统筹集团3大生产基地、12条产线的工业设备数据采集体系设计与落地，主导解决多协议异构设备接入、高并发数据实时传输及边缘侧数据处理难题，支撑数字孪生平台与预测性维护系统的数据供给。

• 主导设计基于OPC UA与MQTT混合协议的全域数据采集架构，针对集团内西门子S7-1500 PLC、三菱MELSEC iQ-R系列、ABB机器人等20+类设备，开发协议适配中间件，解决老旧设备（如2015款库卡KR 16）仅支持Profinet无原生MQTT接口的问题，通过逆向解析报文结构+自研转换引擎，实现98%非标设备的标准化接入，数据完整率从89%提升至99.6%。
• 优化边缘计算节点部署方案，在12条产线部署研华UNO-2272G边缘控制器，集成Python脚本实现数据清洗（剔除高频抖动值、修正时序偏移）与特征提取（计算设备OEE、能耗瞬时值），将原始数据量从日均12TB压缩至3.5TB，同时将数据上传至云平台的延迟从200ms降至45ms以内，支撑实时监控看板的流畅运行。
• 牵头制定《工业设备数据采集SLA规范》，明确关键设备（如热处理炉、精密注塑机）采集频率≥10Hz、非关键设备≥1Hz的差异化策略，配套开发采集任务监控看板（基于Grafana+Prometheus），实现断连告警响应时间从30分钟缩短至3分钟，全年因数据中断导致的生产异常停机事件减少65%。
• 推动数据采集与AI算法的预融合，在焊接产线试点部署轻量级异常检测模型（基于XGBoost），通过边缘侧实时计算焊接电流、电压波动特征，提前15分钟预警电极磨损故障，将设备维修成本从单次2.8万元降至1.2万元，该方案已推广至集团5条同类产线。

负责新能源电池pack产线全要素数据采集系统建设，聚焦设备状态、工艺参数、环境变量三类数据的高可靠获取，支撑产线数字孪生模型训练与工艺优化需求。

• 完成18台松下NPM-W2贴片机、6台德森高速点胶机的数据采集方案落地，针对贴片机仅开放RS485串口、点胶机采用私有二进制协议的痛点，开发串口转以太网网关（基于C#开发Modbus RTU转TCP模块），并逆向解析点胶机私有协议（通过Wireshark抓包+协议逆向工程），实现贴装精度（±0.02mm）、胶路直径（±0.05mm）等200+参数的秒级采集，数据同步误差控制在50ms内。
• 搭建基于InfluxDB的时序数据库集群，结合产线数据特征（高频采样、时间序列强相关）优化存储策略：对设备报警类数据（占比5%）保留全量原始数据，对工艺参数（占比80%）按1s粒度聚合存储，对环境数据（温湿度、粉尘浓度）降采样至5s粒度，存储成本降低40%的同时，查询响应速度提升3倍。
• 解决多源数据时间戳不同步问题，通过部署NTP服务器统一产线设备时钟，并在数据采集端嵌入时间校准算法（基于PTP协议），将不同设备采集数据的时间偏差从±500ms缩小至±50ms，为后续工艺参数与质量缺陷的关联分析提供可靠时间基准，支撑发现注液工序温度波动与电芯鼓包的相关性（R²=0.82）。
• 主导编写《产线数据采集异常处理手册》，归纳12类常见问题（如PLC程序锁死导致数据中断、电磁干扰引起串口丢包）的排查流程与解决方案，将产线运维团队的自主排障率从30%提升至75%，平均故障修复时间（MTTR）从2小时缩短至40分钟。

负责发动机缸体加工线CNC设备的基础数据采集，覆盖主轴转速、切削力、刀具寿命等关键参数，支撑生产进度跟踪与设备效率统计。

• 独立完成8台马扎克INTEGREX i-200S CNC机床的数据采集部署，通过FANUC FOCAS协议读取控制器实时数据，解决早期设备（2016年购入）FOCAS驱动版本过低导致的连接不稳定问题，通过升级客户端SDK+编写心跳检测脚本，将数据采集成功率从82%提升至97%，满足MES系统对设备状态实时监控的需求。
• 开发刀具寿命预测辅助工具，基于采集的切削力、主轴负载数据，结合设备历史换刀记录，构建简单线性回归模型（使用Python scikit-learn），预测刀具剩余可用时长，误差率控制在±15%以内，帮助产线减少因刀具崩刃导致的批量不良品，月均节省返工成本1.2万元。
• 优化数据采集频率配置，针对粗加工（主轴转速800-1200rpm）与精加工（1500-2000rpm）阶段设置差异化采集策略：粗加工阶段每500ms采集一次，精加工阶段每200ms采集一次，在保证关键参数完整性的同时，将单台设备日数据量从1.2GB降至750MB，减轻MES系统数据库压力。
• 编制《CNC设备数据采集操作指南》，梳理从物理接线（DB9串口连接）、协议配置（FOCAS参数设置）到异常排查（通讯超时、数据跳变）的全流程SOP，作为部门新人培训教材，将新员工独立上岗周期从2周缩短至5个工作日。

重型工程机械全生命周期物联网平台研发及产业化项目

• 项目背景：公司作为重型挖掘机、矿用卡车龙头制造商，面临设备故障停机年均损失超8000万元、售后响应时效低（平均4小时到达现场）、缺乏全生命周期数据支撑产品迭代的痛点。核心目标是通过端到端物联网平台，实现设备状态实时监测、预测性维护及从生产到报废的全链路数据闭环。我的职责是主导平台整体架构设计、核心算法选型及业务侧需求落地。
• 关键难题：1）重型机械工况极端（如矿山场景温差±40℃、振动幅度达10g），传统传感器数据噪声大，导致早期故障特征提取困难；2） legacy 系统（旧版ERP/CRM/PLM）与物联网数据无法互通，阻碍全生命周期视图构建；3）预测性维护模型对长周期、低频率故障（如液压系统密封件老化）准确率低（仅65%）。
• 核心行动与创新：1）边缘侧采用“自适应降噪+特征工程”方案——部署自主研发的边缘计算网关，基于小波变换+卷积神经网络（CNN）过滤振动/温度噪声，提取“液压油压力波动方差”“发动机转速瞬时跌落频次”等12个早期故障特征，将有效数据传输率从30%提升至85%；2）采用“Kafka+Flink”实时流处理架构，打通 legacy 系统数据壁垒，将设备生产参数（如焊接温度）、销售数据（如客户地域）、运维记录（如过往维修部位）与实时状态数据融合，构建设备数字孪生体；3）针对长周期故障，创新性将LSTM模型与注意力机制结合，赋予模型“聚焦历史维修记录中‘密封件更换间隔’等关键事件”的能力，解决传统模型对低频率模式识别不足的问题。
• 项目成果：1）平台上线12个月内，接入设备超1.2万台，预测性维护准确率提升至92%，故障停机时间缩短40%（年均节省运维成本1200万元）；2）售后响应时效压缩至2小时内，客户满意度（NPS）从45分提升至72分；3）全生命周期数据反哺产品研发——基于液压系统故障分布，优化了新一代挖掘机的密封件材质，将使用寿命延长25%。我个人主导了平台技术路线选型，推动跨研发、售后、IT部门的协同，成为项目技术落地核心负责人。

高端数控机床物联网监测系统落地及精度优化项目

• 项目背景：公司高端数控机床（五轴联动加工中心）占营收35%，但客户反馈加工精度波动大（如叶片类零件公差超差率达18%），且质量问题追溯依赖人工查台账（耗时4小时/次）。核心目标是构建机床物联网系统，实现加工状态实时感知、精度异常预警及全流程质量追溯。我的职责是负责系统硬件部署、数据链路搭建及精度分析模块开发。
• 关键难题：1）机床控制器协议碎片化（覆盖Fanuc、Siemens、华中数控等5种主流协议），传统采集方式需为每台机床定制接口，效率极低；2）加工精度受“刀具磨损”“热变形”“工件装夹偏差”多因素耦合影响，传统阈值报警无法提前72小时预测精度下降；3）现场工人对物联网系统接受度低，导致数据采集覆盖率不足60%。
• 核心行动与创新：1）开发“协议自适应解析引擎”——通过正则表达式+语义识别技术，自动匹配控制器类型并提取“主轴负载”“进给轴速度”“刀具扭矩”等20+核心参数，将单台机床接入时间从3天缩短至4小时，覆盖率快速提升至95%；2）构建“数字孪生+机器学习”精度预测模型——基于Unity3D搭建机床数字孪生体，实时仿真加工过程，同时用XGBoost算法训练“精度偏差预测模型”，结合孪生体与实际加工数据的偏差（如“仿真孔径与实际孔径差值＞0.01mm”），提前72小时预警精度下降；3）推动“全员数据意识培训”——联合人力资源部设计“数据贡献积分制”，工人上传设备异常照片/操作日志可获得绩效加分，大幅提升数据录入准确性。
• 项目成果：1）系统上线后，加工精度公差超差率降至8%，单台机床年节省质量损失约50万元；2）质量追溯时间从4小时缩短至10分钟，客户投诉处理效率提升70%；3）基于精度数据优化了刀具更换策略，将刀具损耗成本降低22%。我主导解决了多协议采集的技术瓶颈，设计了贴合机床场景的精度预测方案，同时推动组织层面的数据文化落地，为后续平台规模化复制积累了经验。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。