我要投稿

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

发布日期：2025-05-01 07:24:46 浏览次数： 1533 作者：肖鹏互联网老兵

点击上方

蓝字

关注我的公众号

大模型在C端用户的应用案例大家比较熟悉，而对在B端的应用案例比较少见。一方面因为B端业务机理的复杂性，导致大模型的应用还处于探索阶段；另一方面，这方面的宣传比较少。本篇介绍大模型在石油石化行业应用的几个典型案例。（大模型及其应用系列第六篇，请在文章底部#大模型及AI应用#目录下浏览其它文章）

电气设备的预测性维护

在炼化工厂，有非常多的电气设备。设备的维护通常采用定期巡检和定期保养维护的方式。这种方式高度依赖于人的经验，而且故障的发生常常是由于一些轻微缺陷逐渐积累而成。因此，如何预测故障的发生，及早维护，可以大大减少因故障带来的安全生产事故，降低非计划停机时间，具有显著的经济效益。因此，有必要采用人工智能技术把设备维护从“预防性”向“预测性”转变。

方案概述

本方案的总体流程如下，包括数据采集、AI算法故障诊断、故障处置等。

图一电气设备预测性维护处置流程

数据采集。本方案数据采集，通过实时采集关键设备的电流、电压、频率等运行参数，以及设备本体主要寿命参数，如变压器油气体溶解成分、设备局部放电、温升、绝缘、特定设备的机械参数等。

特征提取

时域特征提取。时域信号是传感器采集经数据采集器后的原始振动信号，当设备发生故障时，振动数据的参数会发生变化。

频域特征提取。振动信号频谱分析是故障诊断最常用的手段，通过提取频谱分并通过傅里叶变换，可以清晰地看出信号中的主要组成成分。

时频特征提取。基于傅里叶变换的频谱分析只能处理平稳信号，无法处理非平稳信号。引入窗函数可变的小波基，其能够提取到非平稳信号短时、局部信息特征。

故障诊断

基于自编码器的故障智能诊断。自编码器作为诊断模型原理。自编码作为一种无监督式学习模型，利用输入数据 X 本身作为监督，来指导神经网络尝试学习一个映射关系，从而得到一个重构输出。

基于卷积神经网络的故障智能诊断。卷积神经网络是多级神经网络，包含滤波级（filtering stage）与分类级（classification stage）。其中，滤波级用来提取输入信号的特征，分类级对学习到的特征进行分类，两级网络参数是共同训练得到的。滤波级包含卷积层(convolutional layers)，池化层(pooling layers)与激活层(activation layers)等3 个基本单元，而分类级一般由全连接层组成信号。

用于振动信号诊断的一维卷积神经网络。本项目采用的卷积神经网络的结构如下图所示。该卷网包含两个卷积层，两个池化层，一个全连接隐含层，以及一个 Softmax 层。诊断信号通过第一个卷积层以及 ReLU 激活层，变为一组特征图（Feature Maps），再经过最大值池化进行降采样。重复一次以上操作，将最后一个池化层的特征图与全连接隐含层相连，经过ReLU 激活之后，传递到最后的 softmax 层。

图二一维卷积神经网络结构图

视觉识别。通过集成计算机视觉识别技术，系统能够实时监控电气设备的外观状态，自动识别锈蚀、污垢、闪络、异物挂接等设备外部异常情况，极大提高了巡检的精度和效率。

图三设备状态监测图

建设成效。自系统上线以来至今应用效果显著，基于系统智能报警和智能诊断模型已为20 家企业有效诊断50 余次，其中有49 次为提前发现机组异常，及时告知企业，密切关注机组，避免造成严重故障。预计一家企业每年降低非计划停机1-2 次，根据企业规模不同，为企业减少直接或间接经济损失约每年400 万，给企业带来可观的经济效益。

炼化装置实时在线优化

乙烯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。国内乙烯装置模拟软件尚处于起步阶段，模型和软件通用性不强，模拟精度较国外模型有一定差距，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。

建设方案。

使用深度学习算法构建适应于裂解炉实时优化平台的裂解炉反应模型，具体路线为：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。

图四蒸汽裂解反应模型

输入层以裂解原料性质和操作条件作为输入特征，通过一个全连接神经网络（Fully Connected NeuralNetwork）进行处理，这部分网络负责提取输入特征的有用信息。同时将TMT 时序信息通过一个基于注意力机制的长短期记忆模型（Attention-based LSTM）进行处理，处理后的时序信息与裂解原料性质、操作条件的特征通过一个全连接神经网络进行融合，最终通过一个单层感知器（Single-Layer Perceptron）输出预测结果，即裂解产物的收率。整个模型通过端到端的训练，学习输入特征与裂解产物收率之间的复杂关系，从而实现对裂解产物收率的准确预测。

建设成效。本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。现场测试结果表明，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。

基于深度学习+机理模型的质量检测

聚烯烃产品质量直接影响到下游产品的质量和应用效果。传统的机理模型处理高度非线性问题和多参数问题时，复杂性和求解难度非常大。而基于统计学的深度学习具有不可解释性，对容错非常低的炼化行业难以大规模推广。为了克服单一模型的局限，中韩石化采用机理和深度学习的混合模型。该模型结合了机理模型的高解释性和深度学习的推理能力，针对聚烯烃多牌号、非线性等特征，通过将关键过程工艺参数、催化剂等可信的历史数据与过程数据结合，使用神经网络对机理模型的数学表达式进行系数优化拟合。将机理模型中“假定”或“简化”的系数或常数项修正为变量，最终得到更加精确的过程“AI+机理”混合模型。基于过程“深度学习+机理”混合模型的应用，大幅提升模型的精细化预测的能力，实时预测产品的物理、化学和机械性能的相关指标，从而为提高产品质量提供科学依据和有效指导。

建设方案。

利用机理模型的高解释性和理论基础，结合AI 模型的数据挖掘能力和处理复杂非线性关系的能力，实现对生产过程的实时监控和动态调整，适应不同工况和多牌号产品的需求。提高模型的稳定性和可靠性，同时保持一定的可解释性，便于操作人员理解和应用。

图五整体架构图

数据收集与预处理。数据收集与预处理数据是训练AI 模型的基础。在收集数据之后，需要对数据进行清洗，包括去重、缺失值处理、异常值过滤等，以去除无关数据并确保数据的准确性和一致性。

机理模型简化。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、传热传质等现象的机理模型。在不影响模型精度的前提下，对复杂的机理模型进行适当简化，减少计算复杂度。

AI 模型选择与训练。AI 算法采用深度神经网络算法。结合神经网络来对机理模型的系数进行优化拟合，首先需要定义优化拟合过程中的损失函数，用于衡量模型输出与目标值之间的差异。这里我们默认选择均方误差损失（MSE）或者根据实际调试情况自定义损失函数。根据神经网络模型结构选择合适的神经网络优化器，这里我们默认选择Adam，后续根据优化问题以及数据集需要也可以尝试SGD（随机梯度下降）等其他优化器。通过最小化损失函数来训练神经网络模型，在每个训练周期中调整拟合系数的值来使损失最小化，从而得到更优的模型参数。

“机理+深度学习”混合建模步骤：“AI+机理模型”采用嵌入式结构，将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，对给定的机理模型表达式中的系数进行优化。根据过程机理特性给定机理模型的结构表达式，表达式中的系数在一定的阈值约束区间，为机理模型中的待优化项，后续引入神经网络将对这些系数进行优化拟合。

评估模型与修正。使用验证集或者测试集来评估模型性能，检查模型是否能准确地拟合机理模型的系数，并且具备一定的泛化能力。通过各种评估指标如准确度、精确度、召回率、F1 分数等来评估模型质量，最终得到“机理+AI”的混合

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。

通过构建“AI+机理”混合模型，中韩石化可以大幅提升SGPE 和STPP 装置产品质量预测的准确性，实现实时监控和优化控制，从而提高生产效率和产品质量。这种混合建模方法发挥了各自的优势，提高了预测的准确性。为其他国产SGPE 和STPP 聚烯烃工艺的产品质量预测和优化提供了新的解决方案。

本案例材料来源于《中央企业人工智能应用场景优秀案例白皮书(2024 年版)（中央企业人工智能协同创新平台中国南方电网有限责任公司2024 年12 月），并经过笔者整理。