小米小米汽车-电芯AI开发实习生

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。

1. 负责高精度电化学仿真模型及多物理场耦合模型的开发与优化及电化学降阶模型云端应用； 2. 结合AI技术（如机器学习、深度学习）优化仿真流程，提升模型计算效率或替代部分传统数值模拟方法； 3. 开发自动化仿真工具链（如集成COMSOL/Python/AI框架），实现参数化仿真、数据生成与模型训练的一体化流程。

1. 评审动力电池系统（含电芯、模组、BMS、热管理等）的可靠性设计，识别可靠性风险并提供优化路径； 2.开发电池系统及关键零部件可靠性测试标准，包括机械、电气、热、环境等维度； 3.分析测试数据，识别潜在风险并提出改进方案，确保产品满足全生命周期可靠性要求； 4.建立电池系统可靠性模型，预测产品在不同场景下的失效概率及寿命衰减； 5.协助对电池系统全生命周期（研发、生产、售后）的可靠性失效案例进行根因分析，制定预防措施； 6.与研发及生产工艺团队协作，推动可靠性目标落地； 7.跟踪动力电池可靠性领域的最新技术（如AI驱动的寿命预测、新型材料应用等），推动技术创新； 8.推动在研项目可靠性相关工作落地，包括NUDD、DFMEA等； 9.充分识别在研项目风险，确保产品高质量交付。

1. 负责下一代AI 增强型桌面办公设备的整机产品定义，制定产品路线图、核心规格及具备市场穿透力及AI原生特性的差异化卖点； 2. 主导智能配件生态系统配件的同步规划与开发，确保主机与配件在工业设计语言、交互逻辑与用户体验上的高度统一； 3. 深度参与核心硬件器件选型与技术攻关，评估前沿技术可行性，协同内部研发与外部供应商，在轻薄化、高性能散热、高精度触控、超长续航等关键维度实现突破； 4. 负责关键部件资源规划与供应链协同，联合采购与供应商质量团队，建立稳定、高性价比的核心物料供应体系，支撑产品量产与成本目标； 5. 全面管理产品开发全生命周期，协调 ODM 及内部跨职能团队（ID/MD、EE、RF、Thermal、SW 等），推动从概念到上市的关键里程碑落地，并对交付结果负责。