一、崗位核心職責(zé)
1. 算法設(shè)計與開發(fā)
·開發(fā)基于振動、超聲、聲發(fā)射、紅外熱成像、電
磁等多物理場的葉片缺陷檢測與定位算法。
·研究裂紋定位模型,如基于固有頻率變化比、模態(tài)曲率、時頻分析、深度學(xué)習(xí)等方法。
2.?dāng)?shù)據(jù)處理與分析
·處理傳感器采集的原始信號(如加速度、聲學(xué)、紅外圖像等),進(jìn)行降噪、特征提取、模式識別。
·建立缺陷數(shù)據(jù)庫,實(shí)現(xiàn)缺陷類型、位置、程度的自動分類與評估。
3.系統(tǒng)集成與優(yōu)化
.將定位算法嵌入到檢測設(shè)備或邊緣計算平臺,實(shí)現(xiàn)在線監(jiān)測與智能診斷。
.優(yōu)化算法實(shí)時性、魯棒性,適應(yīng)復(fù)雜現(xiàn)場環(huán)境。4.跨學(xué)科協(xié)作
·與硬件工程師協(xié)作完成傳感器布局與信號采集系統(tǒng)設(shè)計。
·與軟件團(tuán)隊(duì)合作實(shí)現(xiàn)算法工程化部署(如FPGA、DSP、嵌入式AI)。
關(guān)鍵技術(shù)能力要求
.信號處理:熟悉時頻分析(FFT、小波變換)、濾波、特征提取等。
· 物理建模:了解結(jié)構(gòu)動力學(xué)、彈性波傳播、模態(tài)
分析等理論。
· 機(jī)器學(xué)習(xí)/深度學(xué)習(xí):掌握CNN、RNN、
Transformer等模型,用于缺陷分類與定位。
· 編程能力:熟練使用Python/C++/MATLAB,熟悉PyTorch/TensorFlow等框架。
· 多模態(tài)融合:融合可見光、紅外、振動、超聲等多源數(shù)據(jù)提升定位精度。
· 工程化思維:具備算法部署、嵌入式開發(fā)、系統(tǒng)
測試經(jīng)驗(yàn)者優(yōu)先