一条主线，多层能力一条主线，多层能力一条主线，多层能力

在 BMW 与 KIT 合作的汽车相关研究项目中，我的任务正是如此：开发可车载部署的算法，直接在车辆运行工况下推断高压电池的状态与剩余寿命。挑战不只是算法层面的，更是工程层面的：一个在实验室里表现漂亮的模型，如果不能在硬件上可靠运行，就没有真正的工程价值。

项目核心并不只是建立一个精度更高的模型，而是让机器学习与深度学习时间序列模型在接近 BMS 与 Edge AI 的资源约束下依然具备实际应用潜力。其中最有代表性的部分，是在真实资源约束下对二值化 BiLSTM 混合模型进行优化。

同时，我开发了 GUI 支持的训练与评估框架，用于模型训练、超参数调优、实时可视化和数据分析。该方案在 AWS SageMaker 与 Raspberry Pi 构成的 Cloud/Edge 场景中完成验证。

这段经历系统塑造了我对工业级端到端机器学习的理解：一个能在 Notebook 里跑通的模型，还不是解决方案；一个能在资源受限环境下稳定运行的模型，才真正进入了工程。

在动力总成功能验证相关工作中，我的核心位置并不只是数据分析，而是在 HiL 仿真、虚拟 Fahrzyklus、功能验证与测试自动化的交界处。发动机控制与动力总成功能需要先在硬件在环环境中经历虚拟驾驶循环、边界工况、故障场景和负载场景，在进入真实车辆之前，就被系统性地验证其行为、稳定性和潜在风险。

这类验证工作的关键，不只是“跑测试”，而是理解真实控制器、仿真环境、测试用例、测量信号和车辆功能逻辑之间的关系：哪些信号代表正常行为，哪些偏差意味着潜在故障，哪些测试场景能够有效暴露边界问题。

在此基础上，我开发了 Python 和 VBA 工具，将原本需要人工逐项查看和判断的测试数据分析，转化为自动生成的结构化报告。这些脚本并不是孤立的数据处理工具，而是服务于 HiL 验证流程的工程辅助系统：它们帮助更快识别错误模式、提高测试判断的一致性，并让功能验证结果更加可追溯。

这段经历让我真正理解了汽车功能验证的工程价值：虚拟测试不是纸面模拟，而是在真实硬件、控制逻辑和仿真工况之间建立一套可重复、可诊断、可决策的验证体系。好的自动化不是取代测试工程师，而是让工程师更快看清系统行为背后的真实问题。

在 FAU 供应链管理相关科研场景中，我为来自工业供应链与价值链的战略 KPI 搭建了数据驱动的分析流程。除了经典统计分析之外，我还使用 R、Python 和 SPSS/AMOS 实现结构方程建模，对作用关系、调节效应和交互效应进行方法论层面的验证。

这项工作的核心并不只是 KPI 展示，而在于从经过处理的数据走向可靠判断的方法论跨越：把异质数据、量表和假设转化为可复现的证据。

关键并不在于单纯的数据分析，而在于如何通过精准、可追溯且具有统计依据的验证，将数据转化为关于作用关系的可靠判断，并进一步服务于更稳健的决策。

在 KIT 测量与控制技术研究所，我指导学生完成机电一体化、自动化、计算机视觉与机器人相关实验。这项工作并不只是写代码或完成单个实验，而是把理论模型转化为真实原型上的传感器实验。

我开发测试脚本和实验环境，维护 MATLAB/Simulink 模型，并通过脚本自动化传感器数据评估与故障诊断流程。具体内容横跨数字图像处理、自动视觉检测、机器人控制、移动平台和真实测量技术。

关键在于从理论模型逻辑走向实验可验证性：一个模型只有在不仅概念上成立，而且能在测量噪声、变化的传感器条件、实际时间约束和真实硬件下可重复地运行时，才真正具备工程上的可靠性。

我早期在量产制造现场和机械工程企业中的经历，塑造了我非常重要的一层工程底色：我不只是从理论、仿真或数据角度理解工业系统，也曾真实进入生产环境，接触装配、制造、生产节拍、工艺流程、过程控制和质量保证。在生产第一线，技术不再只是公式、图纸或模型，而是零件、工具、工序、节拍、误差、返工和质量判断共同构成的现实系统。

这种现场经验让我更早理解到：任何数据点背后，都有真实的材料、设备、工艺、公差、磨损和人的操作判断。一个生产流程是否稳定，一个质量问题为什么出现，一个模型假设是否站得住，很多时候不能只靠纸面推导，而要回到现场、回到系统本身。

与此同时，我在重型机械与轴承制造相关环境中接触了 FEM/BEM 仿真、弹性流体动力润滑、可靠性分析与寿命分析。它们让我从另一个角度理解机械系统的物理深度：载荷、接触、变形、润滑、疲劳和失效并不是抽象概念，而是直接决定工程系统能否长期可靠运行的底层机制。

这些经历共同塑造了我的技术判断力：一边是生产一线带来的上手能力、现场感和流程理解，另一边是数值仿真与机械系统分析带来的物理深度。对我来说，这不是一段普通的早期经历，而是我工程思维的起点。