一條主線，多層能力一條主線，多層能力一條主線，多層能力

在 BMW 與 KIT 合作的汽車相關研究項目中，我的任務正是如此：開發可車載部署的算法，直接在車輛運行工況下推斷高壓電池的狀態與剩餘壽命。挑戰不只是算法層面的，更是工程層面的：一個在實驗室裏表現漂亮的模型，如果不能在硬件上可靠運行，就沒有真正的工程價值。

項目核心並不只是建立一個精度更高的模型，而是讓機器學習與深度學習時間序列模型在接近 BMS 與 Edge AI 的資源約束下依然具備實際應用潛力。其中最有代表性的部分，是在真實資源約束下對二值化 BiLSTM 混合模型進行優化。

同時，我開發了 GUI 支持的訓練與評估框架，用於模型訓練、超參數調優、實時可視化和數據分析。該方案在 AWS SageMaker 與 Raspberry Pi 構成的 Cloud/Edge 場景中完成驗證。

這段經歷系統塑造了我對工業級端到端機器學習的理解：一個能在 Notebook 裏跑通的模型，還不是解決方案；一個能在資源受限環境下穩定運行的模型，才真正進入了工程。

在動力總成功能驗證相關工作中，我的核心位置並不只是數據分析，而是在 HiL 仿真、虛擬 Fahrzyklus、功能驗證與測試自動化的交界處。發動機控制與動力總成功能需要先在硬件在環環境中經歷虛擬駕駛循環、邊界工況、故障場景和負載場景，在進入真實車輛之前，就被系統性地驗證其行爲、穩定性和潛在風險。

這類驗證工作的關鍵，不只是“跑測試”，而是理解真實控制器、仿真環境、測試用例、測量信號和車輛功能邏輯之間的關係：哪些信號代表正常行爲，哪些偏差意味着潛在故障，哪些測試場景能夠有效暴露邊界問題。

在此基礎上，我開發了 Python 和 VBA 工具，將原本需要人工逐項查看和判斷的測試數據分析，轉化爲自動生成的結構化報告。這些腳本並不是孤立的數據處理工具，而是服務於 HiL 驗證流程的工程輔助系統：它們幫助更快識別錯誤模式、提高測試判斷的一致性，並讓功能驗證結果更加可追溯。

這段經歷讓我真正理解了汽車功能驗證的工程價值：虛擬測試不是紙面模擬，而是在真實硬件、控制邏輯和仿真工況之間建立一套可重複、可診斷、可決策的驗證體系。好的自動化不是取代測試工程師，而是讓工程師更快看清系統行爲背後的真實問題。

在 FAU 供應鏈管理相關科研場景中，我爲來自工業供應鏈與價值鏈的戰略 KPI 搭建了數據驅動的分析流程。除了經典統計分析之外，我還使用 R、Python 和 SPSS/AMOS 實現結構方程建模，對作用關係、調節效應和交互效應進行方法論層面的驗證。

這項工作的核心並不只是 KPI 展示，而在於從經過處理的數據走向可靠判斷的方法論跨越：把異質數據、量表和假設轉化爲可復現的證據。

關鍵並不在於單純的數據分析，而在於如何通過精準、可追溯且具有統計依據的驗證，將數據轉化爲關於作用關係的可靠判斷，並進一步服務於更穩健的決策。

在 KIT 測量與控制技術研究所，我指導學生完成機電一體化、自動化、計算機視覺與機器人相關實驗。這項工作並不只是寫代碼或完成單個實驗，而是把理論模型轉化爲真實原型上的傳感器實驗。

我開發測試腳本和實驗環境，維護 MATLAB/Simulink 模型，並通過腳本自動化傳感器數據評估與故障診斷流程。具體內容橫跨數字圖像處理、自動視覺檢測、機器人控制、移動平臺和真實測量技術。

關鍵在於從理論模型邏輯走向實驗可驗證性：一個模型只有在不僅概念上成立，而且能在測量噪聲、變化的傳感器條件、實際時間約束和真實硬件下可重複地運行時，才真正具備工程上的可靠性。

我早期在量產製造現場和機械工程企業中的經歷，塑造了我非常重要的一層工程底色：我不只是從理論、仿真或數據角度理解工業系統，也曾真實進入生產環境，接觸裝配、製造、生產節拍、工藝流程、過程控制和質量保證。在生產第一線，技術不再只是公式、圖紙或模型，而是零件、工具、工序、節拍、誤差、返工和質量判斷共同構成的現實系統。

這種現場經驗讓我更早理解到：任何數據點背後，都有真實的材料、設備、工藝、公差、磨損和人的操作判斷。一個生產流程是否穩定，一個質量問題爲什麼出現，一個模型假設是否站得住，很多時候不能只靠紙面推導，而要回到現場、回到系統本身。

與此同時，我在重型機械與軸承製造相關環境中接觸了 FEM/BEM 仿真、彈性流體動力潤滑、可靠性分析與壽命分析。它們讓我從另一個角度理解機械系統的物理深度：載荷、接觸、變形、潤滑、疲勞和失效並不是抽象概念，而是直接決定工程系統能否長期可靠運行的底層機制。

這些經歷共同塑造了我的技術判斷力：一邊是生產一線帶來的上手能力、現場感和流程理解，另一邊是數值仿真與機械系統分析帶來的物理深度。對我來說，這不是一段普通的早期經歷，而是我工程思維的起點。