上周三，实验室又跳闸了。不是设备坏了，是学生把加热器和测功机插到同一个排插上。我站在门口，手里还捏着那张写满测点编号的A4纸，突然觉得，工业数据建模这事，得从排插开始讲。
他们想直接做轴承剩余寿命预测。数据集是现成的，CSV 拖进 notebook，三行代码。真的，三行。然后呢？模型准确率 96%。我问他，这个 96% 代表什么？他愣住了。我也愣住了——不是气，是有点懊恼。这课到底缺了哪一块？
一、先别打开软件，把测点表画在纸上
我现在会先发一张空白表格。列：测点编号、物理量、量程、安装位置、采样频率、工况标签。行？自己填。有人填“振动”，我说太粗。振动？哪里的振动？轴承座径向？轴向？还是箱体表面？方向不同，后面的特征差异大得离谱。
这不是抠字眼。机械设计里，测点位置决定了你后面能解释什么。你装在轴承座上，却想诊断齿轮啮合，信号路径都不对。工业数据建模不是把数据丢进模型，它得先回答：这个数字，到底是从哪台机器、哪个工况、哪一秒来的。
有个小组做减速机效率建模。他们一开始只记了输入扭矩、输出扭矩、转速。我问，油温呢？环境温度呢？跑合时间呢？他们面面相觑。后来补上温度，模型误差降了一截。但更有意思的是，他们发现效率在某个转速区间突然塌下去。为什么？拆开一看，润滑方式在那段转速下没跟上。数据没告诉答案，但它给了线索。
说实话，这部分最不酷。没有算法，没有调参。就是画表、量尺寸、对工况。可一旦跳过，后面的模型就是空中楼阁。飘得很。
二、数据建模的脏活：特征不是从天上掉下来的
很多人以为特征工程是敲代码。不是。至少机械领域不是。
时域特征、频域特征、时频域特征，这些词听起来很顺。可你让学生算一个峭度，他可能连量纲都没对齐。加速度单位是 m/s²，速度是 mm/s，位移是 μm。混在一起做归一化，模型当然能跑。但它学的是单位换算，不是故障。
我常举一个例子：轴承振动信号。RMS 上升，可能是不对中，也可能是负载变大。包络谱出现故障特征频率，也可能被转速波动掩盖。你要做的，是把工况变量和状态变量分开。转速、负载、温度是工况；振动均方根、峰值因子、包络谱幅值才是状态候选。混着放，模型会偷懒。
有学生不服。他说随机森林可以自动选特征。对，它可以。但它不会告诉你，为什么选了这个。机械设计教育里，我们不是只要预测值。我们要的是能回到设计决策的解释。这个解释，有时候比 R² 值钱。
后来我改作业要求：每个人交一页特征字典。每个特征写清楚物理含义、适用工况、量纲、计算窗口、可能的混淆因素。写不出来？那就别放进模型。咦，作业量一下子上去了。但学生的模型反而干净了。奇怪吧。
三、翻车复盘：R² 漂亮，学生却不敢用
上学期有个模型，预测减速机输出扭矩。R² 0.98。挺好看。可我让他们把模型拿到另一台旧减速机上试。直接崩了。预测偏差快 30%。
为什么？训练数据全来自新机器，跑合充分，润滑状态稳定。旧机器齿面有磨损，间隙也变了。模型学到的其实是“这台新机器在这个实验台上的映射”。换一台，映射失效。工业数据建模里，这叫分布外泛化。名字很学术。现场叫：不靠谱。
我没急着讲概念。我让他们把旧机器数据按时间切开，前 70% 训练，后 30% 测试。再做一次。结果还是差。但这次他们自己发现了：温度变量在旧机器上漂移得厉害。于是加了一个温升修正项。不是万能，但至少模型开始承认，机器会老。
这个环节我特别喜欢。因为它打破了“调参万能”的幻觉。数据建模的边界，往往不是算法边界，而是你对机器理解的边界。
四、我把作业改成了一个能解释的模型
现在的课程设计，我要求三样东西：一个基线模型，一个机理约束，一个失败案例。
基线模型可以很简单。线性回归也行。先跑通，先看残差。机理约束，哪怕只是一条经验公式，比如效率随温度升高先升后降，也能帮模型少走弯路。失败案例更重要。你得记录：哪一组工况让模型崩了？为什么崩？是传感器饱和，还是工况没覆盖，还是特征漂移？
有学生吐槽，这像在写事故报告。我说，对啊。工业数据建模，本来就不是一次漂亮的考试。它更像是给机器写病历。你得知道它什么时候健康，什么时候发烧，什么时候在硬撑。
前两天，那个之前愣住的学生来找我。他说，老师，我把测点表重新画了一遍，发现之前有个加速度传感器装反了。方向反了，特征全拧了。我问他，模型呢？他说，删了。重跑。我笑了。这次的笑，和上周三不一样。
工业数据建模这门课，教到后面，我越来越少讲模型。更多时候，我站在实验台旁边，看他们拧螺丝、贴传感器、对着转速表发呆。那些瞬间很慢，很琐碎。但数据就是从那里来的。模型也是。
