9.8 KiB
9.8 KiB
氯化车间AI vs 化工新材料AI 平台 —— 对比分析与通用产品可行性
编制：bot_po（产品审核） | 日期：2026-08-04 | 数据来源：
04_项目管理部/2026/氯化车间AI、04_项目管理部/2026/化工AI
0. 一句话结论
这两个项目不是两个独立产品，而是"同一套工业AI优化平台"在两个化工子领域的两次落地。 化工AI 平台（吸附树脂）已完成工程化交付（9 个月、76 任务、33 需求、3 万+ 行代码），是成熟的"通用内核"；氯化车间AI（海绵钛/四氯化钛）当前只到需求阶段，其 4 个智能体实质是化工AI 平台能力的子集 + 行业化重述。
结论：完全具备做成通用产品的条件。 正确做法是把化工AI 平台"平台化/配置化"，把氯化车间AI 作为第一个"行业模板（垂直包）"来落地，而不是从零再写一套。
一、项目概览对比
| 维度 | 化工新材料AI平台（化工AI） | 氯化车间AI |
|---|---|---|
| 所属行业 | 吸附树脂（ASC/ASD/HPR/ACD 系列） | 钛白粉/海绵钛冶金（沸腾氯化法） |
| 当前阶段 | ✅ 已终验交付（M1–M9，2026-05-30） | 📝 需求阶段（仅 需求.txt） |
| 核心目标 | 生产优化 + 研发加速 + 数据资产/数字孪生底座 | 氯化车间质量稳定、配方动态优化、炉层预警、上下游工艺寻优 |
| 覆盖范围 | 全厂区（802/803/804 等多车间 + 污水/纯水/能源） | 单车间（氯化车间）+ 下游还蒸车间（TiCl₄→海绵钛） |
| 数据来源 | 和利时DCS + 威盛DCS + 西门子S7-1200 PLC + 称重/能源 + 人工录入 | 和利时DCS + 西门子S7-1200 PLC + 人工录入（几乎同构） |
| AI 能力 | 质量预测/工艺优化/配方推荐/异常检测 + R&D AI + LLM网关+RAG | 4 个智能体：质量预测、配方优化、炉层杂质预警、TiCl₄-海绵钛寻优 |
| 工程资产 | 边缘网关/ Kafka-TDengine / BFF / AI Sidecar / Vue前端 / K8s Helm / 混合LLM网关 | 无（仅有需求描述） |
| 硬件方案 | 4×RTX 5090 GPU 服务器 + K8s 集群 + 本地70B+云端DeepSeek混合 | 华为TaiShan+昇腾方案（仅预算设想，未落地） |
二、共同点（为什么能通用）
2.1 问题本质完全一致
两者都是同一范式："采集现场工艺数据 → 建AI模型找参数-质量-能耗关系 → 反向给出现场操作建议"。
- 化工AI：
DCS/PLC 采集 → AI模型（LSTM/XGBoost/贝叶斯/Autoencoder）→ 工艺优化与研发加速 - 氯化车间AI：
DCS/PLC 采集 → 多工序"智能体分身"关联检化验 → 质量预测/参数调整指导
2.2 数据源与接入方式同构
- 都是 DCS（和利时）+ PLC（西门子 S7-1200）+ 人工录入研发数据。
- 化工AI 已实现 OPC UA / S7 / Modbus / 称重 / 能源 五类采集，600 点位 1Hz、P99<3s。氯化车间AI 的需求描述与之一一对应，采集层可 100% 复用。
2.3 AI 模型类型高度重叠
| 能力 | 化工AI 模型 | 氯化车间AI 智能体 | 关系 |
|---|---|---|---|
| 质量预测 | 质量预测模型（LSTM/Transformer） | ①质量预测智能体 | 直接对应 |
| 参数/配方优化 | 工艺优化（多目标/RL）+ 配方推荐（贝叶斯/GNN） | ②配方参数优化智能体 | 直接对应 |
| 异常/杂质监测 | 异常检测（Autoencoder/IF） | ③炉层杂质监测预警 | 直接对应 |
| 跨工序关联 | 批次追溯 / 关联分析 | ④TiCl₄-海绵钛工艺寻优 | 直接对应 |
| 大模型协同 | LLM网关 + RAG（报警解释/交接班/根因/报告） | "融合检化验数据关联分析"（隐含同能力） | 同构 |
2.4 架构理念同源："专用模型 + 大模型"
两者都不追求单一模型包打天下，而是数值预测用专用小模型、语言/知识/推理用大模型（LLM+RAG）。化工AI 已把这套"混合LLM网关 + 安全分级路由"工程化并验证了性能预算（本地首token P95 1.5s、敏感度路由准确率 96.5%）。
2.5 关注指标一致
都指向：产品一致性/稳定性 ↑、能耗/物耗 ↓、研发周期 ↓、数据资产沉淀。
小结：差异主要在"化学领域知识"和"工程成熟度"，不在"技术范式"。这正是平台化的最佳前提。
三、不同点（通用产品必须保留的"行业差异层"）
| 差异点 | 化工AI（树脂） | 氯化车间AI（海绵钛） | 对通用产品的影响 |
|---|---|---|---|
| 工艺对象 | 间歇/配方驱动（树脂合成、交联度、交换容量） | 连续+炉式（沸腾氯化炉、炉顶压力、炉层渣高） | 需"工艺模板"区分连续/间歇特征工程 |
| 关键参数语义 | 苯乙烯/二乙烯苯配比、致孔剂、交换容量 | 金红石含钛比、氯气流量、炉顶压力、渣高 | 仅点位字典+领域词典不同，模型逻辑同 |
| 优化目标侧重 | 配方设计 + 研发加速（材料设计） | 过程稳定 + 安全（炉压/渣高预警） | 权重/告警阈值配置化 |
| 上下游关联 | 多产品多车间横向 | 强上下游（TiCl₄ 元素含量决定海绵钛性能） | 关联分析模块通用，关联图谱按行业配置 |
| 成熟度 | 已交付、有代码与运维体系 | 仅需求 | 氯化车间=新模板，复用内核零重写 |
| 硬件路线 | 已定（5090 + K8s） | 设想（华为昇腾） | 推理后端应抽象为可插拔（GPU/NPU） |
关键洞察：所有"不同点"都落在数据（点位字典/领域知识库）和配置（模型参数/阈值/工艺模板）层面，而非代码架构层面。这正是"配置化平台 + 行业模板"能成立的根本原因。
四、能否做通用产品？—— 可行，且建议这样做
4.1 可行性判定：高（推荐推进）
- 已有一个经过终验、性能预算达标、安全合规通过的工程内核（化工AI）。
- 氯化车间AI 的需求可 1:1 映射到现有 4 类模型 + LLM 网关，无需新研发算法。
- 行业差异 100% 可配置化（点位字典 CSV、领域 RAG 知识库、模型超参、工艺模板）。
4.2 推荐的通用产品结构（两层）
┌─────────────────────────────────────────────────────────┐
│ 行业模板层（垂直包，每客户/每行业一份） │
│ 氯化车间模板 │ 树脂模板 │ 未来：化肥/制药/冶金模板 ... │
│ · 点位字典CSV · 领域RAG知识库 · 工艺模板 · 模型超参/阈值 │
├─────────────────────────────────────────────────────────┤
│ 通用平台内核（化工AI 平台工程化所得，复用） │
│ ① 边缘采集网关（OPC UA/S7/Modbus/称重/能源，协议可插拔） │
│ ② 数据总线 Kafka → 时序库 TDengine + 关系库 PostgreSQL │
│ ③ AI 模型框架（质量预测/优化/配方/异常检测 4 类可配置模板） │
│ ④ LLM 网关 + RAG（本地70B + 云端API 混合，敏感度路由） │
│ ⑤ 配置化驾驶舱（Vue3 + 四状态工艺流程 + NL查询） │
│ ⑥ 部署底座（K8s/Helm/ArgoCD，推理后端 GPU/NPU 可插拔） │
└─────────────────────────────────────────────────────────┘
4.3 落地路径建议
- 复用内核：以化工AI 已交付代码为通用平台基线，梳理出"领域无关"模块（采集/总线/模型框架/LLM网关/驾驶舱）。
- 抽象差异：把点位字典、领域知识库、模型超参、工艺模板、告警阈值全部外置为配置/数据，不写死在代码里。
- 氯化车间先做模板：用氯化车间AI 的需求作为输入，交付第一份"海绵钛行业模板"，验证通用内核。
- 沉淀"行业模板开发包"：给出模板脚手架 + 接入手册，使第 3、第 4 个行业能以"配置+数据"方式快速上线。
4.4 风险与注意（必须向老板说明）
- ⚠️ 通用≠零定制：每个工厂 DCS 命名/点位/网络差异大，行业模板的"接入与标定"仍需 2–4 周实施工作量，不能宣称开箱即用。
- ⚠️ 领域物理知识仍要专家：模型特征、标签、工艺约束需行业工程师参与，平台只解决工程与算法框架。
- ⚠️ 数据门槛：质量预测/优化需足够历史样本（建议 ≥6 个月标注数据），否则首期只能上"监控+预警+LLM辅助"，模型后续迭代。
- ⚠️ 硬件抽象：若客户坚持华为昇腾，推理后端需做 NPU 适配层，避免被单一硬件绑定。
五、给老板/产品侧的下一步建议
- 定位调整：把"氯化车间AI"立项名称改为"通用工业AI优化平台 · 海绵钛行业模板（一期）"，对外是可复用产品，对内是第一个垂直落地。
- 资产盘点：把化工AI 平台代码梳理为"内核 + 模板"两份交付物，内核纳入公司可复用资产库。
- 商务价值：通用平台可复制拓展至化肥、制药、精细化工等，形成"1 个内核 + N 个行业模板"的产品线，提升客单复用率与交付速度。
- 立项推进：氯化车间AI 不必重新设计，直接进入"模板配置 + 现场接入 + 模型标定"阶段，预计周期显著短于化工AI 的首轮建设。
附：本报告基于两个目录现有资料（需求.txt、技术方案V2.0、DeepSeek方案分析、M1-M2评审/终验报告、源码模块 README）整理。氯化车间AI 因仅有需求文档，其工程判断为基于化工AI 平台的合理外推。