上个月带大三机械设计方向的综合实践，翻船了。
第一次开课，大半学生卡在上数据接口
原定计划是三周出一个小型融合原型，第一周刚结束，一半人堵在我办公室门口，说连数据都导不进平台。
原来我偷懒，拿教材的现成范例做教案，用的都是整理好的标准数据集，学生对着步骤走就能出结果，真到给他们发工业现场拿回来的原始数据，全懵了。有PLC导出的二进制块，有线振动传感器存的csv，有红外相机拍的热成像png，还有用了十年的老机床导出的txt日志，格式乱七八糟，编码还不统一。
之前我总觉得，融合是平台该做的事，学生只要调用接口就行。
我错了。
翻遍之前找的参考资料，全是讲融合算法的准确率，讲平台架构的完整性，半页纸都没提过怎么处理编码错漏、怎么对齐不同采样频率的原始数据。教材更离谱，全是概念堆砌，看得人打瞌睡。真要上手，什么用都没有！
砍掉一半理论，我把工程取舍留给学生做
回去我就改了教案，把八节理论课砍成三节，剩下五节全扔给学生做实践，核心不讲虚的概念，只讲工程设计取舍。
第一个问题抛出来：要不要做全格式通用适配？很多学生上来就志向远大，要做能接所有工业设备数据的通用平台，做了两天，光解析不同厂商的私有格式就熬了两个大夜，还是跑不通。我点醒他们，我们这门课的目标是做面向机床状态监测的融合平台，只要对接当前课题用到的三类数据就行，先跑通，再谈拓展。有个做主轴磨损监测的组，一开始非要加视觉表面监测的模块，把一半精力花在图像接口适配，最后融合算法根本没时间调，后来砍掉了非必要的模块，三天就跑通了基础流程。
第二个问题：存储放边缘还是放云端？学生十个有九个说要上云，听起来高大上，结果学校实验室带宽有限，传一张3M的红外热成像图要等七八分钟，整个流程跑下来一下午，根本没法调参改逻辑。最后还是大家自己摸着石头过河，想出来方案：原始数据存在本地边缘端，只把提取好的特征上传融合平台，既省带宽，跑流程的速度还提了快十倍。
第三个问题：要不要做全自动化数据清洗？有人说要做全自动，省人力，最后发现不同数据缺值的规律完全不一样，振动传感器偶尔跳点，温度传感器是慢缺值，自动清洗反而把有用的磨损特征冲没了，最后大家定下来，先做人工标注错漏，再挂半自动化的清洗脚本，反而灵活适配不同场景。
上完课才懂，我们要教的从来不是搭平台
改完课之后，最后九成学生都拿出了能用的最小原型，收报告的时候我才反应过来，最大的收获不是做出来一个可以运行的平台，是学生终于懂了工业数据到底是什么样子的。
之前我们上课图方便，给的都是 Kaggle 那种整理好的标准数据集，学生都以为工业数据本来就是那样，拿到就能喂模型。这次之后，所有人都明白了，时间戳对齐、缺失值补全、格式统一这些脏活，才是融合处理里占时间最多的部分，算法反而是其次。
说实话，我们机械设计方向开这个内容，本来就不是要培养计算机专业的平台开发。我们要的是让做机械设计、做设备维护的学生，懂这个工具能帮我们做什么，知道怎么把自己设计、监测过程中拿到的不同数据攒到一起，给后续的结构优化、寿命预测做支撑。
不少人说，数据平台是计算机的事，我们机械老师凑什么热闹？不对啊，现在智能装备、数字孪生都是机械设计的常规方向，你连自己设备的多源数据怎么融都搞不懂，还做什么智能设计？
不过话说回来，现在很多工科教学都喜欢堆概念，讲起来什么名词都有，学生真上手啥也不会。我改这门课，就是想改改这个毛病。不追求大而全，就做小而实，学生能自己摸一遍坑，踩过格式不对、对齐错、带宽不够的坑，比背十页定义有用多了。
对吧？
下次准备跟车间打个招呼，带学生自己去机加工车间接老机床的原始数据，连采集带融合走一遍完整流程。那才叫真的练手。
