把AI当万能膏药的通病
这组选题就是做传送带传动机构故障诊断，提前两周跟我拍胸脯说不用传统方法，要用AI做，准确率能拉满。我当时没拦着，让他们试。结果呢，拿网上公开的工业故障数据集训练，跑出来准确率97%，往我们实验室那台用了快十年的旧传送带上一套，直接瞎了。明明齿轮磨了半圈，模型说设备运行正常。说实话，我看完一点都不意外。学生碰AI的第一个坑永远不是调参，是忘了设备诊断的根在懂设备。这帮孩子，连自己用的传送带齿轮齿数都没算过，啮合频率是多少张口就错，直接把整段原始振动信号不加处理丢进模型，传感器零点漂移带来的直流分量盖过了故障的低频信号，训练再好的模型也抓不到有效特征。可不就瞎了嘛。
我当时没给答案，就让他们拆。拆一次松一颗螺栓，再装回去测，拆一次磨半颗齿轮，再装回去测，拆一次换个磨损的旧轴承，再测。一周之后来找我，都蔫了，说原来自己标注的样本错了快三分之一。
改了要求之后的惊喜
不过话说回来，这次之后我直接改了下一届课程设计的要求。原来要求是“基于给定数据集完成AI设备诊断模型设计”，现在改成了“自己拆装三次设备，自己采集标注数据，再完成模型”。一开始教研室还有老同事说，本来课时就不够，折腾这个干嘛？给现成的数据集多省时间。
我试了一个学期，发现太值了。上个月有个学生，原来泡在图书馆调了两周参，模型准确率死活上不去，急得嘴上起泡。后来按着新要求，逼着他一步步算齿轮的故障特征频率，算完才发现，自己把故障样本标注反了——把齿根磨损标成了齿面磨损，差了快一倍的特征频率，AI能对才怪。改完标注再跑模型，准确率直接冲到95%以上。那孩子当时拍桌子说，原来学AI设备诊断，第一步不是开pycharm，是拿扳手拧螺丝啊。
我原来也觉得，AI是新东西，直接用现成的数据集教就行。现在才发现，错了。不管啥AI，落到设备诊断上，你不摸设备，不知道你的设备和训练用的设备有什么不一样，不知道传感器装在轴承座和装在机架上信号差多少，那AI就是空中楼阁。
AI到底该补哪块短板
传统设备诊断的好处是什么？你知道故障为什么会发生，哪块出问题对应什么特征，机理讲得清楚，用在单一故障上准得很。但碰到复合故障呢？比如轴承磨了，同时传送带松了，两个故障的振动信号叠在一起，传统方法拆分特征拆半天，还不一定对。
这时候AI就好用了。你把标注好的多故障样本丢进去，它自己能把耦合的特征拆出来，帮你定位故障，比人快多了。原来我带学生做设计，碰到复合故障，一半的时间都用来拆特征，现在有AI，学生能省出时间去摸更多不同的故障状态，反而对设备理解更深了。
前几天碰到那个最开始吵架组的组长，现在已经去读研了，跟我说当时那个设计改完之后，最大的收获不是做出来一个AI模型，是知道了工具是给人用的。你得先知道自己要找什么故障，知道设备的脾气，才能让AI给你干活，反过来让AI牵着你走，肯定出问题。
这话我记下来了。下次开课，第一节课我就把那台旧传送带推到教室，让每个学生上去摸一摸磨损的齿轮，晃一晃松了的轴承，再打开电脑讲AI。
毕竟，诊断的是设备，不是数据。对吧。
