上周三下午的智能制造实训课，第三组的男生把笔记本电脑往实训台边一搁，笔帽咬得扁扁的：“老师这模型根本跑不通，轴温飘了两小时，预警阈值还卡在两周前调的数。”
太真实了。
我站在旁边看了两分钟，没直接伸手帮他调代码。换作两年前，我可能直接把提前准备好的开源demo导进他的电脑，演示一遍预警弹窗跳出来的效果，这节课就算圆满了。
最先砍掉的，是现成的开源demo
现在想起来都冒冷汗——要是当时真就这么顺着教，学生最后交上来的作业全是“调参换数”的体力活，根本碰不到机械设计和算法的连接点。
最开始准备这门课的时候，我找了三个工业场景下的开源AI设备故障预判预警算法模型，都是公开数据集训练好的，导进数据就能输出预警概率。本来想把这些内容当核心教学素材，直到上次试讲，有个学生盯着屏幕上跳出来的曲线问我，为什么轴承内圈故障的特征频率，和我课本上算的差了那么多。
我当时卡了壳。
总不能跟学生说“这是人家训练好的模型，照着用就行”吧。那这门课和照着菜谱做菜有什么区别？学生学完了根本不知道，自己设计的机械结构上，哪个位置的传感器数据是真的有用，哪个位置装了也是白占成本。
干脆全砍了。第一节课先不碰代码，带着学生把实训台拆了半台，从电机输出轴到传动带轮到末端负载，挨个标哪个位置容易出问题，哪个位置装温度传感器、哪个位置装振动传感器才不会被无关的结构干扰。
太险了。要是真的抱着现成的demo走完整个教学流程，最后教出来的学生，大概率还是只会对着参数表改数字，根本搞不懂算法背后的机械逻辑。
卡壳的地方，从来都不是代码
三次实训跑下来我发现，之前总担心学生怕写代码，结果写代码的环节卡的人最少。反而是对着机械原理课本找故障特征的环节，大家翻书翻得页角都卷了。
第一个卡壳点，是数据清洗。有组学生上来就把设备空载启动的那十几秒数据全删了，说那段数据“不稳定，影响模型精度”。结果训练出来的模型，预警提前量直接砍半——设备刚启动的时候，轴承、传动带的摩擦状态本来就是最特殊的，把这部分数据删了，模型根本学不到正常启动状态的特征，当然没法提前预判故障。
第二个卡壳点，是预警优先级。一开始所有组的模型里，不管是传动带松了这种小问题，还是主轴抱死这种会出安全事故的大问题，触发的预警等级全是一样的。实际上在车间里，前者只要提醒运维人员有空的时候拧个螺丝就行，后者必须立刻触发急停，不然要出大事。
第三个卡壳点，是阈值设置。有组学生把振动预警的阈值设成了实验室里测的静态值，根本没考虑车间里旁边冲床开起来的时候，传感器会接收到连带的振动干扰，最后模型误报率高到学生自己都嫌烦，说“这模型跟我家楼下乱报的烟感似的，谁信啊”。
说实话，我之前对这类算法的认知也有偏差，总觉得那是计算机专业的人要搞的东西，机械设计课只要告诉学生怎么装传感器、怎么接线路就够了。直到那个之前连Python循环都写不利索的女生，自己抱着千分表测了一下午轴承的游隙，把测出来的间隙值对应到模型的输入特征里，最后她组做的模型，误报率比一开始直接套开源demo的组顺得多，我才反应过来——根本不是算法难，是之前我把算法这层窗户纸糊得太死，让大家都以为那是碰不得的黑盒子。
现在还在改的教案细节
这两周我在把教案大改。原来要求学生交的3000字模型报告，直接砍了，换成让每个人写100字以内的“踩坑记录”。不用写什么高大上的理论，就写自己在做模型的时候，哪个地方踩了坑，是传感器装错位置了，还是数据洗错了，还是阈值设得脱离实际。
上次和工厂里的设备主管聊天，他说现在厂里上了三套不同的AI预警系统，没有一套能直接告诉他哪个零件要坏，最后还是靠干了三十年的老钳工听声音判断故障。说起来也有点讽刺。
我之前总觉得要把最复杂的模型结构教给学生，要让他们跟上最前沿的技术。现在反而觉得，这门课最该教的根本不是怎么调大模型的参数，是让学生知道，自己设计的设备，在什么情况下会坏，坏之前会露出什么马脚。
这才是机械设计该教的东西。
那些飘在天上的、连传感器装在哪都不关心的算法，最后落地的时候，要么不准，要么没人信。我们带学生做的这套预判模型，不需要什么花哨的大网络，只要能让学生对着自己设计的机械结构，摸清楚哪个零件在什么状态下会出问题，提前多久能从传感器数据里看出来，这门课就没白上。
