1.核心算法研发：围绕设备预测性维护、智能故障诊断与健康管理（PHM）等场景，设计、开发并优化时序预测、异常检测、模式识别及寿命预测等算法模型。 2.数据挖掘与特征工程：基于振动、温度、电流、油液等多源传感器和PLC采集的海量时序数据，进行清洗、探索性分析和特征构建，挖掘设备劣化规律。 3.模型工程化落地：将算法模型进行工程化封装，配合软件开发团队完成模型部署至边缘端或云端，并建立自动化训练、评估与监控更新的流水线。 4.数字孪生与仿真验证：参与设备数字孪生模型的数据驱动部分构建，利用历史与实时数据进行算法仿真验证，提升模型泛化能力和鲁棒性。 5.技术文档与知识沉淀：编写算法设计说明书、测试报告及运维手册，形成可复用的算法组件库和设备智能化知识库。 6.前沿技术跟踪：持续跟进工业AI、时序大模型、自监督学习等前沿技术，定期在团队内分享，并将可行技术引入实际项目，推动系统技术领先性。 （应届生储备方向） 在导师指导下，参与设备状态监测、故障预警等场景的数据清洗、特征提取和基础建模工作。 学习并复现典型时序预测、异常检测算法，利用历史数据完成模型训练与效果验证。 协助算法工程师进行模型工程化封装、部署和接口联调，理解从开发到上线的全流程。 参与技术方案讨论、文档撰写和实验记录，逐步建立设备智能化领域的工程思维。 跟踪阅读相关领域论文或技术博客，定期进行内部分享，推动团队新知识吸收。 1.学历与专业：硕士及以上学历，计算机、自动化、电子、数学、统计学等相关专业。 2.理论基础：扎实的机器学习和深度学习基础知识，熟悉常用回归、分类、聚类、序列模型原理。了解信号处理基本概念或时间序列分析者优先。 3.工程基础：熟练使用Python，掌握NumPy、Pandas等数据处理库，了解Scikit-learn或PyTorch/TensorFlow基本用法。有课程设计、竞赛或实验室项目中运用算法解决实际问题的经历。 4.综合素质：逻辑清晰，善于学习，愿意深入工业设备智能管理这一交叉领域。良好的沟通习惯和团队协作意识，能主动寻求指导并承担工作。 5.加分项：了解工业物联网、设备故障诊断或PHM概念；熟悉Linux基本操作和Git协作流程；有科研论文复现或开源项目贡献经验。