么反应都搞不清，谈什么预判？
不过话说回来，这个道理，我讲一百遍，不如学生自己踩一次坑记得牢。之前有个学生不信邪，说现在大模型能直接做故障诊断，要啥失效分析，直接把数据喂进去出结果就行。结果做出来的模型，把温度升高引起的主轴伸长，当成了导轨磨损，闹了个大笑话。现在那学生做项目，第一步必拉着队友拆设备列失效模式，比谁都积极。
留出来的空白才是有用的
现在改完课已经快半年了，我最大的感受是，原来我们太怕学生犯错，什么都给安排得明明白白。数据集标好，步骤列好，模型参数都给调好，学生只要走一遍流程就行。出来的结果都好看，就是到了真干活，啥也不会。
现在我不这么干了。数据集让学生自己攒，传感器自己贴，设备自己开，数据自己采。当然会出一堆乱七八糟的问题。传感器贴错位置，数据全废，要重采。设备开久了过热，基线飘了，要重标。有的组到了交作业前一周，数据还没攒够，急得团团转。可就是这个过程，学生才真的明白，AI设备故障预判，预判的是机械的故障，不是数据集里的故障。你设计的设备是什么工况，用的什么材料，用到什么程度，这些信息，AI不会自己从天上掉下来，得你自己一点一点攒。
前阵子有个毕业的学生回学校，说现在工厂里做设备预测性维护，就用我们课上练的这套方法，先摸清楚设备的脾气，再上AI，比之前公司直接买的现成模型好用多了。我听了挺开心的。原来我们做机械设计教育，教AI相关的内容，不是要把每个学生都培养成算法专家，是要让他们知道，AI是工具，是帮你解决问题的，不是拿来交作业凑履历的。你得先懂你的设备，懂你的设计，才能用好这个工具。不然说再多，都是花架子。
哪有什么完美的课程，都是被学生一点一点卡出来的。这才刚上路呢。
