【重磅】化工智能制造的方向 | 人工智能并不靠谱

2007年我在写博士毕业论文时，第一章绪论的第一句话就是，“《十六大报告》（2002）中明确提出‘以信息化带动工业化，以工业化促进信息化’”。 后来十七大（2007）提出：“工业化和信息化融合”； 为这个两化，国家在2008年还组建了“工业和信息化部”，说明国家对这个发展战略问题有深刻的认识和重视。再后来十八大（2012）提出：“两化深度融合”。直到现在如火如荼的智能制造热潮中，两化融合仍然是工信部的“立部之本”。十几年过去了，还在不断地提两化，说明这件事情并不容易，推进并不如政府想的那么顺利。

目前智能制造离散行业谈的很多，但化学工业的智能制造谈的却很少。那么，化工智能制造，到底朝哪个方向发展呢？

化学工业早已实现初级智能系统——自动化控制。由于化工过程的连续性和装置的大型化，且装置投资巨大（动辄数十亿上百亿的投资），化工行业（包含炼油、石油化工）很早就对过程自动化提出非常高的要求，在上世纪70年代就开始采用DCS用于过程控制。

自动化提高了化工生产的稳定性、安全性，也很容易提高工厂的利润率（提高利润是是市场经济环境下企业采用新技术的直接动力）。 目前的技术水平可以让化工生产80%以上生产车间和操作实现无人化，主要在一些涉及固体的处理和输送上做到自动化还比较困难。 大型化工装置生产车间无人化是正常现象，依靠泵、压缩机实现物料在密闭管道系统中的流动，依靠各种温度、压力、液位和流量控制实现物质和能量在各个操作单元的自动运行。

技术上可行或最优，并不表示经济效益最优。 特别是一些小装置，完全采用自控系统系统单位成本高；当人力成本低时，宁愿采用人工操作。 所以现实世界的化工行业的自动化率是由技术水平、经济效益（投资成本、人力成本）共同决定。

传统的人工智能（大数据、机器学习）的核心是对历史数据归纳提取规则，从而对未来预测。其理论基础是：运行数据包含了系统的所有重要隐藏信息， 无须研究问题机理，可以直接从数据挖掘出系统的规律和知识。

这种人工智能不适合化学工业，并且对化学工业的智能化生产生产作用极其有限。基于三点理由：

1.化工装置的运行机理和数学模型相对完整。 化学工程作为一门发展超过100年的工程学科，知识体系相对完整。化工装置作为人工设计系统，设计之时设计者已经清楚装置的内在特性和机理，已经知道装置的数学模型。所以无需再使用人工智能去挖掘、发现知识。即使在机理不清或边界不定时，一些常规的、传统的数据分析方法已经足以应对化工中的问题。

2.化工装置作为严格受控系统，数据虽多但是单调，信息量太低以致无法挖掘知识。 由于化工过程被各种控制系统严格控制，生产平稳，所以产生的数据虽多但分布窄，无法采用人工智能从这种信息量少的大数据中提取出规律或知识。100个、10000个相同数据所含的信息量和1个数据一样。

3.化工装置对系统的可靠性、安全性要求不接受人工智能系统产生的黑箱知识。 化工生产对安全性和可靠性的要求极其严格，万一发生事故都是灾难性，对环境和员工生命带来的损失是不可挽回的。人工智能完全依靠系统的输入输出数据产生一个黑箱模型。这种黑箱模型应用时，一是无法根据模型找到故障或者问题的原因，二是难以对模型的可靠性作评估。

传统人工智能比较适合系统极其复杂（以致难以研究机理）、对系统因果性和可靠性没有严格要求的人类智力活动 ，例如金融、商业、医学，人工智能对这些领域将产生革命性变革，这些变革真在我们身边发生。而科学技术领域本质上就是对因果性和可靠性的追求，科学家和工程师长期对数据的重视和应用，人工智能对科学技术的变革程度，从知识发现和提取的角度将是有限的。

化学工程作为一种典型的工程学科，其特点是半理论半实验。由于一些现象过于复杂，涉及机械、材料、物理、化学、热力学、动力学和传递，多种因素关联偶合在一起，无法通过纯理论逻辑推导得到某些现象的原因或结论，需要在实验室环境下将各种因素分离独立研究（彻底的研究方法），或者综合在一起、只研究主要因素对结果的影响。也就是说， 化学工程的大部分理论知识来自于实验室研究。

举一个简单例子，例如一组新的二元体系，在没有汽液平衡实验数据的前提下，有哪种模型敢说它的预测精度在5%内？虽然化工文献和数据库中已经有了上百万组的二元汽液平衡实验数据，化工热力学家研究了近50年的汽液平衡预测模型，但一旦遇到关键应用，还是得去实验室做实验得到实验数据。

由于化工现象的复杂性，有些现象在工业装置上表现出与实验室实验装置上不同的特性甚至在实验室无法观察到的现象，即所谓的“ 放大效应 ”，其本质还是对某些因素考察不清导致没有正确预测。此时，我们可以从工业装置得到反馈从而扩展化学工程的知识。另外，从工业装置运行中，还可以得到大量的操作、维护、安全方面的、超出实验室研究范围的经验性知识。

虽然化工行业在中国不是什么好形象，在大学也不是什么好专业，但是其学科知识结构、研究方法都比较复杂，在欧美化学工程在工程学科中是一个收入靠前的专业。

将经验转化为数据，将数据转化为知识，将知识融入到自动化系统中，这就是知识自动化，这才是智能制造的核心。

可见， 一个化工装置的工艺机理知识基本已经融入到最初的设计中和运行的自动化控制中，已经80%以上实现了知识的自动化 ；而装置运营知识，主要涉及人员管理、资产设备管理、操作、维护、供应链的知识还是存在于各种SOP中，和作为经验存在于人脑中，这方面离知识自动化还有很在大的距离。

知识自动化才是今后化学工业搞信息化、智能化的重点方向。

那么，化学工业的知识自动化和智能制造到底能做什么呢？

生产工艺是一个化工企业的核心，化工行业的生产过程数字化、自动化和智能化程度走在整个工业体系的前列，基本已经实现车间无人化生产，但是中央控制室还是坐着人，通过电脑屏幕观察和监测着生产过程，随时准备人工远程干预甚至去现场干预。

实际上，我们的最终的产品质量并非一成不变非常稳定，生产过程的原料利用率和能源利用率也并非达到最佳。 一个化工装置并非做到自动化、无人化就算实现了智能制造的目标，新目标已经不是满足系统稳定在一个状态，而是让装置系统自动运行在满足装置安全、产品质量约束下，原料、能源、资产利用率最优的状态下。多产品的精细化工工厂还要实现敏捷、柔性以快速应对市场变化和订单要求。

石油化工行业的“智能制造”的架构早已确定，即在过程控制、生产管理、经营管理这三个层次实现知识自动化和智能化,分别对应过程控制系统（PCS）、生产执行系统（MES）、企业资源计划（ERP）。

图1：石油化工行业的“智能制造”的架构

来源:科普化工

过程控制系统（PCS)： 将表征生产过程的参量为被控制量使之接近给定值或保持在给定范围内的自动控制系统，以DCS和PLC为代表，包括先进过程控制APC。

企业资源计划（ ERP )： 是对企业资源进行有效综合的计划与管理，功能包括产品定货、原材料采购、配送、销售、会计等一系列业务流，以SAP为代表。

生产过程执行管理系统（MES）： 作为DCS和MES之间的接口，实现生产绩效管理和运行数据的集成，功能模块包括短期生产计划、作业排产和调度(APS)、维护管理、技术信息管理、在线实时优化RTO、产品质量管理LIMS。

不管在哪个层级，要让计算机来解决问题，都需要将问题数字化并抽象为数学模型， 所以智能化的核心是五个化:“数字化、可视化、模型化、自动化、集成化 ” 。只有将经验、信息通过检测技术来数字化，通过数据可视化分析找到规律，然后将规律转化为数学模型，再通过计算机对数学模型自动求解、自动决策，将决策或结论自动传输给上一层或者下一层，从而达到集成化。这个完整的过程就是知识自动化，知识自动化将人从重复性工作中解脱出来，专注于创新和高附加值的活动，显然它对人才的要求变得更高。

动设备的监测、预维护是大数据技术在化工领域少许的几个可行应用之一。

其需要发展的技术：

一是 新型传感技术 ：将振动、声音、图像、电流等信号融入监测模型中，一个关键特征信号可以代替几十个关联较弱的信号。而基于大数据的人工智能技术最大的成就就是声音、图像的处理识别，工业上基于这两类信号的应用还比较少，是时候应用它们了。

二是 信号处理方法和算法 ：如何将信号现象同故障类型关联起来，需要使用高级模式识别技术。

但即使如此，类似行业复制仍然存在很大的难度，不能简单移植。

一是因为上各种智能制造系统的投入和产出比。智能制造的一项主要投入就是各个层次的软件，软件投资的一个特点就是它与装置规模几乎无关 ，一套软件的价格不会随着装置规模大小发生变化，但产生的效益基本同装置规模成正比 ，如此看来，软件系统的投资收益也存在几乎是线性的规模效应。中小企业必须用适合中小企业的低成本的软件系统。

二是因为三个层次的优化除了PCS直接纯粹和设备通信外，但是ERP和MES有更多的与人的接口，并涉及到企业的管理文化，系统的投用涉及到管理、文化的变化，或者系统根据企业的管理文化来定制化。涉及到人的东西，就不能简单的复制了。