双串智能

专注于深度神经网络架构设计与优化，将智能制造产线多源异构传感器数据（振动、电流、温度、声学等）和MES/ERP经营数据，通过定制化的深度学习模型（CNN、LSTM、Transformer、GNN等）转化为精准的故障根因推理链和利润敏感度量化分析。 核心职责： 深度神经网络建模： 设计并训练多模态融合神经网络，融合时序信号（振动/温度）、结构化参数（工艺配方）和文本记录（维修日志），实现产线设备亚健康状态的早期预警，输出预警置信度及剩余使用寿命（RUL）预测。 开发基于图神经网络（GNN）或注意力机制（Transformer）的根因传播模型，将产线上下游工序间的参数耦合关系建模为拓扑图，自动追溯故障源头（如“3号机床温度异常”是否由“前道工序来料硬度波动”引发）。 经营损失量化网络： 构建端到端（End-to-End）的利润影响预测网络，模型输入为实时工艺参数和工单信息，直接输出“若当前状态持续，本批次预计利润损失”的数值，并通过可解释性AI（如SHAP、Grad-CAM） 向企业主展示哪些参数是当前损失的主要贡献者。 孪生模型轻量化： 利用模型剪枝、量化、知识蒸馏等神经网络压缩技术，将复杂模型轻量化部署至产线边缘网关，满足实时推理（毫秒级响应）需求。 任职要求： 学历专业：本科及以上学历，硕士优先，计算机科学、人工智能、运筹学、控制科学与工程等相关专业，研究方向须为深度学习或神经网络架构。 工业AI经验：工业领域深度学习落地经验，至少主导过1个基于深度神经网络（非传统机器学习）的预测性维护或工艺优化项目，项目需明确产出财务收益（如停机时间减少≥20%）。 神经网络核心能力： 精通PyTorch/TensorFlow，能独立从零搭建、训练和调优复杂网络结构； 深度掌握时序网络（LSTM/TCN/Informer）、卷积网络（1D-CNN/ResNet）及注意力机制（Transformer/Self-Attention）； 有图神经网络（GNN，如GCN/GAT） 或生成式模型（VAE/Diffusion用于异常模拟） 实际应用经验者优先； 熟悉因果推断与深度学习的结合方法（如CausalNLP、DoubleML），能将相关性分析提升至因果归因层面。 数据与经营理解：熟悉工业时序数据预处理（重采样、去噪、FFT变换）、数据不平衡处理方法（如Focal Loss）；理解OEE、良率、制造成本等经营指标，能将模型输出与财务科目挂钩。