乙烯裂解搞AI工艺优化，买现成的还是找人定制好？

别急着做决定，先想清楚这几件事

我见过不少化工企业的老板，一听说AI能优化工艺、降本增效，就急着要上。结果要么买了个用不起来的软件，要么花大价钱定制了个“大炮打蚊子”的系统。

在决定买现成还是搞定制之前，你得先盘盘家底，想清楚几个根本问题。

你的“病根”到底在哪？

AI是药，你得先确诊。是裂解炉结焦预测不准，导致清焦周期短，影响长周期运行？还是原料波动大，操作工凭经验调整，导致双烯收率不稳定，好的时候33%，差的时候掉到31%？或者是对关键参数（比如COT）的控制滞后，能耗下不来？

我接触过一家山东的乙烯厂，他们最初觉得是收率问题，后来一分析数据发现，核心是原料轻质化后，原有的操作模型不适用了，导致波动大。问题找对了，方案才能对症。

你手上有多少“弹药”？

这里说的弹药，主要是两样：数据和钱。

数据是AI的粮食。你得看看自己的DCS、LIMS、MES里，关键工艺参数的历史数据全不全，质量怎么样。别搞了半天，连过去一年的炉管温度、进料组成连续数据都拿不出来，那AI再厉害也巧妇难为无米之炊。

钱就是预算。不只是软件或开发费，还有实施、培训、后期维护，甚至可能涉及少量硬件改造（比如加个仪表）的费用。心里得有个大概的谱。

内部能不能达成共识？

这事光老板拍板不行，关键得生产、技术、设备、信息这些部门的头头们支持。特别是车间主任和老师傅，他们是最终用的人。

你得跟他们沟通清楚：AI不是来取代他们、证明他们不行的，而是来当个“超级助手”，帮他们盯住更多参数、提前预警风险、减轻工作强度。把“要你用”变成“你想用”，这事就成了一半。

第一步：把你的需求，从“感觉”变成“文档”

想清楚了上面那些，就可以开始梳理需求了。千万别口头一说“我要优化收率”就完事，那供应商报出来的方案能千差万别。

需求到底该怎么写？

好的需求文档，不用多华丽，但得具体。你可以按这个模板来：

1. 核心目标：在XX个月内，通过AI优化系统，将XX装置的乙烯+丙烯平均收率从目前的XX%稳定提升至XX%，同时确保裂解炉运行波动降低XX%。

2. 具体场景：主要针对哪几台裂解炉？是解决日常操作优化，还是重点攻克清焦周期预测？需不需要和现有的APC（先进控制）系统对接？

3. 数据现状：能提供哪些数据源（列表）？数据时间跨度多久？大概的数据质量如何（比如，关键仪表信号是否有大量缺失或明显错误）？

4. 功能要求：是需要24小时在线推荐操作参数，还是只需要离线分析报告？要不要有手机报警推送？报表要哪些格式？

5. 非功能要求：系统响应速度（比如模型计算要在1分钟内完成）、安全性、与现有工控网的隔离要求等。

小心这几个常见的坑

• 目标定得过高：比如要求收率从31%一口气提到35%，这不现实。能稳定提升0.5-1.5个百分点，就已经是很好的效果了。

• 需求大而全：恨不得一期项目就把从原料到产品全流程都优化了。最好从一个痛点最明显的单元（比如一台关键裂解炉）做起，见效快，风险小。

  

• 忽视数据基础：对自家数据质量过于乐观，等实施时才发现大量数据清洗工作，拖慢进度，增加成本。

第二步：找供应商和方案，怎么选不踩坑？

需求文档有了，就可以出去找方案了。现在市面上主要有两类供应商：卖标准化工业AI软件的，和提供定制化开发服务的。

两种路子，各有各的玩法

1. 买现成的标准化软件

这类供应商通常有做好的工业AI平台或针对石化行业的优化模块。优势是产品相对成熟，上线快，价格通常比定制低。

比如，一家宁波的民营石化企业，就采购了某家的“裂解炉深度优化”模块。他们装置比较标准，数据基础好，主要想快速解决收率波动问题。这套系统大概三个月上线，花费在百万级别。

但缺点是需要你的生产流程和他们的模型假设比较匹配，个性化程度低。如果你们原料特别复杂、装置老旧改造多，可能就不太贴切。

2. 找团队定制开发

这类供应商会根据你的需求和数据，从头搭建模型。优势是量身定做，理论上效果可以做到最优。

像天津一家老牌国企的乙烯装置，历史长、改造多，工况复杂，他们就选择了与一家AI团队合作定制开发。项目做了大半年，从数据治理、特征工程到模型开发、嵌入部署，全部按需来。总投入也更高。

缺点是周期长、成本高，对供应商的行业理解和工程落地能力要求极高。

评估供应商，关键看这几点

别光看PPT和案例，重点考察：

• 行业理解：跟你聊的人，懂不懂裂解反应的机理？知不知道TLE、急冷油、五段汽提这些是啥？如果只会说算法名词，不懂工艺，趁早换人。

• 工程落地经验：有没有在类似装置上真正成功运行的项目？能不能提供真实的（脱敏后）效果数据？最好要求他们联系一两家已有的客户，你自己去问问。

• 团队构成：团队里有没有既懂化工工艺又懂数据建模的人？还是纯算法团队？前者更靠谱。

• 数据验证：要求他们用你提供的一部分历史数据，做一个初步的概念验证。不用很复杂，但能看出他们处理实际工业数据的能力和初步思路。

第三步：项目落地，分阶段走才稳当

不管选哪种方式，都强烈建议分阶段实施，别想着一口吃成胖子。

第一阶段：数据准备与试点（1-2个月）

这个阶段核心就一件事：把数据搞干净、理清楚。和供应商一起，把要用到的数据从各个系统里抽出来，清洗掉异常值和缺失值。这个过程可能很枯燥，但至关重要。同时，选定1-2台裂解炉作为试点。

关键点：企业方必须安排熟悉工艺和操作的工程师深度参与，帮助解释数据异常背后的工艺原因（比如，某个温度骤降是因为仪表检修，而不是真的工况变化）。

第二阶段：模型开发与离线测试（2-4个月）

供应商基于清洗好的数据建模。模型建好后，不是在线上直接跑，而是用另一段历史数据做离线测试。看看模型推荐的操作，如果当时照做了，效果会不会比实际更好。

关键点：离线测试的评估指标一定要和最初定的目标对齐。比如，对比模型推荐工况与实际历史工况下的收率、能耗模拟值。这个阶段要组织工艺工程师和老师傅一起评审，他们觉得“靠谱”，才能进入下一步。

第三阶段：在线试运行与迭代（1-2个月）

将模型以“安全模式”接入系统，比如，只给出操作建议，由操作工决定是否采纳，或者只在非关键时段进行小幅度闭环控制。密切观察模型在实际运行中的表现，根据反馈快速调整。

关键点：制定明确的应急预案，一旦模型表现不稳定，能一键切回原操作模式。这个阶段是建立操作人员信任的关键时期。

第四阶段：全面推广与固化（时间视范围而定）

试点单元成功后，将经验复制到其他裂解炉或扩展优化范围（比如从收率优化扩展到能效优化）。同时，将AI优化的操作逻辑融入操作规程，完成知识转移。

第四步：效果怎么看？怎么持续优化？

项目上线不是终点。

验收，别只看模型指标

验收时，别光盯着模型预测准确率到99%这种技术指标。要回归业务本质，看当初设定的核心目标达成了没有。

可以对比上线前后3-6个月的关键绩效指标：平均收率提升了多少？波动范围（标准差）缩小了吗？单位产品能耗下降了吗？这些最好能用企业自己的生产报表来算，实实在在。

一家惠州的企业，验收时就算了一笔细账：收率平均提升0.8%，一年增产高价值烯烃多少吨，折合人民币多少万；同时因操作更平稳，燃料气消耗略有下降。这样一算，投入产出比就非常清晰了。

系统需要“保养”

AI模型不是一劳永逸的。装置催化剂活性变化、原料性质趋势性改变、甚至更换了某个品牌仪表，都可能让模型效果“衰减”。

要和供应商约定好，上线后至少每半年或一年，对模型进行一次评估和微调。这应该作为一项长期服务来考虑。

培养自己的“明白人”

最终，企业里要有1-2个技术人员能大致理解模型的原理和边界，知道什么情况下模型可能失灵，如何与供应商沟通问题。这能极大降低长期依赖风险。

最后说两句

乙烯裂解上AI工艺优化，现在已经不是“要不要做”的问题，而是“怎么做对”的问题。它确实能带来真金白银的效益，但前提是脚踏实地，一步步来。

最怕的就是要么觉得高不可攀，要么以为买个软件就能包治百病。先把自家的问题和数据摸透，小步快跑地试点验证，才是稳妥的打法。

建议先用“索答啦AI”了解一下自己的情况适合什么方案，心里有数了再去找供应商谈，不容易被忽悠。