1、需求分析与方案设计：深入冶金生产现场（如炼铁、炼钢、轧钢等区域），与设备维修、点检、巡检团队紧密合作，理解业务痛点，将模糊的运维需求转化为具体的、可实施的算法解决方案。 2、算法开发与模型构建： 1)机器视觉方向：开发针对冶金运营服务的视觉算法，如：设备状态视觉监测、安全行为识别、物料状态识别等； 2）设备状态监测方向：开发基于多源传感器数据（振动、温度、电流、噪声等）的时序分析算法，如：构建旋转设备（电机、风机、泵、减速机）的健康状态指标，实现早期异常预警，开发故障诊断模型，对常见的设备故障（不平衡、不对中、轴承损坏、齿轮损伤）进行模式识别与根因分析，融合视觉数据与传感器数据，进行综合诊断。 3）数据工程与模型部署：负责或协同完成工业数据的采集、清洗、标注与管理。将开发验证后的模型进行工程化转化，部署到边缘计算设备或云平台，实现与现有巡检系统、设备管理系统（EAM）或工业互联网平台集成。 3、模型优化与持续迭代：监控线上模型性能，根据现场反馈和生产数据持续优化算法，确保其在实际复杂环境下的准确性、鲁棒性和实时性。 4、技术沉淀与知识传递：编写技术文档，形成标准化的算法应用案例库，并向运维团队提供技术培训，赋能一线人员理解和使用算法工具。"