岗位职责
- 负责动力电池BMS核心算法研发与迭代优化，重点围绕电池状态估计（SOC、SOH、SOP、SOE）、电芯失效类诊断预警等核心模块，基于数学建模、机器学习、神经网络算法搭建高精度、高鲁棒性的电池算法模型。 - 针对锂电池非线性、时变、滞后的复杂特性，开展电池电化学机理建模、数理建模研究，结合数值分析、优化算法解决电池系统状态估算偏差、工况适配性差等核心技术问题，主导算法方案设计、仿真验证、落地调试。 - 运用机器学习、深度学习、神经网络相关技术，基于海量电池工况数据、老化数据、故障数据，训练优化电池预测模型、故障识别模型、自适应校正模型，提升BMS算法在不同温度、倍率、老化工况下的适配能力与精度。 - 负责算法仿真测试、实车/台架数据标定验证，搭建算法验证体系，输出算法设计文档、建模公式、仿真报告、标定手册等技术资料，保障算法量产落地。 - 跟踪行业前沿电池算法、数理建模、智能算法技术，结合产品需求完成技术迭代与创新优化，配合硬件、软件、测试团队完成产品联调，解决量产过程中的算法问题。 - 参与电池数据挖掘、数据分析工作，通过数理统计、数据拟合、特征工程优化算法模型，持续提升电池系统安全性、续航准确性与使用寿命。
职位要求
（一）专业学历 硕士及以上学历，数学与应用数学、计算数学、概率论与数理统计、运筹学、控制科学与工程、人工智能、大数据建模等数理基础扎实的相关专业，有动力电池BMS算法研发经验者优先。 （二）工作年限 BMS算法相关工作经验不低于3年，特别优秀可放宽工作年限要求； （三）核心专业能力（重点） - 精通数理基础理论：精通高等数学、线性代数、矩阵分析、概率论与数理统计、数值计算、最优化理论、偏微分方程，具备较强的数学建模、公式推导、数理分析能力，能够独立完成复杂电池系统的数理模型搭建与优化求解。 - 精通机器学习算法体系：熟练掌握各类传统机器学习算法（回归分析、聚类、分类、随机森林、梯度提升、贝叶斯算法、卡尔曼滤波/扩展卡尔曼滤波、无迹卡尔曼滤波等），精通算法原理、数学推导与落地适配，可针对电池场景完成算法选型、改进与优化。 - 精通神经网络与深度学习技术：精通各类神经网络核心结构，包括BP神经网络、LSTM、GRU、CNN、PINN、Transformer等，熟练掌握深度学习建模、特征提取、模型训练、超参优化、模型轻量化、过拟合抑制等核心技术，擅长基于神经网络解决电池时序数据预测、状态估算、故障识别等复杂问题。 - 具备扎实的系统建模能力，熟悉电池等效电路模型、电化学模型，能够结合机理建模与数据驱动建模（机器学习/神经网络）实现融合算法开发，解决电池非线性系统的精准估算难题。 （四）技能工具要求 - 熟练使用MATLAB/Simulink、Python（Pytorch/TensorFlow、Scikit\-learn、NumPy、Pandas）等建模、仿真、深度学习工具，精通数据处理、模型训练、算法仿真全流程。 - 熟悉C/C\+\+嵌入式算法开发者优先，具备算法量产移植、代码优化经验者优先。 - 了解动力电池基本特性、BMS工作原理、整车工况逻辑，有新能源汽车、动力电池BMS算法项目经验者优先。 （五）综合素质要求 - 逻辑思维缜密，数理分析能力强，具备独立的算法方案设计、问题拆解、技术攻坚能力。 - 具备良好的技术文档撰写能力、团队协作能力，严谨负责，有较强的学习能力和创新意识。 - 有相关算法竞赛、数理建模项目、深度学习科研项目经验者优先。
