理想汽车BMS AI算法工程师-北京/上海

任职要求

1.硕士及以上学历，自动化、计算机、电化学等相关专业，‌5年以上BMS算法开发经验‌，
2.精通优化算法（如EKF/UKF、最小二乘）与AI算法（XGBoost/LSTM/强化学习）；
3.能融合电化学模型（等效电路、单粒子模型）与数据驱动方法解决SOC/SOH/SOP估计问题；
4.熟练使用Python/MATLAB开发算法，熟悉MBD流程（Simulink建模、HIL测试）；
5.深入理解电池热-电化学耦合模型、老化模型及析锂预测方法，具备多物理场仿真能力如COMSOL；
6.主导过至少1个量产项目的SOX算法开发，熟悉车规级开发流程（ISO 26262/ASPICE）。

工作职责

1.‌SOX算法开发与全生命周期管理‌
‌1.1 SOC高精度估计‌：基于‌电化学机理模型（如DFN模型）‌与数据驱动方法（LSTM、Transformer），融合电池电压、电流、温度、内阻等多维数据，设计自适应卡尔曼滤波算法（如UKF、AEKF），解决低温/高倍率工况下的累积误差问题（目标误差＜1%）‌; 构建动态参数辨识框架（如基于遗传算法或粒子群优化），实时校准电池容量、内阻等关键参数，提升SOC估算的长期稳定性‌；
‌1.2 SOH预测与退化建模‌：利用‌迁移学习‌技术，将实验室加速老化数据泛化至实际车载场景，构建基于容量衰减、内阻增长、SEI膜演化的多维度退化模型，实现SOH误差＜2%‌；
‌1.3 SOP动态边界计算‌：基于电芯温度、SOC、老化状态的实时反馈，建立多约束条件下的峰值功率预测模型（如电化学-热耦合模型），防止过充/过放风险，支持极端工况（如赛道模式）下的动态功率调整‌。
‌2. AI模型开发与优化‌
2.1开发‌轻量化神经网络模型‌（如MobileNet、TinyML架构），通过剪枝、量化、知识蒸馏等技术将模型压缩至嵌入式平台可运行规模，满足实时性要求（响应延迟＜50ms）‌；
‌2.2数据驱动与仿真验证‌: 构建电池全生命周期数据库（覆盖电芯、模组、系统层级），通过‌SQL处理TB级数据，提取关键特征（如充放电曲线拐点、弛豫电压特性）用于模型训练‌；使用MATLAB/Simulink搭建‌多物理场耦合仿真平台‌（电化学+热力学+机械应力），验证算法在极端工况下的鲁棒性，并通过HIL测试实现算法闭环迭代‌；
‌2.3 与BMS硬件团队协作，优化AI算法在嵌入式平台的资源分配，支持C代码自动生成与功能安全认证。