周五上午九点，设备连续运行第二十四小时。
小陈揉着发胀的太阳穴站在控制台前，屏幕上的数据流让他既兴奋又焦虑。兴奋的是，自适应算法已经开始工作，虽然还在初级学习阶段，但已经能看出效果，那条缓慢下滑的精度曲线，下滑速度明显减慢了。
焦虑的是，设备状态正在逼近临界点。
振动频谱图上，那些中高频尖峰的能量在持续增长。虽然增长很缓慢，但趋势明确。王海拿着听诊器一样的机械听诊器，贴在设备的关键部位听音，眉头越皱越紧。
声音不对。他直起身，轴承有杂音，很轻微，但确实有。
韩博调出轴承的监测数据：温度正常，振动加速度值在允许范围内。但，你看这个。
他指着频谱图上800赫兹附近的一个微小突起：这个频率是轴承外圈故障的特征频率之一。虽然现在能量还很小，但说明轴承已经开始出现早期磨损。
小陈心里一沉。高精度设备最怕的就是轴承问题。轴承一旦开始磨损，游隙变大，整个传动链的精度都会受到影响。而且这种磨损是不可逆的，只能更换。
问题是，这台设备用的是进口高速精密轴承，单个价格就要三千多。整台设备用了十二个这样的轴承，全换就是将近四万。
更重要的是时间——订货周期至少两周。
咱们库存有备件吗？小陈问。
王海摇头：这种高精度轴承咱们平时用不到，没备库存。就算现在下单，最快也要下下周才能到。
下下周，那就是十三天以后。
设备还能坚持多久？韩博问。
王海又听了一遍轴承的声音，经验判断：如果不降负载，一直高速运行，可能……还能撑三天。三天后杂音会明显增大，精度会急剧下降。
三天。小陈脑子飞快计算。三天时间，他的自适应算法能学到什么程度？设备在这三天里能采集到足够的数据吗？三天后轴承真坏了，停机更换要多久？更换后重新标定要多久？
一连串问题，每一个都紧迫。
林凡走进车间时，看到的就是这样一副景象，所有人围在设备旁，表情凝重得像在参加葬礼。
听完汇报，林凡沉默了几秒：轴承必须换，但现在不能停。三天，我们还有三天时间。这三天，设备继续运行，采集所有能采集的数据。三天后，停机换轴承，同时小陈的算法应该也学得差不多了，正好用新轴承做验证。
王海担忧：可是厂长，万一轴承在运行中突然失效，可能会损坏其他部件。
那就加强监测。林凡说，每半小时检查一次轴承状态，一有恶化迹象立刻停机。另外，准备一套应急预案，万一真坏了，怎么以最快速度更换，把停机时间压缩到最短。
他看向小陈：三天，你的算法能做到什么程度？
小陈深吸一口气：如果数据质量好，三天应该能完成核心学习阶段。但离完全成熟还有距离。
够用了。林凡说，先解决有无问题，再解决好坏问题。
命令下达，车间再次调整节奏。
监测频次加密，每半小时一次全面检查。应急预案制定出来，更换轴承需要的工具、材料、人员分工都明确到人。小陈的算法进入加速学习模式，设备运行的所有数据都被标记、分类、输入模型。
时间在紧绷的状态下缓慢流逝。
周六下午，设备运行第四十八小时。
轴承的杂音开始变得明显，不用听诊器也能隐约听到。精度曲线下滑速度再次加快，自适应算法的学习速度似乎赶不上硬件退化速度。
小陈盯着屏幕上两条曲线，一条是实测精度，一条是算法预测精度。两条线原本在缓慢靠近，但现在又开始拉开距离。
算法学得不够快。他喃喃自语。
韩博走过来：是不是模型太复杂了？学习参数太多，需要的数据量太大？
有可能。小陈调出模型结构，这是一个有三百多个可调参数的深度神经网络。理论上，这种模型能拟合非常复杂的非线性关系，但也需要海量数据来训练。
三天时间，对三百个参数来说，太短了。
简化模型。小陈做出决定，抓住主要矛盾，先解决80%的问题。
他开始删减网络层数，减少参数数量。从三百个参数压缩到一百五十个，再从一百五十个压缩到八十个。每删减一层，模型复杂度就降低一档，但拟合能力也下降一档。
就像做选择题，要精度，还是要速度？要完美的理论模型，还是要能在有限时间内见效的实用方案？
小陈选择了后者。
新模型编译完成，重新部署。学习速度明显加快，精度曲线的下滑趋势再次被抑制。
但代价是，模型对一些极端工况的适应性变差了。设备运行到某些特殊位置时，补偿效果会打折扣。
先解决主要矛盾。小陈对自己说，剩下的20%，以后慢慢优化。
周日晚上，设备运行第七十二小时。
本小章还未完，请点击下一页继续阅读后面精彩内容！
喜欢1980：我的声望能换万物请大家收藏：(www.qbxsw.com)1980：我的声望能换万物全本小说网更新速度全网最快。