Ein roter Faden, mehrere EbenenEin roter Faden, mehrere EbenenEin roter Faden, mehrere Ebenen

In einem automobilnahen Forschungsprojekt mit BMW und KIT war meine Aufgabe genau das: onboard-fähige Algorithmen zu entwickeln, die den Zustand und die verbleibende Lebensdauer von Hochvoltbatterien direkt im Fahrzeugbetrieb ableiten können. Die Herausforderung war nicht nur algorithmisch, sondern ingenieurwissenschaftlich: Ein Modell, das im Labor gut aussieht, nützt wenig, wenn es auf der Hardware nicht zuverlässig läuft.

Im Zentrum stand nicht nur der Aufbau eines präziseren Modells, sondern die Entwicklung von Machine-Learning- und Deep-Learning-Zeitreihenmodellen, die unter BMS-nahen und Edge-AI-bezogenen Ressourcenbedingungen praktisch nutzbar bleiben. Besonders prägend war die Optimierung binarisierter BiLSTM-Hybridmodelle unter realen Ressourcenbeschränkungen.

Parallel entstand ein GUI-gestütztes Trainings- und Evaluationsframework für Modelltraining, Hyperparameter-Tuning, Echtzeitvisualisierung und Datenauswertung. Validiert wurde die Lösung in Cloud-/Edge-nahen Szenarien mit AWS SageMaker und Raspberry Pi.

Diese Arbeit hat mein Verständnis für End-to-End-ML in industriellen Systemen nachhaltig geprägt: Ein Modell, das im Notebook läuft, ist noch keine Lösung. Ein Modell, das unter Ressourcenbeschränkung zuverlässig läuft, ist Ingenieursarbeit.

In der Funktionsabsicherung für Antriebsfunktionen lag mein Schwerpunkt nicht nur in der Datenauswertung, sondern an der Schnittstelle von HiL-Simulation, virtuellen Fahrzyklen, Funktionsvalidierung und Testautomatisierung. Motorsteuerungs- und Antriebsfunktionen mussten in einer Hardware-in-the-Loop-Umgebung virtuelle Fahrzyklen, Grenzbedingungen, Fehlerszenarien und Lastfälle durchlaufen, bevor sie ins reale Fahrzeug gelangen konnten.

Der Kern solcher Validierung liegt nicht darin, Tests einfach nur „laufen zu lassen“, sondern das Zusammenspiel von realem Steuergerät, Simulationsumgebung, Testfällen, Messsignalen und Fahrzeugfunktionslogik zu verstehen: Welche Signale zeigen normales Verhalten? Welche Abweichungen deuten auf potenzielle Fehler hin? Welche Testszenarien sind geeignet, Grenzfälle sichtbar zu machen?

Auf dieser Grundlage entwickelte ich Python- und VBA-Tools, die manuelle Testdatenauswertung in automatisch generierte, strukturierte Berichte überführten. Diese Skripte waren keine isolierten Datenverarbeitungswerkzeuge, sondern technische Hilfssysteme für den HiL-Validierungsprozess: Sie halfen, Fehlermuster früher zu erkennen, Bewertungen konsistenter zu machen und Validierungsergebnisse nachvollziehbarer zu dokumentieren.

Diese Erfahrung hat mir den technischen Wert automobiler Funktionsabsicherung konkret gezeigt: Virtuelles Testen ist keine theoretische Simulation, sondern ein reproduzierbares, diagnostizierbares und entscheidungsorientiertes Validierungssystem zwischen realer Hardware, Steuerungslogik und simulierten Fahrbedingungen. Gute Automatisierung ersetzt den Testingenieur nicht — sie hilft ihm, das reale Systemverhalten schneller und klarer zu erkennen.

In einem wissenschaftlichen Supply-Chain-Management-Kontext an der FAU entwickelte ich datengetriebene Auswertungsprozesse für strategische KPIs industrieller Liefer- und Wertschöpfungsketten. Neben klassischen statistischen Analysen setzte ich Strukturgleichungsmodellierung mit R, Python und SPSS/AMOS ein, um Wirkzusammenhänge, Moderationseffekte und Interaktionen methodisch zu prüfen.

Der Kern dieser Arbeit lag nicht in der reinen KPI-Darstellung, sondern im methodischen Übergang von aufbereiteten Daten zu belastbaren Aussagen: heterogene Daten, Skalen und Hypothesen wurden in reproduzierbare Evidenz übersetzt.

Der entscheidende Punkt war präzise, nachvollziehbare und statistisch fundierte Validierung von Wirkzusammenhängen — als Grundlage für bessere Entscheidungen statt bloßer Datenbeschreibung.

Am KIT-Institut für Mess- und Regelungstechnik betreute ich Studierende in Praktika zu Mechatronik, Automatisierung, Computer Vision und Robotik. Dabei ging es nicht nur um Code oder einzelne Versuche, sondern darum, theoretische Modelle in sensorbasierte Experimente an realen Prototypen zu überführen.

Ich entwickelte Testskripte und -umgebungen, pflegte MATLAB/Simulink-Modelle und automatisierte Sensordatenevaluierung sowie Fehlerdiagnose per Skript. Inhaltlich bewegte sich die Arbeit zwischen digitaler Bildauswertung, automatischer Sichtprüfung, Robotikregelung, mobilen Plattformen und realer Messtechnik.

Entscheidend war der Übergang von theoretischer Modelllogik zu experimenteller Belastbarkeit: Ein Modell ist erst dann wirklich tragfähig, wenn es nicht nur konzeptionell überzeugt, sondern auch unter Messrauschen, variierenden Sensorbedingungen, praktischen Zeitrestriktionen und realer Hardware reproduzierbar funktioniert.

Meine frühen Stationen in der Serienfertigung und in Maschinenbauunternehmen haben eine wichtige Grundlage meines ingenieurwissenschaftlichen Profils geprägt: Ich verstehe industrielle Systeme nicht nur über Theorie, Simulation oder Daten, sondern auch durch konkrete Nähe zu Produktionsumgebungen — Montage, Fertigung, Produktionstakt, Prozessabläufe, Prozesskontrolle und Qualitätssicherung. In der Produktion ist Technik nicht mehr nur Formel, Zeichnung oder Modell, sondern ein reales Zusammenspiel aus Bauteilen, Werkzeugen, Arbeitsschritten, Taktzeiten, Abweichungen, Nacharbeit und Qualitätsentscheidungen.

Diese praktische Erfahrung hat mir früh gezeigt, dass hinter jedem Datenpunkt reale Materialien, Maschinen, Prozesse, Toleranzen, Verschleiß und menschliche Handlungsentscheidungen stehen. Ob ein Produktionsprozess stabil ist, warum ein Qualitätsproblem entsteht oder ob eine Modellannahme trägt, lässt sich oft nicht allein am Schreibtisch beantworten. Man muss zum Ort des Geschehens zurück: zum System selbst.

Gleichzeitig führten mich Stationen im Umfeld von Schwermaschinenbau und Lagertechnik an FEM/BEM-Simulation, Elastohydrodynamik, Zuverlässigkeitsanalyse und Lebensdaueranalyse heran. Diese Themen gaben mir eine zweite Perspektive auf die physikalische Tiefe mechanischer Systeme: Last, Kontakt, Verformung, Schmierung, Ermüdung und Ausfall sind keine abstrakten Begriffe, sondern Mechanismen, die darüber entscheiden, ob ein technisches System langfristig zuverlässig funktioniert.

Zusammen haben diese Erfahrungen meine technische Urteilskraft geprägt: praktische Umsetzungsfähigkeit, Produktionsnähe und Prozessverständnis auf der einen Seite; physikalische Tiefe aus numerischer Simulation und mechanischer Systemanalyse auf der anderen. Für mich war das keine bloße frühe Berufsstation, sondern der Ausgangspunkt meines Engineering Mindset.