负责工业聚集区大气污染物AI预警系统的全生命周期开发，聚焦VOCs、氮氧化物等特征污染物的高精度预测与异常识别，通过模型优化与工程落地解决传统监测滞后性问题，支撑园区环保监管从‘被动响应’向‘主动预防’转型。

• 主导设计基于时序注意力LSTM的VOCs浓度多步预测模型，针对工业排放数据存在的高噪声、非稳态特性，创新融合滑动窗口去噪与变分自编码器（VAE）特征增强，将72小时预测MAE从12.6μg/m³降至5.8μg/m³，模型在3家化工园区试点中提前4-6小时预警异常排放事件，准确率达91%。
• 牵头优化实时预警引擎架构，采用Apache Flink构建低延迟流计算链路，集成规则引擎与机器学习模型双校验机制，将预警响应时间从15分钟压缩至30秒内；同步开发异常溯源模块，通过SHAP值可解释性分析定位主要致因（如某时段RTO装置燃烧不充分贡献65%异常值），辅助园区快速锁定责任主体。
• 推动系统与园区CEMS、气象站、无人机巡检数据的多源对接，制定《工业废气预警数据接入规范V1.0》，定义23类关键指标的清洗规则与时间戳对齐逻辑，实现97%外部数据的自动化接入与标准化处理，减少人工干预成本40%。
• 联合环保监管部门开展模型验证，基于某钢铁园区18个月的排放数据，对比传统阈值法与AI模型预警效果，发现系统对非计划性排放（如设备泄漏）的检出率提升35%，相关成果被纳入园区年度环保白皮书案例。

参与省级大气污染联防联控预警平台建设，负责多源异构环境数据的融合建模与区域级污染事件预警，重点突破跨尺度（局地-区域）、跨污染物（PM2.5-O3）的关联预测难题。

• 核心开发基于时空图卷积网络（ST-GCN）与XGBoost的O3生成潜势预测模型，整合气象模式数据（WRF）、交通流量、工业源清单等多维度信息，将未来72小时O3超标概率预测准确率从78%提升至89%，支撑省生态环境厅制定差异化管控策略。
• 设计动态阈值调整算法，结合AERMOD大气扩散模型输出的气象敏感性系数，自动修正不同季节、风向下污染物的预警阈值（如夏季午后O3阈值较冬季上调15%），系统误报率从22%降至15%，获平台用户（地市环保局）书面表扬。
• 主导编写《AI环境预警系统运维指南》，涵盖模型漂移检测（PSI指数监控）、数据质量评估（完整性/时效性指标）、故障应急响应流程等内容，完成12场客户培训（覆盖80+运维人员），推动平台上线后首年故障响应效率提升50%。

聚焦垃圾焚烧发电场景的大气污染物排放预测，为环保监管提供技术支撑，同时探索AI在工业源环境风险识别中的基础应用。

• 构建二噁英排放预测模型，基于焚烧炉工况数据（燃烧温度、停留时间、过量空气系数）与烟气参数（CO浓度、HCl含量），采用随机森林筛选关键特征并训练梯度提升树模型，预测误差控制在8%以内，为焚烧厂优化燃烧控制提供数据依据。
• 开发边缘端预警模块，通过TensorRT对LSTM模型进行量化压缩，将推理耗时从2秒缩短至500ms，适配焚烧厂现场PLC设备的算力限制，实现燃烧工况异常（如炉温骤降）的毫秒级响应，相关方案在2家垃圾焚烧企业落地。
• 参与生态环境部《重点行业AI环境预警技术指南》课题，负责焚烧场景技术路线编写，提出的‘工况-排放-气象’三维特征融合方法被采纳为指导原则，间接推动行业标准制定。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。

长三角某国家级经开区工业园区智慧环保管控平台研发与落地项目

• 长三角某国家级经开区聚集120余家工业企业（涵盖化工、电子、纺织等高耗能高污染行业），原有环保管理依赖人工巡检+分散系统（企业在线监测、园区大气/水站数据孤立），存在数据真实性存疑、超标预警滞后（平均延迟2小时）、企业治污效率低（设施运行率仅75%）等问题。我的核心职责是牵头需求调研、方案设计与全生命周期交付，目标搭建“全链路可视化+智能预警+协同管控”的智慧环保平台，支撑园区完成“十四五”污染物减排20%的刚性目标。
• 项目面临三大关键挑战：一是多源数据融合难——企业端CEMS、水质监测仪与园区端监测数据格式异构，且存在企业瞒报风险；二是复杂场景预警准度低——化工企业VOCs无组织排放受气象条件影响大，传统阈值预警误报率高达60%；三是企业系统兼容性差——80%中小企业使用老旧ERP/自研系统，无法直接对接平台。
• 针对数据融合，设计“边缘计算+区块链”采集方案：在企业端部署轻量化边缘网关（支持Modbus/MQTT/API协议），实时采集设备数据并通过区块链存证确保不可篡改，再依托Hadoop+Spark数据中台清洗关联，实现“企业-园区”数据同源；针对智能预警，联合省气象局训练LSTM+注意力机制模型，整合气象数据（风速、风向、湿度）与企业工艺数据（生产负荷、原辅材料用量），构建VOCs无组织排放预测模型；针对兼容性，开发低代码适配器，无需企业更换系统即可完成数据对接。
• 项目上线后，园区环保监管效率提升60%（人工巡检频次从周3次降至周1次），企业治污设施运行率升至92%，VOCs排放浓度下降28%，助力园区提前3个月完成年度减排目标。平台获“2023年度长三角智慧环保优秀案例”，我作为负责人在园区绿色发展论坛分享经验，后续推动公司与3个同类园区达成合作。我个人也完成了从“系统模块负责人”到“全项目统筹者”的能力跃迁。

某地级市化工园区恶臭污染物精准溯源与动态管控系统开发项目

• 某地级市化工园区恶臭投诉占园区总投诉量的35%，传统手工监测（每月1次）无法捕捉瞬时排放，溯源依赖人工排查（耗时24小时以上且准确率不足40%）。我的职责是负责恶臭监测算法开发与系统集成，目标是实现“实时监测-快速溯源-源头管控”闭环，解决园区恶臭治理痛点。
• 项目核心难点：一是恶臭组分复杂——涉及硫化氢、氨、甲硫醇等10余种物质，单一传感器无法覆盖；二是溯源精度低——缺乏企业精准排放清单与气象扩散模型结合的方法，导致溯源结果偏差大。
• 技术突破上，选用电化学+PID复合传感器阵列，实现对12种主要恶臭物质的实时监测；开发基于随机森林的污染物组分识别算法，通过训练10万条历史监测数据，实现组分识别准确率90%以上；结合AERMOD气象扩散模型与企业历史排放清单，构建“点源-面源”混合溯源模型，当恶臭超标时，15分钟内定位到具体企业或路段。
• 系统落地后，园区恶臭投诉率下降50%，溯源时间从24小时缩短至1小时内，协助企业排查出3个隐蔽无组织排放口，园区恶臭达标率从68%提升至89%。此项目让我深度掌握了恶臭监测与溯源的核心技术，为后续承接大型工业园区智慧管控项目积累了关键经验，也奠定了我在“细分污染物精准治理”领域的技术壁垒。