專案與工作研究經驗

0→1 數位平台建設與上線實戰

獨立建置｜2026

系統規劃、開發、測試到正式上線全程一人主導

以業餘時間完整走通一個多角色服務平台從架構設計、前後端開發、自動化測試到雲端生產環境上線的全流程（此處僅描述通用能力，不涉及專案細節與機密）。

資料依據：

AI 製程與工程參數最佳化

工作專案研究｜常熟精元

參與工程拉拔力預測，結合工廠管理推動製造 AI 應用。

將製造與設計問題轉為可分析的參數、預測目標及驗證流程，研究壓 key、噴漆治具、Pogopin 推力、鍵帽拉拔力與雷雕參數最佳化。

研究問題與方法

工程拉拔力專案針對鍵帽卡鉤開口尺寸依賴經驗及開模試錯的問題，利用材質與既有拉拔力資料，研究設計尺寸預測及參數組合推薦。簡報記載以 20 筆資料建模，另取 3 筆資料測試，屬初步驗證，仍需擴充不同規格與工況資料。

製造端驗證案例

壓 key 專案結合氣缸壓力、頂出時間、壓合時間與 Rubber 硬度，經模型推薦及線下測試，報告記載指標從 200 提升至 1,113 pcs／次。這是跨部門團隊成果，保留原始單位與適用範圍。

效益與研究邊界

拉拔力專案列出修模、實驗人力及新人培訓合計 RMB 104,800／年的估算效益。此金額為情境估算，不列為已實現節省，也不與原履歷 RMB 2M+ 單年成果加總。後續研究方向包括公差範圍推薦、擴充樣本與持續線下驗證。

資料依據：《AI專案優化彙整》：第 20、22、62、66–67、71、74、79–80 頁。拉拔力專案列名參與，其餘案例依團隊報告整理。

Jingtek E-bike App 與 IoT 服務系統

產品規劃與創業研究｜E-bike／IoT

結合共同創辦人／執行副總期間的產品研發與 App／後台架構規劃經驗。

研究電動自行車硬體通訊與 App、管理後台的整合，將產品功能延伸至線上交易、售後服務與使用者社群。

App 與後台服務規劃

簡報呈現車況異常偵測、附近維修據點、商品選購、願望清單與點數消費等情境。管理後台涵蓋會員、商品、維修管理，以及消費行為與商品銷售分析，將產品研發與售後服務流程一併考量。

IoT 與商業模式研究

研究透過社群、試乘及維修服務提升使用黏著度，並探索線上交易與體驗分享模式。租賃方案提出 GPS 定位、防盜與電子圍欄功能需求，硬體端則提出通訊相容與 OTA 更新程式庫規劃。

經驗定位

本案例呈現系統規劃、軟硬體整合與商業模式研究。簡報未提供營收、使用者數或全面上線驗證，因此不將功能構想寫成已實現的商業成效。簡報中的「支援逾 60% 通訊協定」屬硬體需求，與原履歷「65% 以上硬體適配率」為不同指標。

資料依據：《Jingtek E_bike app system》：第 3、5–16 頁。個人職責脈絡依《洪承洋resume0915》創業與 App 架構規劃經歷。

智能體工作流與製造業治理研究

持續研讀｜Agentic Workflow

研讀 Morris Fan 講義，延伸思考企業私有 AI Agent 的流程整合與管理機制。

以《智能體工作流的實踐與挑戰》為研究參考，聚焦製造現場問題定義、資料與工具串接、人工覆核，以及可追溯的決策流程。

架構與工作流研究

參考講義的資料與工具、智能體核心、協調工作流及治理覆核架構，研究如何把現場需求轉為可執行、可觀測的任務流程，並為資料查詢、工具操作與結果驗證設定清楚邊界。

製造營運治理觀點

聚焦人工覆核（Human-in-the-loop）、工具權限、證據紀錄、異常處理及中止機制，將不可逆性、產線風險與資料敏感性納入導入評估。研究任務成功率、成本、延遲與失敗恢復等管理指標。

研究應用與來源歸屬

將設備維修、品質知識、生產排程、需求預測及供應鏈預警作為後續應用研究方向。此項為講義研讀，原作者為 Morris Fan；講義示範系統、程式及成效不列為本人開發或部署成果。

資料依據：Morris Fan，《智能體工作流的實踐與挑戰》：第 4–13、27–32、73–82、84–91 頁。研讀參考，非本人著作。

電動車控制器嵌入式開發

持續開發｜Embedded Systems

個人技術研究與開發（持續進行）

以 10+ 年嵌入式開發經驗為基礎，持續進行電動自行車控制器（三相 BLDC 電機控制）的韌體與工具鏈開發：從電機控制演算法、量產保護判據移植、通訊協議設計、上位機調校工具，到運行數據記錄與 AI 輔助診斷的整鏈實踐。

電機控制與韌體

以現代雙核 MCU（整合 CAN／BLE）重構量產驗證過的控制邏輯：三相 BLDC 換相與 SVPWM 正弦控制、過流／欠壓／堵轉保護，以及電磁煞車（E-ABS）與動能回收的韌體實現與安全管理。

協議與工具鏈

設計控制器↔儀表↔BMS 串列通訊協議與調試幀，開發 Windows 調校工具（參數讀寫、霍爾校準、即時曲線、診斷包導出），支撐電機匹配與量產標定流程。

AI 應用探索

將運行數據（電流、轉速、電壓、負載狀態）導出為結構化診斷包，探索大模型輔助故障診斷與電機參數自學習，延伸 IoT 服務與售後應用的可能。

資料依據：個人開發紀錄（GitHub）