職責要求:
1.數據治理與架構設計:
負責煉鋼生產多源數據(傳感器時序數據、工藝日志、質檢報告)的采集、清洗與存儲,構建高可用數據倉庫。
設計并優(yōu)化ETL流程,使用Apache NiFi/Spark實現實時數據管道,確保數據高效流轉與質量監(jiān)控。
2.特征工程與領域知識融合:
結合冶金工藝知識,構建時序特征(如溫度變化率、氧槍操作序列)及冶金特征(如碳當量、熱效率指標)。
開發(fā)自動化特征生成工具,支持模型訓練與實時推理。
設計并實現多模態(tài)混合模型(LSTM+隨機森林),嵌入冶金機理約束(如脫碳動力學方程)。
優(yōu)化模型性能,通過超參數調優(yōu)、模型壓縮(量化/剪枝)提升邊緣端推理效率。
3.算法創(chuàng)新與驗證:
開發(fā)時序-結構化數據聯合訓練框架,解決樣本不均衡、小數據泛化問題。
設計A/B測試方案,驗證模型在實際生產環(huán)境中的有效性。
將模型封裝為API服務(FastAPI/Flask),支持工控機低延遲(<100ms)實時推理。
任職資格:
1.精通Python數據處理庫(Pandas/NumPy),熟練使用SQL進行復雜查詢與優(yōu)化。
2.熟練掌握PyTorch/TensorFlow框架,有LSTM/Transformer時序模型實戰(zhàn)經驗。
3.熟悉分布式計算框架(Spark/Flink),有工業(yè)時序數據處理經驗者優(yōu)先。
4.熟悉OPC UA、Modbus等工業(yè)通信協(xié)議。
5.參與過工藝優(yōu)化或預測性維護項目。
6.了解數據可視化工具(Grafana/Tableau),能快速定位數據異常。
7.熟悉集成學習算法(隨機森林/XGBoost),了解模型解釋性工具(SHAP/LIME)。
8.具備模型部署經驗(ONNX/TensorRT),了解邊緣計算優(yōu)化技術。
9.對工業(yè)場景的數據特點(高噪聲、強時序性)有深刻認知,有工藝優(yōu)化項目經驗,熟悉制造業(yè)數據特點(如傳感器漂移、數據缺失場景),有鋼鐵、化工行業(yè)經驗者優(yōu)先。
10.邏輯清晰,具備較強的溝通能力,能將業(yè)務需求轉化為技術方案。
能接受全國范圍內出差~