负责工业废气排放AI预警系统端到端研发，涵盖多源异构数据融合、时序预测模型构建及预警规则迭代，支撑企业合规排放与监管决策

• 主导设计基于LSTM-Transformer混合架构的废气超标预警模型，整合企业DCS系统工艺参数（温度、压力、VOCs浓度）、CEMS在线监测数据及气象部门AQI指数，通过PyTorch搭建框架，针对数据缺失问题采用KNN插值+注意力机制补全，将异常排放提前预警时长从4小时延长至12小时，模型准确率提升至92%
• 核心参与某钢铁集团5个厂区废气预警系统落地，梳理12类排放源工艺逻辑，定制“工艺参数-排放浓度”关联规则引擎，解决烧结、炼铁等不同产线异质数据适配问题，系统上线后帮助企业减少超标排放事件35%，获客户年度技术创新奖
• 优化系统实时计算性能，针对每秒10万条高并发设备数据流，用Flink重构流处理架构，引入窗口函数+状态后端优化，将数据处理延迟从500ms降至100ms，支撑企业实时监控大屏分钟级响应，满足环保监管要求
• 建立模型持续迭代机制，每周采集误报/漏报案例，用SHAP值分析特征重要性，优化输入特征集（剔除冗余湿度特征、新增SO₂/NOx比值特征），使模型月度误报率从8%降至3%，保障系统长期稳定运行

负责环境监测数据分析与预警规则挖掘，支撑AI预警系统需求输入及效果验证

• 主导某化工园区10家企业废水排放数据挖掘，用Python Pandas、Scikit-learn分析COD、氨氮等指标时间序列特征，识别“夜间排放浓度波动异常”规律，为AI模型提供关键特征方向，助力园区超标排放发现率提升20%
• 开发基于随机森林的排放因子异常检测模型，整合生产台账（产量、原料用量）与在线监测数据，构造“单位产品排放量”衍生指标，实现偷排行为精准识别，模型召回率达85%，帮助园区查处3起偷排案件
• 搭建环境预警规则可视化配置平台原型，用Vue.js+ECharts实现阈值与关联条件拖拽设置（如风速<2m/s时VOCs阈值下调20%），解决传统规则硬编码适配难问题，平台试点获80%用户好评
• 参与编写《化工园区环境预警指标体系规范》，结合HJ 633-2012与园区企业特征，定义15项核心预警指标及阈值，成为园区后续系统建设标准依据

负责污染源在线监测设备运维与数据质量管控，为一线预警提供可靠数据基础

• 承担园区20套CEMS设备运维，制定“周巡检+月校准”计划，用Testo 350烟气分析仪校准SO₂、NOx传感器精度，将设备数据有效率从90%提升至98%，保障数据分析可靠性
• 排查CEMS设备“VOCs浓度数据跳变”故障，发现采样管路冷凝管堵塞导致样品失真，通过热清洗+更换滤芯修复，避免因数据错误引发误预警，获企业“运维服务之星”称号
• 整理设备运维数据，分析故障高发部件（采样泵、电磁阀），向厂家反馈改进意见，推动采样泵耐用性从6个月提升至12个月，降低园区运维成本约15%
• 协助环保部门开展数据质量专项检查，用Excel VLOOKUP+数据透视表比对生产数据与监测数据相关性，发现2家企业数据造假嫌疑，移交执法部门查处，维护数据真实性

区域级工业废气智慧监测与动态管控平台研发及产业化应用

• 项目背景源于区域工业废气监管痛点——原有监测系统数据分散、异构，超标排放预警滞后，政府难以实现精准管控。项目目标是研发集“实时监测-智能预警-溯源管控-效果评估”于一体的智慧平台，覆盖区域内500家工业企业、2000+监测点位，实现废气排放从“被动响应”到“主动治理”的转变。我在项目中主导技术架构设计、核心算法攻关及产业化落地全流程。
• 项目面临三大关键挑战：一是多源监测设备（电化学传感器、PID检测仪、红外热成像仪）数据格式不统一，融合准确率不足70%；二是工业废气成分复杂，传统机器学习模型对VOCs等特征污染物浓度预测准确率仅78%；三是中小企业设备接入成本高，缺乏轻量化适配方案。为此，我引入边缘计算 gateway 实现异构数据实时清洗与特征提取，构建“设备层-边缘层-云端”三层数据处理体系；同时融合LSTM时序模型与注意力机制，纳入气象参数（风速、湿度）作为辅助特征，解决污染物扩散预测的非线性问题；此外，制定MQTT协议轻量化适配规范，将企业端设备接入成本降低45%。
• 核心行动中，我牵头搭建了“数据-模型-应用”闭环：首先，针对数据融合难题，设计基于规则引擎与机器学习的混合校准算法，将多源数据一致率提升至95%以上；其次，为优化预测模型，收集区域内120家企业的3年历史排放数据，做特征工程时引入“工艺参数-环境变量-排放浓度”关联规则，将VOCs预测准确率提升至92%；最后，推动平台与企业ERP系统对接，实现超标预警自动触发企业减排方案，同时向政府提供“区域排放热力图+企业合规评分”可视化看板，支撑精准执法。
• 项目成果显著：平台上线6个月内，区域工业废气超标排放次数同比下降85%，政府监管响应时间从2小时缩短至15分钟，助力3个园区成功创建“国家级绿色工业园区”。技术层面，形成2项发明专利（一种工业废气多源数据融合方法、基于注意力机制的VOCs浓度预测模型）、1项行业标准（《区域工业废气智慧监测系统技术规范》），并获得省级环保科技进步二等奖。我的贡献在于打通了从技术研发到产业落地的最后一公里，既解决了政府的监管痛点，也为企业提供了可操作的减排路径，直接推动公司智慧环保业务营收增长40%。

钢铁企业烧结环节能耗与排放智能优化系统开发

• 项目聚焦钢铁行业烧结环节的高能耗、高排放问题——烧结环节能耗占钢铁企业总能耗30%，SO2、NOx排放占比达40%。企业需求是在保证产量的前提下，实现能耗与排放的协同优化。我在项目中负责数字孪生模型搭建、强化学习算法应用及工艺-技术衔接，是从“单点技术应用”向“系统优化”的重要成长项目。
• 项目难点在于烧结过程的强耦合性：料层厚度、机速、燃料配比等10+工艺参数相互影响，传统机理模型难以捕捉非线性关系；同时，实时数据的噪声与延迟会导致优化决策偏差。为此，我采用数字孪生技术，基于物理机理（烧结矿化学反应动力学）与数据驱动（历史运行数据）融合建模，构建烧结过程的虚拟镜像；引入PPO强化学习算法，以“能耗最低、排放最少、产量稳定”为多目标函数，实现工艺参数的动态优化。
• 核心行动中，我首先联合工艺工程师梳理烧结机关键参数，通过敏感性分析筛选出5个核心控制变量（料层厚度、燃料配比、机速、返矿率、风箱温度）；然后，利用历史运行数据训练数字孪生模型，将模型预测误差控制在3%以内；接着，设计强化学习奖励函数，平衡能耗（权重0.4）、排放（权重0.3）、产量（权重0.3）的优先级，通过离线仿真与在线微调，逐步优化参数。例如，将料层厚度从传统的650mm提升至700mm，燃料配比从5.2%降至4.8%，同时保持烧结矿产量稳定。
• 项目成果：系统在某大型钢铁企业180㎡烧结机上应用后，烧结环节能耗降低12%（年节省标煤1.2万吨），SO2排放减少18%、NOx排放减少22%，每年为企业创造直接经济效益800万元。技术层面，申请1项实用新型专利（一种烧结过程能耗排放智能优化装置），发表2篇EI论文（《基于数字孪生的烧结过程参数优化》《强化学习在烧结环节能耗排放协同中的应用》）。我的贡献是解决了“工艺-数据-算法”的跨领域衔接问题，将数字孪生与强化学习落地到复杂的工业场景，验证了智能优化系统在流程工业中的可行性，也为后续承接更大规模的智慧环保项目积累了经验。

• 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。