AI，化工行業智能轉型的催化劑

隨著全球範圍內國家層面陸續推出工業4.0相關政策，人工智慧已逐漸成為了工業4.0實施推廣過程中必不可缺的一部分。而人工智慧，工業4.0與化工行業所產生的交集，讓現今傳統行業看到了次時代技術可以為其運營模式，生產方式所帶來的影響。根據不完全統計，全球500強化工行業企業已有多家開始以工業4.0政策為指導，人工智慧技術核心方向，制定其自身相關產品與解決方案的落地實施試點工程項目。在化工行業泛人工智慧技術應用主要集中於機器學習，大數據，計算機視覺，機器人，深度學習和AR/VR虛擬現實增強技術。

作者 | 李泓熹、田辰

一、化工市場市場規模

化工行業在全球經濟發展進程中佔有極其重要的地位，它是傳統製造業，重工業以及紡織業等相關產業發展與產出的基石。根據業內定義，化工行業可以簡單劃為石油化工、基礎化工和化學化纖三大領域。石油化工是指以石油和天然氣為原料，生產相關產品的領域，其常見產品包括塑料，清潔劑，潤滑劑等。而基礎化工是指通過化學合成所產出的如化肥，氯鹼，甲乙醇等的日常化工製品。化學化纖則是指通過使用高分子化合物為原料天然或人工合成的紡絲，其被廣泛應用與紡織，醫療等領域。由於化工行業門類繁多、工藝複雜、產品多樣，其在世界範圍內市場總額極為巨大。跟據中國統計局與中商產業研究院數據，單中國的化工行業主要業務收入在2017年就已接近87000億人民幣。

中國化工行業主要業務營收總額趨勢

（數據來自中國統計局）

二、化工行業常用人工智慧技術領域

機器學習：機器學習指利用演算法來解析數據，對真實世界中的事件做出決策和預測。在化工行業，機器學習的應用主要集中在對於化工生產流程與維護方式的優化。

大數據技術：大數據技術可完成標識歸納相關數據。目前，大數據在化工行業的應用主要集中在有無機物歸類，石油石化數據查詢，化纖數據清洗等多個領域。

機器人技術：機器人技術可以通過圖像識別，感測器以及不同演算法的結合，使機器人自主學習各工位工作完成無人化生產作用。目前，機器人技術在化工行業應用集中在材料高尖端生產領域。

深度學習：深度學習具有強大的特徵提取能力，並通過領域神經網路等前沿技術可以處理複雜，高維，非線性的問題。目前，在化工行業的應用主要集中於分子性能預測與藥物分子篩選方向。

計算機視覺：計算機視覺主要是指用攝影機和電腦代替人眼對目標進行識別，使其成為更適合人眼觀察或傳送給儀器檢測的圖像。計算機視覺在化工行業可以應用在新材料研發的信息描繪上。

AI基礎設施：雲計算屬於重要的AI基礎設施之一，通常涉及通過互聯網來提供動態易擴展且經常是虛擬化的資源。在化工行業，雲計算可以用於新產品研發過程中，新材料預測模型的構建。

三、人工智慧技術在化工行業中的應用分布

其他周邊場景：由於化工行業使用人工智慧的全球500強公司，故本報告並未囊括全球500強公司相對較少涉及領域，如危險品管理，2B端銷售等常見領域。

四、化工行業公司人工智慧技術落地案例簡述

IBM RXN for Chemistry：為了更科學高效地預測有機物合成反應，IBM發布了一款人工智慧工具IBM RXN for Chemistry。基於深度學習、機器學習、大數據的IBM RXN for Chemistry起到預測有機化學物合成反應的作用。通過簡化模型和深化注意力機制，該模型已達到89%預測精確度，成為有機化學合成工作的有力助手。

SABIC全自動數字化複合材料生產線：SABIC與西門子，Airbone和庫卡機器人取得合作，使用人工智慧，大數據，感測器，機器人等前沿技術重新構建全自動數字化複合材料生產線。經過機器學習與機器人等尖端數字化技術加持的生產線，不僅可實現大規模複合材料定製化生產，而且使生產成本與周期也大幅度降低。

通用電氣Predix資產管理方案：為了優化運維策略和提高資產可靠性，淡水河谷化肥公司採用了GE的Predix資產績效管理方案（APM），該解決方案包括生產分析、厚度監測和根本原因分析(RCA)功能。Predix APM是一套軟體和服務解決方案，運用大數據等人工智慧技術整合不同的數據源，並使用高級分析演算法使數據更具可操作性，促進跨組織的協作和知識管理。

三井化學化工氣體產品監測分析系統：三井化學與NTT合作開發了一款基於深度學習演算法的模型，用來快速準確地在生產過程中預測油氣產品的質量。它可通過實時處理數據，例如溫度、壓力和流量等，並結合深度學習演算法，自動分析數據間的關係，以模擬和預測結果。該預測模型在生產環境中的預測數值的誤差精確度可保持在為3%左右的範圍內。

巴斯夫利用認知雲技術智能化供應鏈運營：巴斯夫與IBM Watson團隊合作，利用IBM Cloud 和IBM Watson AI服務快速構建了補給管理助手（Replenishment Advisor），以集成平台的形態幫助專家用戶連接來自不同系統中結構化和非結構化數據，以提供供應鏈運營的統一概述，實現了庫存波動與補給需求的預測工作，成功減少供應鏈中斷的風險幾率。

Crystal 利用人工智慧優化客戶忠誠度：為了緩解印尼核心市場爆髮式增長所帶來的客服壓力，結合IBM解決方案以及其合作夥伴TrustSphere所開發的關聯性分析平台TrustView，Crystal與IBM共同部署了關於客戶忠誠度的解決方案。該方案基於數據分析量化了客戶信任度和服務質量的效果，並通過關係分析見解塑造了無縫銜接的人員替換流程。

五、人工智慧技術在能源行業的發展趨勢

數據資源限制：化工行業的生產數據雖然量大，但分布較窄，類型單調。因此演算法無法從這種信息量少的大數據中發掘新的規律或知識，限制了模型的魯棒性，導致模型的功能相對雞肋，並不足以完全取代傳統的數據分析方法。

容錯率過低：由於化工生產過程往往涉及對大量有毒、易燃易爆的危險化學品直接或間接的使用。因此，行業對設備與系統的安全性與可靠性要求極其嚴格，導致極低的容錯率。

資本投資回報率較低：化工行業的技術開發時間相對較長，難以快速落地。這使人工智慧應用不能在短期內產生明顯效益，導致了對化工行業的資本投入相對匱乏。

六、人工智慧技術在能源行業的局限性

強化安全管理：鑒於化工產品的敏感性，人工智慧配合物聯網、預測性分析等技術能夠通過實時監控設備運行狀態、預測及診斷故障，加強事故應急處置能力等方式提高生產過程的安全等級。

簡化技能培訓：化學品的生產往往牽扯到高風險與危險環境，而虛擬增強現實與計算機視覺的出現，讓高危化工產品生產在安全環境下培訓成為可能，從而大大降低培訓所需人工，時間以及運營成本。

優化運營管理：在機器能夠取代大部分體力勞動的現代工業環境下，企業在管理、調度和運營方面的能力將愈發重要。人工智慧對數據強大的利用效率能夠幫助企業從網路抓取並分析市場動態，並結合對生產車間、物流及庫存等信息的是實時監控，優化供應鏈管理。

* 本文為「智周」系列報告「核心版」，相應「深度版」的推出計劃將在後續公布，敬請大家關注。針對「人工智慧在化工行業的應用現狀及展望」這一主題，有哪些方向或主題，你希望在報告深度版中讀到更詳細的闡述與分析，歡迎留言，這將成為我們製作報告深度版的重要參考。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！