林海报了几个关键值。穆勒听完，点点头：“很基础的设定。那么，你们想展示什么异常？”

单刀直入。

林海看了陆晨一眼，陆晨微微颔首。

“我们模拟两种异常。”林海操作控制面板，“第一种，送粉管轻微局部堵塞，导致粉末流量周期性波动。第二种，冷却气流受到意外干扰，导致羽流温度场轻微畸变。两种异常都将同步引入。”

“开始吧。”穆勒简单地说，目光已经锁定在“谛听”的显示屏上。

演示开始。正常的喷涂信号频谱在屏幕上展开，健康度稳定在92%。半分钟后，第一种异常引入。屏幕上代表粉末流量反馈的曲线出现微弱波动，但仍在工艺允许的公差带内。传统的监控系统很可能忽略。

但“谛听”的瀑布图上，某个特定频段的能量出现了同步的、细微的周期性增强。三秒后，健康度下降至87%，系统标记出“粉末输送稳定性轻微下降”，并附上一个概率值（68%）。

小主，

“判断依据？”穆勒问。

林海切换界面，展示算法分解视图：“我们监测的不是流量计读数，而是等离子羽流电磁辐射频谱中，与粉末流特征强相关的几个谐波分量。流量波动改变了粉末在羽流中的分布和加热状态，这些谐波分量的能量比例随之改变。我们的模型从历史数据中学习到了这种映射关系。”

穆勒不置可否，只是示意继续。

第二种异常引入。这一次，信号的变化更加隐蔽。健康度缓慢下滑至84%，系统提示“检测到羽流对称性可能偏离”，并标注了偏离的方向。

“这个判断的置信度看起来不高。”穆勒的助理开口，声音冷静。

“是的，因为单一信号源证据较弱。”林海承认，然后切换画面，“但当我们结合工件上两个辅助声发射传感器的数据，进行多源信息融合后——”

另一个窗口弹出，显示声信号频谱的时变图。在特定方向，出现了异常的微弱高频分量。

“——置信度提升至79%。我们推断，冷却气流干扰导致了羽流向一侧轻微偏斜，使得高温区域在工件表面移动不对称，引发了局部热应力的微小变化，这种变化被声发射传感器捕捉到。”

穆勒向前走了一步，更靠近屏幕。他盯着那融合后的判断依据链，看了足足十几秒钟。

“所以，你们的核心不是测量温度、流量或位置，”他缓缓说道，语气里第一次有了些微的起伏，“而是测量这些物理量变化所引发的次级效应——电磁谱的变化、声波的变化——然后反向推断根源。”

“我们试图理解‘状态’，而不仅仅是测量‘参数’。”陆晨接话，“在复杂的工业现场，直接测量关键参数往往困难或昂贵，但工艺状态的任何实质性变化，几乎总会留下多重蛛丝马迹。我们的工作是找到并解读这些痕迹。”

穆勒转过身，看着陆晨：“一种基于相关性的、黑箱式的推断。如果工艺条件剧烈变化，或者遇到全新的材料体系，你们的模型如何应对？”

“这正是我们开发‘深度自适应学习模块’的原因。”林海接过话头，调出另一个演示界面（隐去了“九天”具体信息），“在最近一次极端复杂工况的测试中，我们遇到了系统从未学习过的异常模式——工件局部结构共振与工艺信号的耦合。传统模型失效。但我们允许系统在有限的新数据基础上，进行在线的小样本强化学习。”

他展示了简化后的学习过程：系统最初将共振信号误判为过热，但在结合结构位置信息并分析其时间演化模式后，它逐步调整了内部特征权重，最终将这种新模式识别为独立的“结构共振风险”，并建立了初步的预警逻辑。

“学习过程是可解释的吗？”穆勒追问。

“部分可解释。我们会强制模型保留关键特征与输出之间的逻辑关联路径，避免完全的黑箱。但必须承认，深度神经网络的某些中间层决策，仍然存在模糊性。”林海回答得很坦诚，“我们正在探索引入简化物理模型作为约束，引导学习方向，提高可解释性。这是我们下一步的重点。”

穆勒沉默了。他背着手，在演示平台前缓缓踱步。实验室里只剩下机器运转的低鸣。

“汉斯告诉我，你们的路子和科瓦茨很不一样。”他终于再次开口，不是提问，更像自言自语，“科瓦茨追求把每一个传感器做到极致，测量分辨率提高一个数量级，温度误差降低到正负一度，位置精度达到微米。我们认为，只要测量够准，问题就能被定义和解决。”