這兩年，由于人工智能在某些領域 （并非是工業領域）的突出表現，有些人開始樂觀起來，覺得中國在要通過“互聯網+”和人工智能實現制造業、工業化的彎道超車。真的會有這么樂觀嗎？

2007年在寫博士畢業論文時，第一章緒論的第一句話就是，“《十六大報告》（2002）中明確提出‘以信息化帶動工業化，以工業化促進信息化’”。 后來十七大（2007）提出：“工業化和信息化融合”； 為這個兩化，國家在2008年還組建了“工業和信息化部”，說明國家對這個發展戰略問題有深刻的認識和重視。再后來十八大（2012）提出：“兩化深度融合”。直到現在如火如荼的智能制造熱潮中，兩化融合仍然是工信部的“立部之本”。十幾年過去了，還在不斷地提兩化，說明這件事情并不容易，推進并不如政府想的那么順利。

目前智能制造離散行業談的很多，但化學工業的智能制造談的卻很少。那么，化工智能制造，到底朝哪個方向發展呢？

化工早已在自動化快道上

化學工業早已實現初級智能系統--自動化控制。由于化工過程的連續性和裝置的大型化，且裝置投資巨大（動輒數十億上百億的投資），化工行業（包含煉油、石油化工）很早就對過程自動化提出非常高的要求，在上世紀70年代就開始采用DCS用于過程控制。自動化提高了化工生產的穩定性、安全性，也很容易提高工廠的利潤率（提高利潤是是市場經濟環境下企業采用新技術的直接動力）。目前的技術水平可以讓化工生產80%以上生產車間和操作實現無人化，主要在一些涉及固體的處理和輸送上做到自動化還比較困難。大型化工裝置生產車間無人化是正常現象，依靠泵、壓縮機實現物料在密閉管道系統中的流動，依靠各種溫度、壓力、液位、流量控制實現物質和能量在各個操作單元的自動運行。

技術上可行或最優，并不表示經濟效益最優。特別是一些小裝置，完全采用自控系統系統單位成本高；當人力成本低時，寧愿采用人工操作。所以現實世界的化工行業的自動化率是由技術水平、經濟效益（投資成本、人力成本）共同決定。

傳統AI不適合化學工業

傳統的人工智能（大數據、機器學習）的核心是對歷史數據歸納提取規則，從而對未來預測。其理論基礎是：運行數據包含了系統的所有重要隱藏信息，無須研究問題機理，可以直接從數據挖掘出系統的規律和知識。

這種人工智能不適合化學工業，并且對化學工業的智能化生產生產作用極其有限。基于三點理由：

1.化工裝置的運行機理和數學模型相對完整。化學工程作為一門發展超過100年的工程學科，知識體系相對完整。化工裝置作為人工設計系統，設計之時設計者已經清楚裝置的內在特性和機理，已經知道裝置的數學模型。所以無需再使用人工智能去挖掘、發現知識。即使在機理不清或邊界不定時，一些常規的、傳統的數據分析方法已經足以應對化工中的問題。

2.化工裝置作為嚴格受控系統，數據雖多但是單調，信息量太低以致無法挖掘知識。由于化工過程被各種控制系統嚴格控制，生產平穩，所以產生的數據雖多但分布窄，無法采用人工智能從這種信息量少的大數據中提取出規律或知識。100個、10000個相同數據所含的信息量和1個數據一樣。

3.化工裝置對系統的可靠性、安全性要求不接受人工智能系統產生的黑箱知識。化工生產對安全性和可靠性的要求極其嚴格，萬一發生事故都是災難性，對環境和員工生命帶來的損失是不可挽回的。人工智能完全依靠系統的輸入輸出數據產生一個黑箱模型。這種黑箱模型應用時，一是無法根據模型找到故障或者問題的原因，二是難以對模型的可靠性作評估。

傳統人工智能比較適合系統極其復雜（以致難以研究機理）、對系統因果性和可靠性沒有嚴格要求的人類智力活動，例如金融、商業、醫學，人工智能對這些領域將產生革命性變革，這些變革真在我們身邊發生。而科學技術領域本質上就是對因果性和可靠性的追求，科學家和工程師長期對數據的重視和應用，人工智能對科學技術的變革程度，從知識發現和提取的角度將是有限的。

知識自動化才是主方向

化學工程作為一種典型的工程學科，其特點是半理論半實驗。由于一些現象過于復雜，涉及機械、材料、物理、化學、熱力學、動力學和傳遞，多種因素關聯偶合在一起，無法通過純理論邏輯推導得到某些現象的原因或結論，需要在實驗室環境下將各種因素分離獨立研究（徹底的研究方法），或者綜合在一起、只研究主要因素對結果的影響。也就是說，化學工程的大部分理論知識來自于實驗室研究。

舉一個簡單例子，例如一組新的二元體系，在沒有汽液平衡實驗數據的前提下，有哪種模型敢說它的預測精度在5%內？雖然化工文獻和數據庫中已經有了上百萬組的二元汽液平衡實驗數據，化工熱力學家研究了近50年的汽液平衡預測模型，但一旦遇到關鍵應用，還是得去實驗室做實驗得到實驗數據。

由于化工現象的復雜性，有些現象在工業裝置上表現出與實驗室實驗裝置上不同的特性甚至在實驗室無法觀察到的現象，即所謂的“放大效應”，其本質還是對某些因素考察不清導致沒有正確預測。此時，我們可以從工業裝置得到反饋從而擴展化學工程的知識。另外，從工業裝置運行中，還可以得到大量的操作、維護、安全方面的、超出實驗室研究范圍的經驗性知識。

雖然化工行業在中國不是什么好形象，在大學也不是什么好專業，但是其學科知識結構、研究方法都比較復雜，在歐美化學工程在工程學科中是一個收入靠前的專業。

將經驗轉化為數據，將數據轉化為知識，將知識融入到自動化系統中，這就是知識自動化，這才是智能制造的核心。

可見，一個化工裝置的工藝機理知識基本已經融入到最初的設計中和運行的自動化控制中，已經80%以上實現了知識的自動化；而裝置運營知識，主要涉及人員管理、資產設備管理、操作、維護、供應鏈的知識還是存在于各種SOP中，和作為經驗存在于人腦中，這方面離知識自動化還有很在大的距離。

到底能做什么

那么，化學工業的知識自動化和智能制造到底能做什么呢？

生產工藝是一個化工企業的核心，化工行業的生產過程數字化、自動化和智能化程度走在整個工業體系的前列，基本已經實現車間無人化生產，但是中央控制室還是坐著人，通過電腦屏幕觀察和監測著生產過程，隨時準備人工遠程干預甚至去現場干預。實際上，我們的最終的產品質量并非一成不變非常穩定，生產過程的原料利用率和能源利用率也并非達到最佳。一個化工裝置并非做到自動化、無人化就算實現了智能制造的目標，新目標已經不是滿足系統穩定在一個狀態，而是讓裝置系統自動運行在滿足裝置安全、產品質量約束下，原料、能源、資產利用率最優的狀態下。多產品的精細化工工廠還要實現敏捷、柔性以快速應對市場變化和訂單要求。

石油化工行業的“智能制造”的架構早已確定，即在過程控制、生產管理、經營管理這三個層次實現知識自動化和智能化，分別對應過程控制系統（PCS）、生產執行系統（MES）、企業資源計劃（ERP）。

圖1：石油化工行業的“智能制造”的架構

來源：科普化工

過程控制系統（PCS)： 將表征生產過程的參量為被控制量使之接近給定值或保持在給定范圍內的自動控制系統，以DCS和PLC為代表，包括先進過程控制APC。

企業資源計劃（ ERP )：是對企業資源進行有效綜合的計劃與管理，功能包括產品定貨、原材料采購、配送、銷售、會計等一系列業務流，以SAP為代表。

生產過程執行管理系統（MES）：作為DCS和MES之間的接口，實現生產績效管理和運行數據的集成，功能模塊包括短期生產計劃、作業排產和調度(APS)、維護管理、技術信息管理、在線實時優化RTO、產品質量管理LIMS。

不管在哪個層級，要讓計算機來解決問題，都需要將問題數字化并抽象為數學模型，所以智能化的核心是五個化：“數字化、可視化、模型化、自動化、集成化”。只有將經驗、信息通過檢測技術來數字化，通過數據可視化分析找到規律，然后將規律轉化為數學模型，再通過計算機對數學模型自動求解、自動決策，將決策或結論自動傳輸給上一層或者下一層，從而達到集成化。這個完整的過程就是知識自動化，知識自動化將人從重復性工作中解脫出來，專注于創新和高附加值的活動，顯然它對人才的要求變得更高。

很長的路要走

動設備的監測、預維護是大數據技術在化工領域少許的幾個可行應用之一。其需要發展的技術：一是新型傳感技術：將振動、聲音、圖像、電流等信號融入監測模型中，一個關鍵特征信號可以代替幾十個關聯較弱的信號。而基于大數據的人工智能技術最大的成就就是聲音、圖像的處理識別，工業上基于這兩類信號的應用還比較少，是時候應用它們了。二是信號處理方法和算法：如何將信號現象同故障類型關聯起來，需要使用高級模式識別技術。

但即使如此，類似行業復制仍然存在很大的難度，不能簡單移植。

一是因為上各種智能制造系統的投入和產出比。智能制造的一項主要投入就是各個層次的軟件，軟件投資的一個特點就是它與裝置規模幾乎無關，一套軟件的價格不會隨著裝置規模大小發生變化，但產生的效益基本同裝置規模成正比，如此看來，軟件系統的投資收益也存在幾乎是線性的規模效應。中小企業必須用適合中小企業的低成本的軟件系統。二是因為三個層次的優化除了PCS直接純粹和設備通訊外，但是ERP和MES有更多的與人的接口，并涉及到企業的管理文化，系統的投用涉及到管理、文化的變化，或者系統根據企業的管理文化來定制化。涉及到人的東西，就不能簡單的復制了。

后記：靠譜的路在腳下不在天上

雖然人工智能的概念現在非常熱，講了無數故事，吸引了無數投資，但是對化學工業（甚至可以擴大到流程工業）的影響基本可以認為忽略不計。化學工業談智能制造，絕不是依靠基于大數據的人工智能，而是依靠知識、經驗的數字化、自動化。石油化工行業的“智能制造”的框架早已確定，就是在過程控制、生產管理、經營管理這三個層次分別通過PCS、MES和ERP來實現知識自動化和智能化，這是一條靠譜的路。