大模型及其应用系列第六篇——大模型在石化行业的应用案例

大模型在石化行业的突破性应用：预测性维护与故障诊断

提到大模型，大家首先想到的往往是聊天机器人、内容生成这类C端应用，但在工业B端，它的落地场景其实更硬核，也更考验技术功力。石化行业设备繁杂、机理复杂，大模型的应用还在探索阶段，但已有不少亮眼案例。本文就围绕石油石化行业的几个典型场景，聊聊大模型怎么在预测性维护和故障诊断上真正发挥作用——这些案例都来自《中央企业人工智能应用场景优秀案例白皮书（2024年版）》，经过梳理后呈现给大家。

01 电气设备的预测性维护

炼化工厂里的电气设备数量庞大，传统的维护方式无非是定期巡检、定期保养，高度依赖人的经验。但故障往往不是突然发生的——缺陷从小处积累，逐步恶化，最终酿成大问题。如果能提前预测故障，在萌芽阶段就介入维护，就能大幅减少非计划停机和安全事故，经济效益非常可观。所以，用人工智能把设备维护从“预防性”转向“预测性”，就成了一个明确的方向。

方案概述

整体流程并不复杂：先采集数据，再用AI算法做故障诊断，最后采取处置措施。具体步骤分解如下。

实时采集关键设备的运行参数——电流、电压、频率这些基本量是标配，还要加上设备本体的寿命参数，比如变压器油气体溶解成分、局部放电、温升、绝缘参数，以及特定设备的机械参数。

这一步又分三个维度：

• 时域特征提取。
  传感器采集的原始振动信号就是时域信号。设备一出故障，振动数据里的参数就会发生变化。

• 频域特征提取。
  振动信号的频谱分析是故障诊断最经典的手段。通过傅里叶变换把频谱提取出来，信号里的主要成分就一目了然了。

• 时频特征提取。
  但傅里叶变换有个短板——它只能处理平稳信号，非平稳信号就抓瞎了。这时候需要引入窗函数可变的小波基，它擅长捕捉非平稳信号中的短时、局部特征。

自编码器是一种无监督学习模型，它拿输入数据X本身当监督信号，让神经网络学习一个映射关系，最终输出一个重构结果。如果重构误差大，说明设备状态已偏离正常模式。

CNN是更常用的方案。它由滤波级和分类级构成：滤波级负责提取特征，分类级对特征做分类，两级参数一起训练。滤波级包括卷积层、池化层和激活层，分类级一般就是全连接层。针对振动信号诊断，这里采用一维CNN，结构很清晰：两个卷积层、两个池化层、一个全连接隐含层，再加一个Softmax层。信号先过第一个卷积层和ReLU激活，变成一组特征图，然后经过最大值池化降采样。重复一遍，最后一个池化层的特征图连到全连接隐含层，经过ReLU激活后送入Softmax层输出结果。

除了振动信号，系统还集成了计算机视觉技术。摄像头实时监控设备外观，自动识别锈蚀、污垢、闪络、异物挂接等外部异常。这相当于给巡检人员配了个24小时不眨眼的助手，精度和效率都大幅提升。

系统上线以来，效果非常实在。基于智能报警和诊断模型，已为20家企业有效诊断50余次，其中49次都是提前发现机组异常，及时通知企业密切监控，避免了严重故障。算一笔经济账：每家企业每年可减少非计划停机1-2次，根据规模不同，直接或间接经济损失每年能省下约400万——这可不是小数目。

02 炼化装置实时在线优化

乙烯装置裂解炉的模拟计算

裂解炉的模拟是个公认的硬骨头——原料复杂、反应规模庞大、多物理场耦合，难度极高。国内乙烯装置模拟软件起步晚，模型通用性不强，精度也落后于国外产品。开发自主知识产权的裂解反应模型和模拟软件，已经成了亟需解决的问题。

建设方案

核心思路是用深度学习算法搭建一个适应裂解炉实时优化平台的反应模型。具体路径是：先基于自主开发的裂解反应机理模型和裂解炉辐射模型，结合装置工艺参数，得到裂解原料、操作条件与收率之间的对应关系；然后用深度学习做一个数据驱动的蒸汽裂解反应模型。

模型输入分成两路：一路是裂解原料性质和操作条件，通过全连接神经网络提取特征；另一路是TMT时序信息，通过基于注意力机制的长短期记忆模型（Attention-based LSTM）处理。两路特征融合后，再经过一个全连接层，最后用单层感知器输出预测结果——也就是裂解产物的收率。整个模型端到端训练，学习输入与收率之间的复杂映射关系。

建设成效

这个模型的效果很直观：通过对乙烯装置裂解原料和反应条件的优化，关键产品收率提升，副产品减少。现场测试显示，双烯收率提高了0.315wt%，每吨乙烯的产品效益增加了19.52元。对于百万吨级乙烯装置来说，年增效接近2000万元。而且这种优化思路不限于乙烯装置，对化工、石油、天然气行业的加热炉、裂解炉操作优化都有参考价值——提高效率、降低成本，实现资源更高效的利用。

03 基于深度学习+机理模型的质量检测

聚烯烃产品的质量直接决定下游产品的性能和效果。传统机理模型在处理高度非线性、多参数问题时，复杂度高、求解困难；而纯统计学的深度学习方法虽然擅长找模式，但缺乏可解释性，对于容错率极低的炼化行业来说，很难大规模推广。怎么办？中韩石化的做法是搞混合模型——把机理模型的高解释性和深度学习的推理能力结合起来。

针对聚烯烃多牌号、非线性的特点，他们用历史数据和过程数据（包括关键工艺参数、催化剂信息等）作为输入，通过神经网络对机理模型数学表达式中的系数进行优化拟合。那些原本被“假定”或“简化”的系数或常数项，被修正为变量，最终得到更精确的“AI+机理”混合模型。这个模型大幅提升了精细化预测能力，能够实时预测产品的物理、化学和机械性能指标，为质量提升提供科学依据。

建设方案

混合模型的具体构建分几步走：

数据是基础。收集完成后需要清洗——去重、处理缺失值、过滤异常值，确保数据准确一致。

基于聚烯烃生产工艺的物理、化学和动力学原理，建立描述反应过程、传热传质的机理模型。在保证精度的前提下适当简化，减少计算负担。

这里采用深度神经网络。关键是用神经网络来优化拟合机理模型的系数。先定义损失函数（默认用均方误差MSE，也可以根据实际情况自定义），然后选优化器（默认Adam，也可以尝试SGD等）。通过最小化损失函数，在每个训练周期调整系数，最终得到更优的模型参数。

采用嵌入式结构：把AI模型嵌入到机理模型中，用于修正机理模型中的不确定参数或误差项。具体做法是：先根据过程机理特性给出机理模型的结构表达式，表达式里的系数在一定的阈值约束区间内作为待优化项，然后引入神经网络对这些系数进行优化拟合。

用验证集或测试集评估模型性能，检查它能否准确拟合机理模型的系数，并具备泛化能力。通过准确度、精确度、召回率、F1分数等指标评估质量，最终得到“机理+AI”混合模型，实现SGPE和STPP装置生产过程参数与产品质量之间更精确的机理关联。

建设成效

通过这套混合模型，中韩石化大幅提升了SGPE和STPP装置产品质量预测的准确性，实现了实时监控和优化控制，生产效率和产品质量双双提高。这种混合建模方法既发挥了机理模型的解释性优势，又利用了AI的数据挖掘能力，预测精度明显优于单一模型。对于其他国产SGPE和STPP聚烯烃工艺的质量预测和优化，这套方案也具有很强的参考价值。

（案例材料来源于《中央企业人工智能应用场景优秀案例白皮书（2024年版）》）