人工智能在制造生产过程运用情况如何？

AI 可以对生产流程进行全方位的管理和优化，包括研发、制造、供应链等环节。

1.AI 加速研发周期

AI 的强大算力和数据处理能力可以在研发高“白痴指数”材料方面发挥巨大作用。 传统的材料研发往往需要大量的实验和试错，耗费大量的时间和资源。而 AI 可以通 过对海量材料数据的分析和挖掘，建立起材料性能与成分、结构之间的关系模型。 例如 2023 年 11 月，谷歌 DeepMind 推出了材料探索图形网络(GNoME)，通过预测新 材料的稳定性，大大提高了发现的速度和效率。GNoME 是一种最先进的图神经网络 (GNN)模型，使用两个管道来发现低能（稳定）材料。结构管道创建结构与已知晶体 相似的候选材料，而成分管道则采用基于化学式的更随机的方法。研究团队使用已建 立的密度泛函理论计算对这两个管道的输出进行评估，并将这些结果添加到 GNoME 数 据库中，为下一轮主动学习提供信息。

过去几十年来，科学家通过实验方法在无机晶体结构数据库（ICSD）中记录了 20000 种计算稳定的结构。随着技术发展，人们通过引入 AI 技术发现了 28000 种新材料， 但 AI 在准确预测实验可行性和预测规模上遇到一定瓶颈。当前，GNoME 模型通过迭 代，已发现超过 220 万种新型结构，通过稳定性竞争筛选后新增 380,000 个条目，使 总稳定晶体数达到 421,000 个，这标志着材料发现规模较历史研究成果实现了数量 级突破。

例如 2023 年 11 月，美国加州大学伯克利分校团队开发了一种自动实验室（A-Lab） 系统。这种 A-Lab 根据现存科学文献训练，随后结合主动学习，可对拟定化合物创造 最多 5 个初始合成配方。随后它可以用机器臂执行实验，合成粉末形态的化合物。如 果一个配方产量低于 50%，A-Lab 会调整配方继续实验，在成功达到目标或穷尽所有 可能配方后结束。

在连续 17 天的运行中，A-Lab 成功合成 58 种目标材料中的 41 种，涵盖 33 种化学元 素及 41 类晶体结构原型。相比之下，人类研究员需要花费数月去推测和实验。凭借 其验证预测材料的高成功率，A-Lab 充分展现了第一性原理计算、机器学习算法、历 史知识积淀与自动化实验技术在材料科学研究中的协同效应。 例如 2024 年 3 月，华为与大连化物所深度合作，联合推出智能化工大模型。研发团 队围绕该模型，构建了首个化工设计-仿真优化-知识归纳的多智能体协同设计的平 台，在用户输入工艺目标后，可实现秒级生成并可视化对应设计方案，响应用户的优 化指令，完成对原设计方案的修改。 传统科研范式下，新技术需要经历实验室小试、实验室中试、工厂中试以及实际工厂 落地多个阶段，时间上需跨越数十年，人力成本、经济投入需上亿，严重制约了新科 技成果向实际生产力转化的速度。工艺流程图是化工设计的核心，它反映了化工生产 由原料到产品的全过程，即物流、能流的变化以及生产过程中所经历的工艺过程和所 需的设备仪表。智能化工大模型快速准确检索化工知识，初步实现了自动生成、仿真、 反馈优化等功能，降低了化工工艺设计对专家经验的依赖度的同时，也有望实现 10+倍的化工流程设计效率提升。

2.AI 优化生产工艺流程

化工生产涉及众多的化学物质和复杂的化学反应，生产过程通常是连续进行的，每个 产品的生产过程均包含多个装置及复杂的工艺流程。现在大多数化工厂都只局限于 局部场景且以安全稳定为主要目标的自动化控制为主，缺少整体的环节优化，依赖人 工经验进行粗放式的控制，普遍存在生产物料成本高、产品收率低等问题。同时，化 工生产过程中的节能减排也面临严峻挑战。 在生产高“白痴指数”材料的过程中，AI 可以实时监测和分析生产线上的各种数据， 包括温度、压力、流量等工艺参数，以及设备的运行状态和产品质量情况。通过建立 生产过程的数学模型，AI 可以预测不同工艺参数组合下的产品质量和生产效率，并 自动调整生产参数，实现生产过程的优化和智能化控制。 例如云鼎科技股份有限公司联合华为技术有限公司，通过与山东能源集团、万华化学 等头部企业化工及工艺专家的联合研讨、工厂需求调研等方式梳理化工工艺优化+AI 应用场景。在甲醇精馏装置工艺智能优化场景中，采用大小模型与工艺机理结合的方 式构建多变量工艺优化模型，通过对精馏塔温度、环境温度、塔釜温差、压力、进料 流量、蒸汽流量、塔釜液位、质检化验数据等 60 多个参数进行分析，基于预测大模型对回流比参数进行预测，在满足产品质量的前提下，以最小化蒸汽消耗量及最大化 甲醇产品收率为目标求解最佳回流比，实现在甲醇产品满足质量要求的条件下降低 蒸汽消耗量、提升甲醇产品收率的目标。 《人工智能赋能行业发展高质量建设指南 2024 年》基于在山东能源集团某权属单位 的试点情况评估测算，平均每吨甲醇蒸汽消耗量可降低 2%,年度可节省蒸汽成本 192 万元，扩展到全行业，以 2023 年全国甲醇产量 8300 万吨进行估算，该场景的蒸汽成 本节省空间在 10 亿元以上。

乙烯装置作为化工产业的龙头装置与中国石化主业发展的关联度极其高，对其核心 装置裂解炉的模拟计算因为裂解原料复杂、裂解反应规模庞大且涉及多物理场耦合 而存在巨大的挑战。国外乙烯装置模拟软件较为成熟，中国石化内部的炼化厂使用的 蒸汽裂解模拟软件基本以国外软件（如 SPYRO 和 COILSIM）为主，每年不仅要支付高 昂的授权费用，还有技术保密和运行数据泄漏的风险，亟需开发具有自主知识产权的 裂解反应模型和裂解炉模拟软件，帮助企业优化裂解炉操作，提高关键产物产率，降 低乙烯装置能耗。 中石化（北京）化工研究院有限公司根据自主开发的裂解反应机理模型及裂解炉辐射 模型，结合裂解装置工艺参数，得到裂解原料、操作条件与收率的对应关系，使用深 度学习算法数据驱动的蒸汽裂解反应模型。

该模型通过乙烯装置裂解原料和反应条件优化，显著提升了关键产品的收率，并减少 了副产品的生成。案例的测试结果表明，应用实时优化模型和平台后，双烯收率提高 了 0.315wt%，每吨乙烯的产品效益增加了 19.52 元。对于百万吨乙烯规模的装置， 年增效可达 1952 万元。这种优化不仅提升了乙烯装置的经济效益，还对化工、石油 和天然气行业的流程模拟和操作优化具有重要意义，尤其是在加热炉、裂解炉操作的 模拟计算和操作优化方面。通过模拟和优化，可以提高生产效率，降低成本，实现资 源的更高效利用。

3.AI 精准管理供应链

化工行业供应链具有以下特点：（1）复杂性:供应链中涉及多种化工原料，每种原料 的性质、用途、存储和运输要求各异；（2）风险性:化工原料存在易燃、易爆、有毒 等特性，安全管理和风险防控至关重要；（3）动态性:受市场需求、原料价格、政策 法规等多种因素影响，供应链需不断调整以适应变化等。 AI 可以通过对供应链数据的分析和预测，优化供应链的各个环节，提高供应链的效 率和可靠性。AI 可以实时监测原材料市场的供求关系和价格变化趋势，提前预测潜 在的供应风险，并制定相应的采购策略。同时，AI 还可以优化物流配送方案，降低 运输成本和库存成本。

例如基于大数据分析赋能六国化工产销协同管理优化项目中，从需求计划入手，基于 历史订单销量、成品产品信息、产品间关系、全国销售区域信息以及内外部影响因素 等输入数据，结合产品根据地理位置需要因地制宜进行预测的理解，以及新品投放、 促销等特殊事件的考虑，建立 AI 机器学习模型和传统时间序列模型，对各品类月度 销量进行预测。输出按照销售区域、时节、产品品类维度的需求计划结果，将需求占 比预估进一步细化到成品产品维度，并提供需求动态监控预警和多维度分析。 基于 AI 的需求计划，项目进一步对六国化工库存进行全局优化。结合库存信息、仓 库信息、成品产品信息、替代关系、经销商层级信息、补货规则、调拨规则、成本数 据、物流资源等输入数据，建立库存策略优化模型，平衡服务满足率和库存周转率， 得到针对成品的安全库存水平，工厂仓库间以及仓库到经销商的补货计划、仓储计划， 以及各层级库存健康状态监控与关键绩效指标（KPI）报表。 生产方面，项目协助六国化工量化现有生产限制：生产难度、废料产生情况、每套装 置最小生产量等，将提报的下个月的销量预测分配到每个工厂，并使用杉数科技自主 研发的数学规划求解器制定成本最优以及实际产量最匹配下的产品生产计划。 为了寻找供应与需求之间的最佳平衡点，项目设计了一个决策辅助-产销协同模拟引 擎，计算每一种信息每一个场景的 KPI 表现及对应的需求、供应、生产计划。产销协 同模拟引擎将不同产品类型的预测需求与预估的产能、物料到货时间相对应，在综合 考虑产能限制、生产提前期、生产优先级等限制条件下，由算法自动输出自定义战略目标（如总成本最低、产量最大、库存最少）的生产计划方案。 基于机器学习的销量预测，六国化工的销售预测满足度从 87%提升至 95%，结余库存 水平平均下降 0.5 个月的月销量，企业各部门间协同效率提高 20%。制定需求计划、 生产计划，人力投入时间缩短 50%以上。