工作职责
- 分析磁场时间序列与采集条件,设计同步、滤波、干扰抑制及数据质量判断方法。
- 研究时域、频域与时频域特征,建立运行事件检测、特征提取与异常模式识别算法。
- 建设规则、统计方法和机器学习基线,分析误报、漏报及不同工况下的失效原因。
- 按采集场次、车辆与场地组织训练和评估数据,控制数据泄漏,评估跨场地和跨工况泛化能力。
- 与嵌入式工程师完成算法移植和运行性能优化,核对离线分析与设备端输出的一致性。
- 参与现场数据分析,区分传感质量问题与模型问题,向产品团队说明输出含义和适用条件。
任职要求
- 硕士及以上学历,信号与信息处理、电子信息、计算机科学与技术、控制科学与工程、应用数学等相关专业。
- 具有两年及以上信号处理、时间序列分析或机器学习项目经历,能独立完成数据分析和算法评估;相关研究课题经历可计入。
- 掌握数字信号处理、概率统计及统计学习,熟悉采样、谱分析、滤波和时频分析。
- 熟练使用 Python、NumPy、SciPy 及至少一种机器学习框架,能够编写可复现的分析与训练代码。
- 理解数据划分、类别不平衡、评价指标和泛化误差,能用实验解释模型表现并提出改进方向。
- 具备算法工程化意识,能够与传感和嵌入式团队讨论数据接口、计算资源和部署约束。
加分项
- 有机械状态监测、振动分析或工业异常检测经验。
- 有磁场等低信噪比传感数据处理经验。
- 熟悉 C++、ONNX 或边缘设备模型部署。
成长与协作
算法工作会接触传感器、发动机信号与现场应用。你可以与实验研发同事一起追溯数据来源,也可以参与模型在设备上的实现,在物理理解和算法能力之间建立更紧密的联系。
岗位与申请信息
欢迎将简历及相关项目经历发送至 hr@parkneural.com,邮件标题使用“姓名+岗位方向”。人才团队统一接收并与适合的候选人联系。