金风科技
算法高级工程师（关键部件监测分析方向）(J23834)
算法高级工程师（关键部件监测分析方向）(J23834)
发布于 6 天前普通员工/个人贡献者
全职员工仅现场办公
Pytorch
Tensorflow
信号处理
健康评估
故障诊断
机器学习
风电
值不值得投
70综合评分
综合评分 70
北京风电故障诊断算法岗，技术深度高，WLB信息未明确。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
参考估算薪资
根据职位描述推断，供对比参考
发布情况
正常在招 · 5 天前发布
公司情况
这家公司招聘很活跃
约 130 个在招
市场机会
选择不多
北京 · 5 个在招
职位详情
关于这个职位
负责风电机组关键部件故障诊断算法与健康评估模型开发，基于多源数据实现早期微弱故障识别，并完成算法封装、部署与现场标定迭代
最低要求
机械工程（故障诊断方向）、测控技术与仪器、信号处理、计算机（机器学习方向）等相关专业，硕士及以上学历，博士优先
年以上工业设备（风电、旋转机械、航空航天）故障诊断或状态监测算法经验
精通信号处理理论（傅里叶变换、小波分析、包络分析等）
熟悉机械传动系统原理，如齿轮箱、轴承的故障机理
精通Python，熟练使用PyTorch/TensorFlow
对数据敏感，具备扎实的数学统计基础
有较强的现场问题溯源能力
工作职责
负责风电机组关键部件（齿轮箱、主轴承、发电机、叶片、塔筒）的故障诊断算法与健康评估模型的开发
基于振动、温度、转速、声发射等多源数据，开发时频域特征提取算法，实现早期微弱故障的识别
结合机械传动系统动力学机理，开发融合物理模型与数据驱动的混合诊断算法，提升诊断准确率
负责将算法封装为适配各平台（场级、边缘、控制系统）的组件，并实现集成和部署
负责算法预警结果进行现场验证与标定，持续迭代优化算法模型
AI 洞察
优缺点分析
优点
- 技术门槛高，积累可迁移至工业设备监测领域
- 风电新能源赛道长期需求稳定
- 算法落地涉及多平台，工程经验全面
- 需兼顾物理机理与数据驱动，研发周期长
- 对数学与工程经验要求高
- 具备信号处理与机器学习背景、希望深耕工业设备故障诊断的资深算法工程师
缺点 / 挑战
- 现场验证与标定工作强度较高
角色解读
- 可向风电故障诊断专家、预测性维护技术负责人或算法架构师方向发展
- 开发风电机组关键部件故障诊断算法与健康评估模型
- 基于多源数据提取时频域特征实现早期微弱故障识别
- 封装并部署算法组件
- 现场验证与标定迭代
- 信号处理理论、机械传动系统机理、Python与PyTorch/TensorFlow、数学统计基础、现场问题溯源能力
申请策略
- 了解金风科技风机产品与运维体系
- 关注故障诊断在风电场的实际应用场景
- 突出5年以上工业设备故障诊断项目与成果
- 展示信号处理与深度学习模型落地案例
- 强调现场验证与部署经验
- 补充风电齿轮箱/轴承故障机理与特征频率计算
- 强化PyTorch模型部署与边缘计算
- 准备时频分析与异常检测案例
面试指南
- 结合具体项目描述数据、方法、指标与落地效果
- 用STAR结构说明问题排查与迭代过程
- 体现对风电设备机理的理解
- 如何从振动信号中提取故障特征？物理模型与数据驱动如何融合？如何在边缘端部署算法？现场标定流程如何设计？
- 复习小波变换、EMD、包络分析等信号处理方法
- 准备故障诊断项目案例与代码
- 了解风电关键部件结构与故障模式
职位点评
薪资福利70
成长发展80
工作生活55
使命价值75
薪资福利
70中等
薪资处于北京资深算法岗位市场中上水平，福利信息未在JD中提及。
薪资信号市场水准 (2.5千–4.0万/月)
成长发展
80较高
岗位涉及物理模型与数据驱动融合，技术深度高，有持续迭代与工程化落地空间。
技术前沿主流现代技术
技术栈Python、PyTorch、TensorFlow、小波变换、经验模态分解
业务类型profit_center
工作生活
55较低
JD未提及办公模式与WLB信息，按现场验证需求判断多为现场办公。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
风电新能源故障诊断有助于提升设备可靠性与绿色能源利用，社会价值明确。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs