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。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。
周日晚上，设备运行第七十二小时。
轴承的杂音已经很明显，像砂纸在轻轻摩擦金属。王海决定，明天一早必须停机更换。再运行下去，风险太大了。
小陈的算法经过三天学习，已经初见成效。在设备当前状态下，能将装配精度稳定在0006毫米左右，比不补偿时提高了0001毫米。
虽然离理想的0005毫米还有差距，但考虑到轴承的磨损状态，这个结果已经不错了。
更重要的是，算法展现出了潜力，随着学习数据增多，补偿效果还在缓慢提升。如果换上全新轴承，配合已经初步训练好的算法，精度有望突破0005毫米大关。
周一一早，七点整。
设备在完成最后一个测试循环后，平稳停机。王海带着维修小组立刻开始工作。拆卸防护罩，松开紧固螺栓，取出磨损的轴承，清洁安装部位，装入新轴承，调整预紧力，每一个步骤都有条不紊。
老师傅的手艺在这种时候体现得淋漓尽致。不用扭力扳手，王海凭手感就能把螺栓拧到最佳紧固状态。不用测量仪器，他能通过敲击声判断装配是否到位。
这就是工业经验，学校里学不到，书本里写不清，只能在日复一日的实践中积累。
上午十点，十二个轴承全部更换完毕。设备重新上电，进入冷机状态。
下午两点，设备温度稳定，开始重新标定。
这是最关键的一步。新轴承的游隙、刚度、摩擦特性都与旧轴承不同，整个传动链的动力学特性都变了。之前的补偿参数大部分需要重新标定。
小陈启动了自动标定程序。设备将在工作空间内进行系统扫描，采集数万个点的位置和力数据，建立新的误差模型。
这个过程需要六小时。
六小时里，所有人都在等待。车间里安静得能听见自己的心跳。
小陈坐在电脑前，盯着进度条。始，缓慢爬升。，每一个百分点都需要采集数百个数据点，进行复杂的矩阵运算。
韩博在整理这三天收集的所有数据，分类归档，建立知识库。这些数据记录了一台设备从新到旧、再从旧到新的完整变化过程，对理解设备长期运行的特性规律极其宝贵。
王海在检查新轴承的运行状态，用各种方法验证装配质量。旋转手感、温升曲线、振动频谱，他要确保这次更换万无一失。
林凡在车间里踱步，手机不时震动。有供应商的电话，有客户的咨询，有政府部门的会议通知，他简短处理，然后继续踱步。
时间在等待中变得粘稠。
小陈突然发现异常。屏幕上，某个区域的标定数据出现严重离散，几个相邻点的误差值相差很大，不符合正常规律。
他暂停程序，手动检查那个区域。设备