岗位职责：
1. 预测性维护算法开发与落地：针对注塑机、冲压机、弧焊、激光焊、机器人、电机等制造设备，设计并开发状态监测、故障诊断与剩余寿命预测算法，支撑设备从"事后维修"向"预测性维护"转型。
2. 状态监测与异常检测：基于振动、温度、电流、声学等多源传感器数据，开发实时状态监测模型与异常检测算法，实现设备健康状态的在线评估与早期预警。
3. 故障诊断与知识库建设：构建设备故障诊断模型，结合设备机理与历史故障数据，建立故障诊断知识库，实现故障类型识别、根因定位与维修建议的智能推送。
4. 剩余寿命预测（RUL）：开发设备关键部件的剩余寿命预测算法，包括基于统计模型、机器学习和深度学习的寿命预测方法，为预防性维护计划提供决策依据。
5. 项目落地与效果验证：主导或参与产线级预测性维护项目，负责算法方案设计、模型训练、部署上线与效果验证，量化设备可用率提升、非计划停机减少等核心指标。
6. 跨团队协作：与设备、工艺、维修、IT等团队协作，推动数据采集方案制定、模型部署与现场验证，确保预测性维护方案可落地、可复制、可迭代。
基本要求
学历专业：本科及以上学历，机械工程、自动化、电气工程、控制科学与工程、计算机科学与技术、应用数学、工业工程等理工科相关专业。
工作经验：
· 本科学历：5年及以上工业制造领域预测性维护、设备健康管理或相关算法开发工作经验；
· 硕士研究生学历：3年及以上相关工作经验。
项目经验：主导或深度参与过 2 个及以上完整的预测性维护算法开发项目，覆盖状态监测、故障诊断或寿命预测等核心方向，具备从数据采集、算法设计到现场部署验证的完整闭环经验。
技能要求
· 预测性维护算法能力：熟练掌握状态监测、异常检测、故障诊断、剩余寿命预测（RUL）等预测性维护核心算法，能够根据设备特性与数据条件选择合适的技术路线。
· 信号处理与特征工程：熟练掌握振动、温度、电流、声学等时序信号的处理方法，包括时域分析、频域分析、时频分析（小波变换、EMD等）、特征提取与选择等。
· 机器学习与深度学习：熟悉常用机器学习算法（例如SVM、随机森林、XGBoost等）和深度学习方法（例如CNN、LSTM、Transformer、自编码器等）在设备健康评估与故障诊断中的应用。
·
编程与工具：熟练使用 Python 进行算法开发与建模，掌握常见的数据处理、模型训练、评估与可视化工具（如
NumPy、Pandas、Scikit-learn、PyTorch/TensorFlow 等）。
· 工程落地能力：具备良好的工程落地意识，能够将算法方案转化为可部署的预测性维护系统，了解模型部署、性能优化与在线推理相关技术。
· 沟通协作：具备良好的跨团队沟通能力，能够与设备、维修、工艺、IT等不同背景的同事高效协作，推动项目落地。
加分项
· 熟悉注塑机、冲压机、弧焊、激光焊、机器人、电机等制造设备的工作机理与常见故障模式，有相关设备维护或诊断经验者优先。
· 熟悉工业现场常见传感器与数据采集方案，如振动传感器、温度传感器、电流互感器等，了解 PLC、OPC/UA、ModBus 等通讯协议者优先。
· 有预测性维护相关专利、论文或行业认证者优先。
· 有汽车零部件行业从业经验，熟悉汽车制造设备与产线特点者优先。
