李一丰

基于多年风机 SCADA 时序数据构建预测性维护模型，实现设备健康状态的智能监测。

我做了什么

搭建风机 SCADA 时序数据的预测性维护模型；针对温度预测做误差优化，并识别设备早期异常；把模型扩展到不同风速场景进行验证。

结果

温度预测误差减少约 8%；能准确识别早期异常；模型在不同风速场景下泛化能力提升。

用机器学习优化食品生产，并推动制造执行系统的功能升级。

我做了什么

准备并清洗 20+ 项食品试验数据库数据；构建并优化应用于食品生产的机器学习模型；推动跨部门协作，升级制造执行系统功能及适用产品并更新文档；重新设计生产报告图表。

结果

数据完整性提升 15%；生产成本降低 20%；生产报告的可用性与可视化效果提升。

设计无监督模型，检测消费者合同数据中的异常（总数据量约 10 GB）。

我做了什么

实现无监督异常检测模型；基于学习到的嵌入向量分析并可视化合同图结构，以提升模型可解释性、支持结果验证。

结果

模型在数据重构中达到 86% 准确率，较原有模型提升 15%；异常检测能力提升 10%，增强合同审查与风险评估的决策支持。

研究用状态空间模型增强连续时间动态图（CTDG）的表征学习，重点解决时间模式变化问题。

我做了什么

在 PyTorch 中（重新）实现多个时间序列模型，重点研究时间模式变化；做 GPU 显存与精度两方面的对比实验。

结果

相比基于 Transformer 的模型，GPU 内存使用量减少至原来的 1/4；真实数据集上平均精度提升 1.5%，合成数据集上提升 10%。