负责工业聚集区AI环境预警系统端到端架构设计、模型迭代及业务落地，覆盖多源数据融合、算法优化与场景适配，支撑园区大气污染“早预警、早处置”

• 主导设计“工艺参数-排放数据”双驱动的LSTM-XGBoost融合预警模型，针对钢铁园区烧结机废气非线性时序特征，整合DCS系统炉膛温度、脱硫塔pH值等15维工艺参数与SO₂、颗粒物在线监测数据，通过SHAP值分析筛选滞后3小时的炉膛温度波动（特征重要性0.87）等关键因子，将超标预警准确率从78%提升至93%，漏报率下降45%；搭建模型每周在线更新机制，用新数据微调参数保持适应性
• 核心开发支持20+园区接入的预警平台，采用Spring Cloud Alibaba微服务架构，对接OPC UA、Modbus多协议设备采集，设计自适应数据清洗Pipeline（含缺失值插补、异常值Winsorization），解决传感器数据异构问题，数据可用率达99.6%；平台日均处理300万+条数据，预警响应时间从12分钟缩短至2.5分钟
• 优化边缘侧实时预警能力，将TensorFlow训练的LSTM模型量化压缩为TensorRT引擎部署边缘网关，针对量化后精度下降（从92%降至85%），用迁移学习以目标园区3个月数据微调，精度恢复至91.5%，实现边缘端预警延迟≤500ms，满足企业秒级响应要求
• 搭建预警有效性评估体系，结合混淆矩阵、ROC-AUC（0.91）及环保执法数据量化处置率；每月输出《园区废气预警效能报告》，推动整改15起“预警未处置”问题，预警事件实际查处占比从65%提升至88%，帮助企业规避3起环保处罚

参与大气环境预警系统算法开发与数据治理，推动系统从试点向规模化应用转化，解决模型泛化性与业务适配问题

• 参与某化工园区试点模型开发，针对化工废气（VOCs、苯系物）复杂性，用XGBoost融合气象、地理与排放数据构建多因子模型；通过网格搜索优化超参数，将苯浓度超标预测准确率从70%提升至85%，支撑试点完成“AI预警-核查-整改”闭环
• 负责系统数据层治理，梳理12家企业30+台设备数据，建立数据质量监控指标（缺失率≤1%、异常值占比≤0.5%），开发自动化校验脚本，将数据问题解决时间从4小时缩短至30分钟，保障模型输入可靠性
• 协助业务优化预警阈值，结合化工生产工艺与企业排放标准，用ROC曲线确定苯浓度预警阈值0.08mg/m³（低于国标0.1mg/m³），误报率从35%降至18%，提升企业对系统的信任度

负责企业废气排放数据统计分析与预警模型探索，为AI预警系统开发积累基础数据与经验

• 整合下属3家火电厂废气排放（SO₂、NOx、烟尘）与运行数据（机组负荷、煤质），用Hive构建数据仓库（含100+张表），通过SQL分析发现机组负荷超80%时NOx浓度上升显著（R²=0.75），为后续模型特征选择提供依据
• 探索传统模型局限性，用ARIMA预测SO₂排放，对机组启停等突发工况预测误差达40%；撰写《传统时序模型在动态工况下的局限性分析》报告，提出“工艺参数+机器学习”模型建议，为转向AI预警埋下伏笔
• 支持环保部门临时核查，用Python编写自动化报表脚本（Pandas处理、Matplotlib可视化），将月度排放报告生成时间从2天缩短至半天，提升工作效率

工业园区多源数据融合智慧环保数字孪生平台研发与应用

• 项目背景：国内工业园区普遍存在环保数据分散（企业DCS、在线监测、气象等多源数据异构）、监管预警滞后等问题，某省生态环境厅亟需一套整合多源数据的数字孪生平台，实现污染实时溯源与智能预警。我的总体职责是统筹平台架构设计与核心技术攻关，对接政府需求与研发团队进度，确保项目落地符合监管场景要求。
• 关键难题与技术：一是多源数据融合困难——企业数据格式不统一、同步延迟达分钟级，无法支撑实时孪生；二是园区污染扩散建模不精准——传统CFD模型无法关联实时工况波动。为此，我引入自研边缘计算网关（搭载协议解析模块）解决异构数据标准化问题，采用Apache NiFi做ETL清洗，并融合计算流体力学（CFD）与LSTM神经网络构建动态污染扩散孪生模型，打通“数据-模型-场景”的链路。
• 核心行动与创新：我主导设计了“端-边-云”三层架构——边缘侧通过网关实现企业数据低延迟传输，云端基于Spring Cloud搭建数据中台，结合Unity引擎开发三维可视化界面，将园区地形、企业布局与污染物浓度实时映射；创新点在于把企业生产负荷、治污设备运行参数嵌入孪生模型，让污染预测从“静态模拟”转向“动态响应”。
• 项目成果：平台覆盖5个重点工业园区、120家企业，接入20+类10万+点位数据；预警准确率从原有系统的65%提升至92%，帮助企业提前72小时预警违规风险，减少违规次数80%；为客户推动园区环保合规率升至98%，为公司带来300万/年订阅营收，获客户“优秀解决方案提供商”称号。

钢铁企业烧结机烟气超低排放智能优化控制系统开发

• 项目背景：某头部钢铁企业烧结机烟气排放存在“工况波动大、人工调控依赖经验、达标率不稳定”痛点，客户需一套系统实现喷氨、脱硫剂用量自动优化。我担任核心技术工程师，负责算法开发、系统集成及现场调试，目标是从“事后治理”转向“事前预测、事中优化”。
• 关键难题与技术：一是烧结工况（料层厚度、风量）快速变化导致SO2/NOx排放波动，传统PID控制无法实时适配；二是烟气传感器易受粉尘影响漂移，干扰调控精度。我采用强化学习（DDPG算法）构建“工况-排放”预测模型，同时开发基于激光光谱仪的漂移补偿算法，每2小时校准传感器数据。
• 核心行动与决策：我采集1年烧结工况与排放数据（10万+条）训练模型，将预测结果与DCS系统联动，实现喷氨量、脱硫剂投加量动态调整；针对现场粉尘大的问题，我优化了激光光谱仪的安装位置与采样频率，确保漂移补偿的准确性。这一过程需平衡算法响应速度与工业场景稳定性，最终选择轻量化模型部署在边缘端。
• 项目成果：系统上线后，烧结机排放达标率从90%升至99.5%，未发生超标事件；脱硫脱硝药剂用量降低25%，年节省成本180万元；成果获“XX省环保科技进步三等奖”，技术方案被企业推广至3条生产线，成为公司在钢铁行业的标杆案例。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。