化工行业智能工厂建设的实践与思考

宋 彬 东洋工程(上海)有限公司 上海 200124

近年来，我国化工企业加快了工厂数字化转型或智能化建设的步伐。2021—2022年，有13个化工行业工厂被国家工信部列入年度智能制造示范工厂，涉及石油炼化及石化下游产品、生物燃料、煤化工、氯碱化工和氟化工等多个领域；既有央企、大型国企，也有民营控股企业。

形成这种局面的原因有很多，从四个方面总结如下：

(1)企业内在动力。无论处于产业链上游还是下游，化工企业均面临着来自各方面的压力：规模竞争、产能竞争、成本竞争、经济放缓带来的需求放缓、产品市场快速演变等。同时，随着工厂规模的增大，超大规模的一体化基地不断兴起，管理压力也与日俱增。这些都是企业升级的内在动力。

(2)新技术发展所产生的“技术势能”。随着通信技术、云服务、人工智能和大数据处理等领域的不断进步，目前已达到了足够的技术高度，使现代工厂从工业3.0时代的工厂自动化提升到数字化、网络化和智能化成为了可能。

(3)政府推动。2021年12月21日，工信部联合国家其它七个部门发布了《“十四五”智能制造发展规划》，确立了智能制造“两步走”战略，明确了具体的执行目标，兼顾了“应用端”(即使用服务的企业用户)和“供给端”(即智能服务技术的提供者)的发展方向，从全局高度指导我国智能制造的发展。2022年11月4日，工信部又发布了《石化行业智能制造标准体系建设指南(2022版)》，为石化行业的智能制造发展提供规范和指导[1-2]。这两个文件为石化行业智能化建设的发展提供了强劲的推力。

(4)发展趋势。全球众多知名化工企业都不同程度地在智能化建设中发力，显示出同向的发展趋势，这会刺激企业对自身发展的深度思考和转变。

综上所述，作为“应用端”，化工企业应该冷静思考，选择合适的发展策略；作为“供给端”，各技术服务企业在项目执行中要深刻理解业主的需求，针对性地提供优良服务。基于相关实践经验和思考，对化工行业智能化建设总结如下。

1 化工行业智能建设流程

智能工厂是层层建设的结果。工厂数字化是智能工厂建设的基础，它将现实世界中的物理对象映射至虚拟的数字世界中，将生产及经营的各种要素以数字形式赋予其上，通过数据实时同步，实现工厂在数字世界中的运行。进一步地，通过先进的数据或应用集成、数据分析、人工智能和功能拓展，实现不同程度的智能化。

自Wolfgang Wahlster等提出“工业4.0”概念以来，众多工业企业在如何将智能工厂概念变为现实的过程中，做了不懈的努力。我国石化行业的智能化尝试起步于2012年[3]。这一工作至今仍在不断探索和尝试，方法论已渐渐形成：①自企业决策层开始，自上而下贯彻；②从对象元件数字化起，向智能应用拓展的方向，自下而上执行；③以多进程、多层次、迭代式实施为模式发展。

基于成熟的传统工厂建设流程，化工智能工厂建设的基本过程和主要任务见图1。

图1 化工智能工厂建设的基本过程

2 智能化建设的顶层设计

企业智能化建设的顶层设计工作内容主要是：基于需求确立目标[4]，制定策略和架构，分解工作任务，制定进度要求，建立评判机制。它要求决策者实事求是地评估现状与智能工厂的发展方向，厘清风险，理性地评估方案，做出决策。它的战略意义重大，体现了企业决策者的决心和意志。

在化工智能工厂建设的顶层设计过程中，需要考虑如下因素：①企业形式；②工厂规模与类型；③投入与收益预期；④工艺特点和项目内容；⑤实施架构、范围和步骤等。

2.1 企业形式

智能工厂建设能获得多少支持与企业形式有一定关系。

化工企业形式有很多，如独资、合资、国有等。不同的企业形式，其决策者风格、企业文化、和投资策略等都有很大差别。不同企业对智能工厂建设的决心、资金、协调能力也各有差异。

智能工厂建设是一个长期的过程，体现的是自上而下的意志。在面对各种阻力和困难时，能否坚持方向；在长周期的建设过程中，能否持之以恒；在投入和产出效果不明显的情况下，能否不忘初心等。这些都需要企业决策者的勇气与智慧。体现在顶层设计中，即影响整体方案科学性、规范性、有效性、决心与魄力等。

2.2 工厂规模与类型

化工厂有中小型独立工厂、大型工厂装置、一体化基地和异地工厂网络之分。

工厂规模和类型的影响因素有：投资占比、建设周期、数字基建规模、场景复杂度等。对于新建项目，中小型工厂的智能建设投资占比将非常可观。但随着工厂规模的增大，总投资额度的升高，投资占比会逐渐降低直至趋于稳定；工厂规模增加，其数字基建规模会显著增大，应用智能场景增多，建设周期增加；场景的复杂程度与具体应用有关，但总体来说，规模愈大愈复杂。

异地工厂网络可以看作是若干个彼此距离较远、且具有一定规模的工厂联合。每个工厂按照同一个或者近似的智能建设方案，各自进行独立建设，通过数据互联互通和智能场景的联合应用实现智能化。需要考虑各工厂当前的建设状态、建设进度、复杂程度、执行方案、距离远近以及数据的传输成本和安全性等。

2.3 投入与收益预期

考虑到智能化建设的投资成本，在顶层设计时，需要冷静、客观、全面地分析成本与收益，不能盲目决策。例如，某项目在预案阶段，对智能化建设的投资额度估计不足，概算时，发现项目整体成本远高于预期投资，不得不对整个项目的建设方案进行反复修改。

此外，智能工厂的投入与收益不一定成正比。有时效果会非常不明显，甚至是失败的。例如，某新建工厂为了优化日常设备管理，部署了设备管理系统(EAM)，由于系统定制化不足，场景功能与实际需求存在距离，使用了一段时间之后，逐渐暴露出问题：业务流程不能贴近实际，沦为简单的“记账簿”，额外增加了工作量，功能未达预期。

2.4 工艺特点和项目内容

顶层设计可以对企业的“运营痛点”做有针对性的部署。

企业的运营与工艺流程密切相关。化工行业属于流程工业，领域很多，细分行业特点各异。精细化工行业如油墨、涂料、胶粘剂等，其工艺多为批次生产，离散性特征表现较为明显。具体体现如：批次间工艺差异大、操作多、自动化水平低于流程稳定的工艺、批次间质量控制难等；大化工行业如基础化工、石油化工和炼化一体化等，是连续性的生产工艺，其特点是：流程稳定，设备可靠，自动化程度高，产品质量稳定。

对于前者，智能化的方向，多为优化生产、提能增效、质量控制等；而后者，多侧重于节约能效、资产管理和运营维护更加智能便捷等。

此外，因化工厂危险化学品多，压力容器或管道危险性大，操作过程风险高，各种技术或规范的相互制约多，大多数装置技改时间窗口有限，所以无论是新建工厂还是现有工厂改造，都应充分考虑智能工厂软硬件的可拓展性。

在实际情况中，智能工厂建设还可能面对更多的现实问题。例如，对于现有装置，如果没有前期的数字化交付，智能化建设会面临更大的困难[5]；新老装置之间，在智能化建设中，业务配套和设施融合有很多现实问题；在长周期的智能化建设过程中，由于概念与技术迭代更新过快，会带来很多超出预期的矛盾和问题等。

2.5 架构和目标

化工企业所执行的智能化架构可能有差异。

对于全工业行业，世界各主要国家的工厂智能化架构有：

(1)美国基于工业互联网概念的Industrial Internet Reference Architecture(IIRA)架构模型；

(2)德国基于“工业4.0”概念的Industrie 4.0 Reference Architecture Model (RAMI 4.0)架构模型；

(3)日本工业价值链促进会基于“工业价值链”概念的Industrial Value Chain Reference Architecture (IVRA)架构模型；

我国有《基于云制造的智能工厂架构要求》(GB/T 39474—2020)。2021年，国家工信部发布的《国家智能制造标准体系建设指南(2021版)》包括了“智能制造系统架构”。

为支持石化行业智能工厂的建设，2022年底，国家工信部在《石化行业智能制造标准体系建设指南(2022版)》中发布了“石化行业智能制造标准体系结构”。同时明确：到2025年初步建成石化行业智能制造标准体系。

在智能化建设过程中，化工企业可以从单一的智能场景入手，以点及面，逐步建设成一定成熟度的智能车间和智能工厂；也可以构造整体系统架构，从基础设施开始，进行全面的规划和建设，直到满足企业智能成熟度目标。前者适用于中小型新建装置的智能化，或现有工厂改造，以及异地工厂网络的智能化构建；后者适用于大型化工基地的建设。

3 数字化工厂与数字化交付

3.1 数字化工厂与数字化交付方式

数字化工厂是智能工厂的先期阶段，建设基础是装置的静态数据。它的构建需要解决下列问题：数据因何而生，从何而来？如何组织数据？数据能否真实地反映实体对象？

化工装置的工程信息称为数字化静态数据。它的传统获取方式是依靠工程竣工时的交付文件。传统式交付文件内的信息存在很多局限性，无法满足工厂数字化的需求。执行数字化交付是未来数字化工厂建设的必由之路。两者之间的主要特点对比见表1。

表1 传统工程交付与数字化交付的特点对比

3.2 交付体系与数字化建设模式的实践

采用传统工程交付的已建项目建设数字化工厂的模式，可以称之为逆向模式；采用数字化交付标准同步建设装置实体和数字化工厂的模式，可以称之为正向模式。目前，国内企业从逆向模式和正向模式分别进行了探索，两种模式的差异见图2。

采用数字化交付的正向模式，从工厂设计初期开始即可应用管理机制和体系规范数字化建设，将提高工厂的智能建设效率，是理想的建设方案。它可以使智能工厂的建设具备先天优势。

3.3 数字化交付中数字化平台的选择

数字化交付的一大特色是工厂数字化平台的应用，它是核心的技术工具，它的选择需要考虑诸多因素：

(1)兼容性。与第三方数据库，如MS SQL、Oracle等的兼容。

(2)开放性。即与第三方智能工业应用软件如ERP，MES，LIMS，WMS等的外部数据集成。

(3)标准化。满足工程项目的数字化交付标准要求。

(4)集成性能。指对不同品牌设计软件的数据集成，如3D模型、P&ID设计、仪表设计、管道材料设计等，以及对结构数据和非结构数据文件的集成。

(5)系统性能。如数据加载速度、处理速度、存储能力、查询能力与速度和传输的速度等是否满足企业要求。

(6)部署方式是否方便灵活。

(7)数据安全。化工企业尤其要考虑技术的自主安全性。智能工厂的数据产权属于化工企业，需要考虑数据或者服务平台因“供给端”企业变更或消亡等带来的风险和问题。

(8)可扩展性及人机交互等。目前，工厂数字化平台供应商及其服务有多种选择，他们的数字化交付平台和相关软件生态见表2和表3。

表2 国际数字化平台和软件生态汇总

表3 国内数字化平台和软件生态汇总

在国内细分市场中，国际供货商和国内供货商各有优势和缺陷。

国际厂商具有更丰富的经验与业绩，它们是国内大型建设项目的首选，但存在以下不足：①成本高昂；②软件需要一定程度的定制化，企业需要考虑二次开发的难度；③部分供货商数字化生态较为封闭；④某些工程设计软件用户体验还需改进。

虽然国内供货商的设计软件生态不如国际主流厂商，但他们的优势在经营灵活，胜在价格和定制化服务。值得强调的是，在当前的国际形势下，数字化服务的“供给端”属于国家引导的重点发展领域，有极为重要的战略高度，使得国内供应商受到特定企业群体的青睐。

3.4 智能工厂建设交付系统的发展

全行业智能化的发展方向就是实体、人工智能和人的融合替代设备与人的简单结合。工程项目智能化未来也会融入智能工厂的建设当中，将带来全新的数据与知识交付体系：数字化交付将集合装置的数字组织模型，与装置设计的知识库和装置工程项目运行阶段的相关数据(如设计变更记录，采购记录、施工数据等)，与智能工厂无缝连接在一起。它是融合式的知识传承与数据内嵌，给工厂的智能化建设提供强有力的支持。传统的项目交付和智能项目和智能工厂融合交付模式见图3。

图3 智能项目和智能工厂融合交付

4 智能场景

4.1 应用开发和部署

应用开发和部署，即应用类智能制造场景的营造，是智能工厂的核心部分。它们源于企业的生产实践，或来自于企业对未来业务的展望与设想，通过各种工业软件和定制化的数字服务实现。

国家工信部等四部门在2022年9月发布的《智能制造典型场景参考指引》中，针对全工业行业领域，总结了16个环节、45个智能制造典型场景[6]。相比2021年的版本，新增了“数字基建”环节及其系列场景，并对其他场景进行了优化，覆盖了企业的大部分需求，为智能工厂建设提供了指导。

4.2 化工企业智能场景的现状

由于行业和需求的差异，不同的企业可以根据自身情况，自主选择智能场景的建设内容。工信部2021年公布的智能制造示范工厂共110家，其中石化化工企业有7家；2022年智能制造示范工厂共99家，其中石化化工企业有6家，其选择应用的智能环节分布见图4。

注：“其他”列，指不属于《智能制造典型场景参考指引》的环节。图4 2021年和2022年智能制造示范工厂化工类企业智能环节分布

从图4可以看出：

(1)应用性智能环节，如生产作业、质量管控、设备管理、安全管控、能源管理和环保管控是石化化工智能工厂优先考虑的对象，体现了化工企业的行业特色。

(2)基础性智能场景(数字基础设施集成和工厂数字化设计)的数量明显增加。

(3)2022年比2021年在供应链管理、模式创新等特色应用方面有了零的突破，应用数量增加明显。

(4)2022年名单中部分环节不在《智能制造典型场景参考指引》的列选之内，说明企业开始更加重视定制化的应用。

5 智能成熟度评估和智能工厂建设的程度

化工企业智能化的程度依靠智能成熟度评估确定。在我国，评估的依据是《智能制造能力成熟度模型》(GB/T 39116—2020)和《智能制造能力成熟度评估方法》(GB/T 39117—2020)。

几点思考和建议如下：

(1)评估人才职业化建设。

按照《“十四五”智能制造发展规划》的目标，未来有大量智能工厂建成，需要更多从事评估的人才。他们既要熟悉所属行业的知识，又要了解智能业务，还要具备职业素养、操守和道德标准。因此，应该鼓励市场中对评估人才的培养和职业环境的孕育，执业注册制或许是兼具导向型和成效性的道路。

(2)专业工具的开发。

智能化建设是迭代的过程，有时多年才能达到成熟度目标，所以，成熟度评估报告的存续和管理显得特别重要。

成熟度评估结论应该客观、详实、可靠；评估报告的评估域内容、证据链、评估结果和行动项应该格式完整、条理清晰、易于核查追溯；专业的评估工具是必要的。

建议“供给端”企业增加智能成熟度评估工具的开发力度。

(3)评估方法的科学化。

智能制造能力成熟度评估过程需要减少主观因素，以提高可信性和可靠性。

例如，《智能制造能力成熟度评估方法》中“成熟度要求满足程度得分”存在“大部分满足”和“部分满足”的描述，在实际执行中可能有多种理解，建议尽可能量化相关指标；证据链的要求可以具体化、规范化、提供举例或附以模板等。

随着不断地实践和发展，期待评估方法能更加规范化、科学化，从而促进智能工厂建设行业的健康发展。

6 结语

(1)对于一定规模的化工企业来说，工厂的智能化建设将是大势所趋。企业的决策者既要避免踟蹰不前，又忌盲目跟风；企业可以冷静、客观、科学地提出自身的智能化发展战略。

(2)智能工厂建设是系统工程，并非一堆工业软件的简单堆砌或套用。企业应该根据经营情况、企业特点、经营痛点和发展构想，稳步推进智能化建设的进程。

(3)智能工厂的建设是不断完善的过程，不会一劳永逸，不应松懈、轻视或止步不前。评估应用智能场景的实际效果要从实践出发、回归实践、认真扎实、实事求是。智能成熟度评价也要在实践中发展进步。

(4)智能工厂建设反映了化工企业的现实需求，符合国家工业发展的方向，有潜力巨大的市场，希望参与各方都能由此获益。