“我一直以为，十一号工程脉动生产线的效率达不到预期指标，是因为我没能调控好各个环节的工时分系数。”

姚梦娜喝了，最后总结。

最后只不过是从工人到工位上去检查，变成了拍照片，然后再由工人对着照片检查。

姚梦娜提的这个问题，对于常浩南来说，不难理解。

如果真到姚梦娜所设想的那样全自动化生产，那就是工业40了。

姚梦娜也在112厂完成了第一阶段的产能爬坡任务，把歼11的产量提了大概三分之一。

实际上，他此时就面临着无法从大量繁杂信息中提取有价值信息的困境。

“但后来我发现，其实问题在于整个总装过程，尤其是每一个环节之后的质量检测过程数据量太大，而且不同检测环节所输的关键数据不同，导致这个步骤本没办法用自动化系统解决，虽然录了电脑，但最后还是靠人工检查……”

小学和中学时候的应用题，大上就是这样。

“所以，我觉得……只有用计算机代替人来完成这个过程，才能完全发挥脉动生产线的理论潜力！”

但不可能完全实现这一整东西，并不意味着其中没有可以作为突破的分。

刚刚摘掉帽换上实验服的姚梦娜坐到常浩南办公桌对面的椅上。

在1999年这个时间上，显然不大现实。

“信息……”

反倒多费了一遍事。

比如数据挖掘和信息检索，就是千禧年附近很火的研究方向。

照之前的约定，常浩南需要给她准备一个新的课题。

常浩南抬起。

其心目的是从海量数据库和大量繁杂信息中提取有价值的知识，并一步提信息的利用率。

对于造船这动辄以年计数的周期行业来说，显然并不关键。

在理想化的模型中，最好是一个数据就可以确且唯一地描述一个义。

而对于稍复杂一些的况来说，要完全描述一个义，往往需要一组数据。

“常教授，我发现了一个问题。”

……

“我发现，我之前走到了一个思维误区里面。”

姚梦娜眉轻蹙，显然是在因为某些事而困扰：

简单来说，就是虽然在产线上加了大量传，但传传回来的数据却因为过于复杂而不容易被直接分析。

尤其是如变形量、平整度、尺寸契合度、铆接过程的漏铆、复铆等问题，产生的数据维度很。

例如漏铆，会在铆孔的位置留一个，对于人来说就是看一的事，但对于自动化设备来说，却很难行识别。

不过，这一次，姚梦娜却是自己带着问题回来的。

“什么问题？”

只不过上一世买回来的瓦良格号真的只有个船壳，上面属实没什么还能被一步破坏的东西，所以没遭到什么实际损失，只是比较丢脸。

真要说起来的话，这涉及到文本挖掘、数据可视化、信息检索、数据挖掘、机学习乃至人工智能等一系列问题。

8月末，随着校的新学期陆续开始，常浩南的工作重心逐渐从企业理转回到了实验室里面。

形学习

实际上，在常浩南重生之前，飞机设计和制造领域已经开始应用这方面的技术，他本人也接过不少。

常浩南并没有着急，而是一边听着姚梦娜略显混的解释，一边在脑里梳理着对方要表达的意思。

但当年的他作为一个工科的普通技术人员，并没有太多理论功底。

在原来的时间线上，瓦良格号在被拖回国的过程中，就遇到过好几次国外人员试图非法行登舰的况，甚至还成功过。

但是，计划赶不上变化。

这就导致如今他脑里空有一大堆名词，但却不知哪個是破局的关键——

本来，照常浩南的想法，既然瓦良格号启程回国的时间会略微延后，那么国庆之前应该就不会有太多事了。

本章已阅读完毕(请击一章继续阅读!)

只是很难解决。

而系统，则首先需要构建一个完整且可行的思路来。

至于拆卸、接和转运要消耗大约1-2个月时间……

常浩南从旁边扯过一张纸，在纸的最中间写了两个字。

但如今徐平曾保住了不少关键设备和资料，目前都放在船上，如果被夺取或者破坏，那可就亏大了。

实际生活中面临的，其实大多数也是这问题。

也就是一维数据。