说实话，这几年工业AI的文章我看了不少，大多是拿着某条产线的数据跑一遍preprint模型，准确率99.7%，然后收工。但真正的车间里，AI算法往往连第一次联调都撑不过。
数据清洗——AI落地第一道坎
很多工程师以为搞AI就是堆算力、堆网络深度，可现实是，输入的数据本身就是个笑话。我在某汽车零部件厂做过一个项目，用AI检测刀具磨损。振动传感器装在刀架上，旁边就是一台频繁启停的伺服电机，那电磁脉冲在采集信号里砸出一条条毛刺。一开始我直接用原始波形训练卷积网络，验证集惨不忍睹，损失下不去。后来才发现是接地回路的问题，换了个隔离放大器，瞬间好了。这跟算法有关系吗？半毛钱关系没有。但这就是工程。
更烦人的是数据标注。老师傅在标签页上画圈的功夫，够我喝三杯茶。你让他精确标注“磨损起始点”？他直接翻白眼。所以我们后来玩了个投机取巧的办法，用包络谱的峰值频率偏移来自动生成伪标签，再用人工抽检去修正。说实话，这个办法挺野的，但管用。
轴承故障诊断的实战案例——别迷信深度学习
拿最经典的轴承故障来说。用加速度传感器以12000Hz采样，然后按ISO 10816标准计算振动速度均方根值。但这东西故障早期根本看不出变化，还是得上包络解调。
我们试过几种模型：随机森林、XGBoost、还有1D-CNN。效果出乎意料，随机森林在特征工程做扎实的情况下，准确率能比CNN高出一截。有个数据点让我特别懊恼——我们费了三天时间调CNN结构，最后发现随机森林加一组基于包络谱的峰值统计特征，直接碾压了。所以说，工业场景里，先尝试经典机器学习模型，总是对的。别一上来就端出Transformer，那玩意儿在设备故障诊断上不一定比带通滤波加Hilbert变换管用。
对了，验证方法也很有意思。用常规的k-fold可能出错，因为同一个设备在不同转速下采集的数据有相关性。要用分组k-fold，按设备实例分组，否则模型会偷看答案。
视觉检测：看起来很美，做起来想哭
比振动信号更折磨人的是视觉检测。某发动机缸盖生产线上，我们做缺陷检测，铸件表面有时候带水渍、油污，反光得厉害。相机拍了图像，标注缺陷区域，结果那缺陷跟背景灰度几乎一样，算法学了个寂寞。后来把光源改成低角度环形光，又加了偏振片，总算把裂纹从背景里剥出来。可见，很多视觉项目，真正的问题不是模型，是光学。
就算成像搞定了，缺陷样本的数量也让人绝望。正常情况下，一百万个零件里才出几十个气孔缺陷，你拿什么训练？这时候就得靠半监督学习，或者说用合成数据做预训练。我们搞过用GAN生成带缺陷的缸盖图像，虽然一眼假，但作为预训练数据，确实把阈值往下拉了些。
模型部署——算力与延迟的妥协
训练完模型还很开心，等拿到现场才傻眼。车间的工控机还是五年前的老古董，CPU算个卷积都气喘吁吁。模型推理一次需要200毫秒，而产线节拍只有50毫秒——这怎么可能跟得上？
没办法，只能做模型压缩。把三层LSTM换成GRU，再量化到INT8，最后用OpenVINO加速，总算把推理时间压到35毫秒。但代价是精度掉了0.8%。而且，你要知道，0.8%的下降在缺料报警这类场景可能没感觉，但在高价值刀具保护上，就意味着多报废几把刀。这里头的权衡，只有干过的人懂。
还有边缘计算和云端的矛盾。有些厂非要上云，说自己要搞工业大脑。真到推起来，网络抖动200毫秒，直接超时。所以我还是那句话：能本地算的，绝对别上云。除非保密级别低到不需要考虑。
与老师傅的默契
说到底，你算法再厉害，也得让车间老师傅认账。我们那会儿，系统预警说主轴轴承有早期故障，置信度0.87，老师傅拿听音棒听了半天，说没问题。结果又过了两周，轴承温度飙升，才知道AI是对的。但从此以后老师傅也不服气，说你是凑巧。
后来我们让老师傅参与标注，把诊断结果打印成报表，附上频谱图，再配合现场的声音样本，慢慢建立信任。说白了，工业AI不是取代老师傅，而是给他们的经验加个量化边界。
写这篇东西，不是想教你什么高深的算法，就是分享一下踩坑经历。工业AI算法，说到底，得在车间里能喘气、能干活，才算数。不然再华丽的模型，也不过是PPT上的一页插图罢了。
