人工智能在制造生產過程運用情況如何？

AI 可以對生產流程進行全方位的管理和優化，包括研發、制造、供應鏈等環節。

1.AI 加速研發周期

AI 的強大算力和數據處理能力可以在研發高“白癡指數”材料方面發揮巨大作用。 傳統的材料研發往往需要大量的實驗和試錯，耗費大量的時間和資源。而 AI 可以通 過對海量材料數據的分析和挖掘，建立起材料性能與成分、結構之間的關系模型。 例如 2023 年 11 月，谷歌 DeepMind 推出了材料探索圖形網絡(GNoME)，通過預測新 材料的穩定性，大大提高了發現的速度和效率。GNoME 是一種最先進的圖神經網絡 (GNN)模型，使用兩個管道來發現低能（穩定）材料。結構管道創建結構與已知晶體 相似的候選材料，而成分管道則采用基于化學式的更隨機的方法。研究團隊使用已建 立的密度泛函理論計算對這兩個管道的輸出進行評估，并將這些結果添加到 GNoME 數 據庫中，為下一輪主動學習提供信息。

過去幾十年來，科學家通過實驗方法在無機晶體結構數據庫（ICSD）中記錄了 20000 種計算穩定的結構。隨著技術發展，人們通過引入 AI 技術發現了 28000 種新材料， 但 AI 在準確預測實驗可行性和預測規模上遇到一定瓶頸。當前，GNoME 模型通過迭 代，已發現超過 220 萬種新型結構，通過穩定性競爭篩選后新增 380,000 個條目，使 總穩定晶體數達到 421,000 個，這標志著材料發現規模較歷史研究成果實現了數量 級突破。

例如 2023 年 11 月，美國加州大學伯克利分校團隊開發了一種自動實驗室（A-Lab） 系統。這種 A-Lab 根據現存科學文獻訓練，隨后結合主動學習，可對擬定化合物創造 最多 5 個初始合成配方。隨后它可以用機器臂執行實驗，合成粉末形態的化合物。如 果一個配方產量低于 50%，A-Lab 會調整配方繼續實驗，在成功達到目標或窮盡所有 可能配方后結束。

在連續 17 天的運行中，A-Lab 成功合成 58 種目標材料中的 41 種，涵蓋 33 種化學元 素及 41 類晶體結構原型。相比之下，人類研究員需要花費數月去推測和實驗。憑借 其驗證預測材料的高成功率，A-Lab 充分展現了第一性原理計算、機器學習算法、歷 史知識積淀與自動化實驗技術在材料科學研究中的協同效應。 例如 2024 年 3 月，華為與大連化物所深度合作，聯合推出智能化工大模型。研發團 隊圍繞該模型，構建了首個化工設計-仿真優化-知識歸納的多智能體協同設計的平 臺，在用戶輸入工藝目標后，可實現秒級生成并可視化對應設計方案，響應用戶的優 化指令，完成對原設計方案的修改。 傳統科研范式下，新技術需要經歷實驗室小試、實驗室中試、工廠中試以及實際工廠 落地多個階段，時間上需跨越數十年，人力成本、經濟投入需上億，嚴重制約了新科 技成果向實際生產力轉化的速度。工藝流程圖是化工設計的核心，它反映了化工生產 由原料到產品的全過程，即物流、能流的變化以及生產過程中所經歷的工藝過程和所 需的設備儀表。智能化工大模型快速準確檢索化工知識，初步實現了自動生成、仿真、 反饋優化等功能，降低了化工工藝設計對專家經驗的依賴度的同時，也有望實現 10+倍的化工流程設計效率提升。

2.AI 優化生產工藝流程

化工生產涉及眾多的化學物質和復雜的化學反應，生產過程通常是連續進行的，每個 產品的生產過程均包含多個裝置及復雜的工藝流程。現在大多數化工廠都只局限于 局部場景且以安全穩定為主要目標的自動化控制為主，缺少整體的環節優化，依賴人 工經驗進行粗放式的控制，普遍存在生產物料成本高、產品收率低等問題。同時，化 工生產過程中的節能減排也面臨嚴峻挑戰。 在生產高“白癡指數”材料的過程中，AI 可以實時監測和分析生產線上的各種數據， 包括溫度、壓力、流量等工藝參數，以及設備的運行狀態和產品質量情況。通過建立 生產過程的數學模型，AI 可以預測不同工藝參數組合下的產品質量和生產效率，并 自動調整生產參數，實現生產過程的優化和智能化控制。 例如云鼎科技股份有限公司聯合華為技術有限公司，通過與山東能源集團、萬華化學 等頭部企業化工及工藝專家的聯合研討、工廠需求調研等方式梳理化工工藝優化+AI 應用場景。在甲醇精餾裝置工藝智能優化場景中，采用大小模型與工藝機理結合的方 式構建多變量工藝優化模型，通過對精餾塔溫度、環境溫度、塔釜溫差、壓力、進料 流量、蒸汽流量、塔釜液位、質檢化驗數據等 60 多個參數進行分析，基于預測大模型對回流比參數進行預測，在滿足產品質量的前提下，以最小化蒸汽消耗量及最大化 甲醇產品收率為目標求解最佳回流比，實現在甲醇產品滿足質量要求的條件下降低 蒸汽消耗量、提升甲醇產品收率的目標。 《人工智能賦能行業發展高質量建設指南 2024 年》基于在山東能源集團某權屬單位 的試點情況評估測算，平均每噸甲醇蒸汽消耗量可降低 2%,年度可節省蒸汽成本 192 萬元，擴展到全行業，以 2023 年全國甲醇產量 8300 萬噸進行估算，該場景的蒸汽成 本節省空間在 10 億元以上。

乙烯裝置作為化工產業的龍頭裝置與中國石化主業發展的關聯度極其高，對其核心 裝置裂解爐的模擬計算因為裂解原料復雜、裂解反應規模龐大且涉及多物理場耦合 而存在巨大的挑戰。國外乙烯裝置模擬軟件較為成熟，中國石化內部的煉化廠使用的 蒸汽裂解模擬軟件基本以國外軟件（如 SPYRO 和 COILSIM）為主，每年不僅要支付高 昂的授權費用，還有技術保密和運行數據泄漏的風險，亟需開發具有自主知識產權的 裂解反應模型和裂解爐模擬軟件，幫助企業優化裂解爐操作，提高關鍵產物產率，降 低乙烯裝置能耗。 中石化（北京）化工研究院有限公司根據自主開發的裂解反應機理模型及裂解爐輻射 模型，結合裂解裝置工藝參數，得到裂解原料、操作條件與收率的對應關系，使用深 度學習算法數據驅動的蒸汽裂解反應模型。

該模型通過乙烯裝置裂解原料和反應條件優化，顯著提升了關鍵產品的收率，并減少 了副產品的生成。案例的測試結果表明，應用實時優化模型和平臺后，雙烯收率提高 了 0.315wt%，每噸乙烯的產品效益增加了 19.52 元。對于百萬噸乙烯規模的裝置， 年增效可達 1952 萬元。這種優化不僅提升了乙烯裝置的經濟效益，還對化工、石油 和天然氣行業的流程模擬和操作優化具有重要意義，尤其是在加熱爐、裂解爐操作的 模擬計算和操作優化方面。通過模擬和優化，可以提高生產效率，降低成本，實現資 源的更高效利用。

3.AI 精準管理供應鏈

化工行業供應鏈具有以下特點：（1）復雜性:供應鏈中涉及多種化工原料，每種原料 的性質、用途、存儲和運輸要求各異；（2）風險性:化工原料存在易燃、易爆、有毒 等特性，安全管理和風險防控至關重要；（3）動態性:受市場需求、原料價格、政策 法規等多種因素影響，供應鏈需不斷調整以適應變化等。 AI 可以通過對供應鏈數據的分析和預測，優化供應鏈的各個環節，提高供應鏈的效 率和可靠性。AI 可以實時監測原材料市場的供求關系和價格變化趨勢，提前預測潛 在的供應風險，并制定相應的采購策略。同時，AI 還可以優化物流配送方案，降低 運輸成本和庫存成本。

例如基于大數據分析賦能六國化工產銷協同管理優化項目中，從需求計劃入手，基于 歷史訂單銷量、成品產品信息、產品間關系、全國銷售區域信息以及內外部影響因素 等輸入數據，結合產品根據地理位置需要因地制宜進行預測的理解，以及新品投放、 促銷等特殊事件的考慮，建立 AI 機器學習模型和傳統時間序列模型，對各品類月度 銷量進行預測。輸出按照銷售區域、時節、產品品類維度的需求計劃結果，將需求占 比預估進一步細化到成品產品維度，并提供需求動態監控預警和多維度分析。 基于 AI 的需求計劃，項目進一步對六國化工庫存進行全局優化。結合庫存信息、倉 庫信息、成品產品信息、替代關系、經銷商層級信息、補貨規則、調撥規則、成本數 據、物流資源等輸入數據，建立庫存策略優化模型，平衡服務滿足率和庫存周轉率， 得到針對成品的安全庫存水平，工廠倉庫間以及倉庫到經銷商的補貨計劃、倉儲計劃， 以及各層級庫存健康狀態監控與關鍵績效指標（KPI）報表。 生產方面，項目協助六國化工量化現有生產限制：生產難度、廢料產生情況、每套裝 置最小生產量等，將提報的下個月的銷量預測分配到每個工廠，并使用杉數科技自主 研發的數學規劃求解器制定成本最優以及實際產量最匹配下的產品生產計劃。 為了尋找供應與需求之間的最佳平衡點，項目設計了一個決策輔助-產銷協同模擬引 擎，計算每一種信息每一個場景的 KPI 表現及對應的需求、供應、生產計劃。產銷協 同模擬引擎將不同產品類型的預測需求與預估的產能、物料到貨時間相對應，在綜合 考慮產能限制、生產提前期、生產優先級等限制條件下，由算法自動輸出自定義戰略目標（如總成本最低、產量最大、庫存最少）的生產計劃方案。 基于機器學習的銷量預測，六國化工的銷售預測滿足度從 87%提升至 95%，結余庫存 水平平均下降 0.5 個月的月銷量，企業各部門間協同效率提高 20%。制定需求計劃、 生產計劃，人力投入時間縮短 50%以上。