去年秋天，车间传动轴故障差点搞停整条生产线。还记得凌晨三点被电话叫醒——那种滋味，干过运维的都懂。事后我们技术组复盘，发现振动数据在故障前三周就出现奇异尖峰了。可惜没人 24 小时盯着频谱图看。于是大家第一次认真考虑机器学习。

说实话，一开始我是抗拒的。又是什么时髦概念吧？教授们灌水论文的玩意儿，真搁到满是油污和噪声的车间里能顶用？然而——打脸来得很快。

预测性维护：做对了，比老法师还灵

我们先是拿那个传动轴的半年数据喂了个模型。简单得很，就用 Python 的 scikit-learn，随机森林。没调参，没做特征工程，原始振动信号的均方根值和峭度扔进去。结果呢？模型不光完美标记了故障前那段异常区间，还提前 11 天给出了明确预警。11 天！足够从容安排停机更换，还不影响交货期。

工业预测性维护振动频谱对比图

后续又扩展到空压机、冷却水泵。现在系统每 10 分钟抓一次数据，模型在后台默默打分。一旦异常概率超过 0.85，自动推钉钉消息。上个月有台泵轴承保持架碎裂，模型提前 8 天就发出尖叫预警了。负责运维的老张说，这东西比某些年轻工程师还靠谱——当然，这话不好当着年轻人面讲。

不过话说回来，机器学习在工业落地最大的坑，根本不是算法。是数据。拿我们空压机举例，传感器数据时断时续，还有不少错标签：明明那天设备检修，记录里却写着正常运行。这种脏数据灌进去，模型能不抽风吗？清洗、对齐、重采样，折腾了一个多月。所以说，搞预测维护的同行们，一定要先把数据基建夯牢。

视觉检测：让瑕疵无处可逃

另一个让我记忆犹新的应用是冲压件外观缺陷检测。以前靠人眼，质检员盯着传送带，时不时翻个零件看——说实话，下午两三点最容易漏。一次客户投诉，说钣金边缘有细微开裂，我们赔了一笔钱不说，还差点丢掉订单。

后来上了套基于卷积神经网络的视觉系统，配合高速线扫相机。模型是在 ImageNet 预训练过的 ResNet，用我们自己积累的缺陷样本做微调。第一批训练数据才两千来张图，裂纹、划痕、凹坑三类。准确率很快爬到 97%，但召回只有 82%——就是很多缺陷它找不到。

工业视觉检测冲压件裂纹样本标注图

后来怎么提升？一句话：数据增强。翻转、旋转、加噪声、模拟不同光照，硬生生扩到两万张。召回率一口气提到 94%，同时误报率没怎么涨。现在那套系统每天自动拦截 20 到 30 个不良件，比最顶真的老师傅还眼尖。有意思的是，有一次光照突然变化，模型竟也扛住了，这让我对深度学习泛化能力多了一点信心。

问：视觉检测模型上线后是不是就一劳永逸了？会不会老得太快？

答：想得美。模型会老化。原材料批次不同，模具磨损，甚至车间换了灯管，特征分布都会漂移。我们每两周抽检一次模型表现，用新积累的样本持续微调。有时还要重训。所以得把 MLOps 那套持续监控、持续集成的流程建起来，不然三个月后性能掉到不可接受，你还浑然不觉。这才是工业里最磨人的地方。

工艺优化：参数调节不再靠拍脑袋

工艺优化：参数调节不再靠拍脑袋

机床加工参数的调节，传统方法高度依赖老师傅经验。好比铣削一个 316L 不锈钢异形件，转速、进给、切深，排列组合无数。过去试切浪费一堆料，现在用贝叶斯优化或强化学习，能快速逼近最优区域。

我们做过一个实验：一台五轴加工中心，用历史加工数据和实时功率、振动信号训练一个表面粗糙度预测模型，然后让多目标优化算法同时考虑加工效率、刀具寿命和表面质量。结果令人兴奋——在保证粗糙度 Ra≤0.8 的前提下，加工节拍缩短了 15%。刀具成本反而降了 10%，因为切削力更平稳了。这种非线性的甜点，靠人是很难摸到的。

问：机器学习优化工艺，是不是需要大量试错数据？对我们小批量、多品种模式有用吗？

答：这就是迁移学习发光的地方。如果你有个基础模型在相似材料或相似结构上学过，少量新样本就能适配。哪怕只有二三十个数据点，也能给出比瞎调好得多的方向。不过坦诚讲，完全黑箱优化对小批量还是有风险的，所以我们现在让算法推荐参数区间，最终微调还是工程师拍板。人机结合，双保险。

机器学习在工业界真正的壁垒不是理论，是领域知识和数据工程的深度耦合。你既要懂机理模型，又要能摆弄数据；既不能迷信算法，也不可固守经验。这大概就是为什么工业 AI 落地慢——太复合了。

最后聊点虚的：不要一上来就搞数字孪生、工业大脑那些大词儿。先挑一个痛点多、数据相对好的点，扎进去做出效果，让人看见。我们就是从预测传动轴故障这么个不起眼的项目开始，一步步把信心滚起来的。

话说，你在工厂里用上机器学习了吗？踩过什么坑？欢迎留言聊聊。