聚玻工业 × 江西尊创 · 全流程工业AI改造整体方案

当前得率区间

74% – 85%

普通操作员 74–75% ／优秀老师傅 ~85%，差距 10–11 个百分点；核心损失为加氢脱氧小分子气体逸散烧掉

每 1pp 得率的年化价值

941–1799 万

按画册口径 26 亿营收 ÷ 20 万吨 = 1.3 万元/吨；增产口径 941 万、省料口径 1799 万

见效周期

2–4周

首个高价值场景可见效果；传统工业 AI 项目通常需 6–12 个月，且多数死在验证阶段

合作模式

效果付费

基础费 + 效果分成，结算与交付效果挂钩，按约定 KPI 月度结算

本方案回答的核心问题

得率稳定、优化、提升——74%→85% 靠什么稳，85%→90% 靠什么冲，四道坎逐条拆解
老师傅手艺标准化 + 教好新手——把"手感"变成可复制、可考核、可执行的资产
AI 接管整个调参流程——从建议到全自动的五级演进与四条安全红线
14 项需求逐项分析——14 项需求逐项落地方案
声纹感知层（新）——设备健康 #5、多模态巡检 #3、安全状态 #8 一条技术主线
采购与供应链（新）——几百种备件主数据、供应商动态管理、新供应商实时入库
经营管理与多厂扩张（新）——已投产 + 二三期启动后的六大管理模块
新工艺与新材料联合实验室（新）——催化剂 #12 与硅藻壳 #13 的联合共建模式
数据底座与内网合规——数据不出厂、不改造控制系统、自主可控
经济性与效果付费模型——每一分投入如何量化回报
风险与能力边界——不承诺的事，先写在前面

摘要

为什么工业 AI 难落地，以及聚玻的解法

0.1 先讲一个行业事实：AI 不是没效果，是大多死在路上

65%

工业 AI 项目的失败率

流程工业的 AI 投入并不少，但真正跑到生产闭环的比例很低。失败主因不是算法，而是三件事——见下。

三个致命断点

① 模型是黑箱，决策不可追溯，工程师不敢采纳；② 没有快反馈，参数改完要等一天才知道对错；③ 经验断层，老师傅退休即能力归零。

2-4周

本方案的见效目标

传统项目6-12 个月、且 90% 死在验证阶段。本方案先用单场景 2-4 周产出实测对比，再谈规模化。

本方案的核心主张（也是与"卖大模型"路线的根本区别）： 工业 AI 必须嵌进工艺机理、跑在物理流程上、能被现场工程师核查。通用大模型能对话、能写文档，但不能替你看炉况、不能替你担安全责任、更不能替代 Safety Interlock。聚玻的定位不是"给尊创一个大模型"，而是把老师的工艺经验结构化、把数据变成资产、把闭环建起来—— 这三件事，恰好是尊创 14 项需求里反复出现、却最缺的东西。

0.2 尊创 14 项需求的一句话结论

#	需求	优先级	聚玻能否承接	一句话结论
1	得率优化	P0	全力承接	§3 完整展开，74→85→90 三阶段路径
2	AI 工艺专家	P0	全力承接	§4 把老师傅经验做成可查询、可执行的规则库
10	AI 数据底座	P0	全力承接	§15 一切 AI 的地基，与得率并行
9	AI 质量管理	P0	全力承接	与 #1 同源，密度/十六烷值等软测量，多目标优化
3	巡检机器人 / 替代人工	P1	全力承接	采用云音多模态巡检机器人（温度 / 嗅觉 / 听觉 / 视觉四维）＋智能点检仪，§7.4
4	仪表与中控一致性	P1	全力承接	多源数据融合核查，定位"看似正常、实际偏移"的隐性故障
7	ISCC 碳认证	P1	全力承接	溯源/质量平衡/单据 AI 归整，出口刚需
8	AI 安全生产	P1	全力承接	在作业规范之外，增加设备本体声纹安全监测（泄漏/异响/劣化），§11.5
5	设备预测性维护	P1	全力承接	把"定期体检"升级为实时体检 + 趋势预测：裂纹、腐蚀、老化、泄漏的实时发现与预判，§7.3
6	AI 采购与供应链	P1	全力承接	几百种备件主数据＋供应商动态管理＋新供应商实时入库，§8
11	经营管理 AI	P1	全力承接	尊创已投产、产能 50%＋二三期扩产在即，管理复杂度今非昔比，§9
12	催化剂 / 新工艺研发	P2	联合共建	聚玻以产业资源联合顶级科研团队组建联合实验室，§10
13	新材料（硅藻壳）	P2	联合共建	聚玻投入 30 年产业资源与客户渠道，共建材料研发与产业化，§10
14	长期陪跑	框架	全力承接	咨询+实施+持续运营三段式，随产能扩张同步扩展

14 项需求全部纳入方案，但"能承接"不等于"全都自己做"。三处特别说明： ① #5 承接的是设备健康状态的实时感知与趋势预测，不承诺绝对寿命预测； ② #11 中的通用办公 / HR / 财务软件建议尊创自采成熟产品，聚玻负责工业侧集成与场景深化； ③ #12 #13 采取联合实验室模式——聚玻出产业化资源与场景，不独自包办科研。这三处的边界在 §7、§9、§10 中有完整说明。

0.3本方案的四条落地原则

先诊断，后承诺

进场先做工艺诊断与数据可行性评估，基于实测数据再谈收益，不用行业平均值糊弄

单点突破,快速见效

不做"先建平台再见效"，先用一个高价值场景 2-4 周拿出实测对比，建立信任再扩展

机理优先,数据兜底

模型嵌入工艺机理与安全约束，不做纯数据拟合的不可解释黑箱，工程师敢用、领导敢批

效果付费,共担风险

基础费+效果分成，结算与效果直接挂钩，先验证、后放大（§13）

需求全景：把 14 项诉求翻译成工程语言

1.1 尊创的四点核心诉求

原始诉求	尊创方原话/现状	工程翻译
诉求一巡检与数据可信	"工厂有两个巡检人员；上千个仪器仪表通过电缆连到中控室，巡检需核查电脑数据与仪表现场数据是否一致"；希望用机器狗做泄漏检测替代人工巡检	本质是「中控显示 ↔ 现场实际」的信任问题。上千个点位靠人每2 小时核对一遍，既累又不可靠。需要自动化的一致性核查机制
诉求二 AI 辅助 + 得率	"AI 下指令时，要能教工人原理逻辑、如何操作"；"老师傅可达 85%，水平一般的只有 75%；小分子反应条件下小分子气体多、变成气体烧掉了"	两个子问题：① 得率 11 pp 的复制问题；② AI 决策的可解释性（要能"教工人"，说明尊创要的不是黑箱）
诉求三管理与合规AI	采购与备品备件（找供应商、自动询价、替代朋友推荐）、ISCC 碳溯源认证（经得起 ISCC 审查）、安全管理规范化	三个流程标准化 + 证据链自动化场景，共同点是减少人工整理、提高合规可追溯性
诉求四顾虑与期望	"AI 能帮我们解决哪些问题？需要懂小众工艺逻辑技术原理的 AI 辅导机构"；"是否需要单独开发软件？"；期望"长期陪跑、持续咨询"	最关键的一条顾虑：尊创担心"通用 AI 团队不懂一步三段法加氢工艺"。这直接决定合作成败——项目团队必须有石化/加氢工艺背景（§12 承诺）

把诉求四放在第一位理解： 尊创方反复强调"眼见为实、耳听为虚""做得半吊子还落下埋怨"。他们真正担心的是——投了钱，交一堆看不懂的 PPT，模型不准，最后没人敢用。
因此本方案的设计原则是：先用 2-4 周在一个场景做出"看得见的实测对比"，让尊创方的老师傅自己判断"这个 AI 靠不靠谱"，而不是让尊创方领导判断。老师傅的认可是本项目能否推进的决定性因素（§4 会专门处理）。

1.2 14 项需求的优先级与承接策略总表

#	需求	优先级	承接策略	与得率/成本的关系	章节与见效
1	得率优化	P0	全力	就是它本身	§3 全章；软测量 R²≥0.85→0.9；4–8 周见原型
2	AI 工艺专家	P0	全力	强耦合	§4；与 #1 共用数据底座
10	AI 数据底座	P0	全力	地基	§15；6–10 周
9	AI 质量管理	P0	全力	与 #1 同源	§6；批次放行提速
3	巡检机器人	P1	全力	间接：保障仪表与装置状态可信	§7.4；多模态巡检机器人＋智能点检仪
4	仪表一致性核查	P1	全力	间接但关键	§6；4–6 周出核查报告
7	ISCC 碳认证	P1	全力	保出口	§6；8–12 周
8	AI 安全生产	P1	全力	负相关：安全是硬约束	§7.5；设备声纹安全监测
5	设备健康与劣化预警	P1	全力	间接：减少非计划停车＝减少损失批次	§7.3；声纹劣化趋势量化
6	AI 采购与供应链	P1	全力	降本：几百种备件	§12 升级；主数据＋供应商动态管理
11	经营管理 AI	P1	全力	降本＋控扩张风险	§9；多基地经营管理
12	催化剂与新工艺研发	P2	联合实验室	决定 90% 天花板	§10.2；聚玻出资源，不独自包办
13	新材料（硅藻壳）	P2	联合实验室	开辟新的增长曲线	§10.3；30 年产业资源与渠道投入
14	长期陪跑	框架	全力	贯穿	§6；随 200 万吨 / 100 万吨扩张扩展

三项需要特别说明的承接边界：
① #5 承接的是设备健康实时感知与趋势预测（§7.3），不承诺绝对寿命预测；
② #11 的通用管理软件建议尊创自采，聚玻做工业侧集成（§9.3）；
③ #12 #13 为联合实验室模式，聚玻以产业资源参与而非独立包办（§10）。

总体架构：五层能力栈，从感知到进化

得率、工艺专家、质量、采购、认证、安全——14 项需求看起来零散，本质上都挂在同一套能力栈上。 把一次装置级 AI 改造设计成五层，而不是十四个互不相干的 PoC，是本方案与"需求驱动式集成"最大的区别。

图 2-1 · 五层能力栈。14 项需求不是 14 个孤立项目，而是同一套栈上的不同应用点

2.1 为什么必须分五层，而不是做一个大模型

层次	解决什么	尊创的具体场景	不这样做的后果
L1 感知	数据能不能用	上千个仪表、DCS、历史数据、化验记录统一接入与治理	数据脏乱、时间轴对不齐→ 后面全是空中楼阁
L2 寻优	参数怎么联动	一步三段法几十个耦合参数的整体最优，而非单参数试错	只能局部调优，得率卡在某个瓶颈上不去
L3 求解	给什么建议	实时得率预测 + 调参方案 + 质量预测 + 异常归因	只有一堆图表，没有可执行的动作
L4 边缘	能不能实时	模型下沉装置侧，内网闭环，毫秒级响应	依赖云端则内网不可用，且响应慢到无法闭环
L5 进化	能不能持续变好	每次异常与处置沉淀为案例，模型持续迭代	一次性交付，用一年就退化，人员一走又归零

这套架构与尊创现状的直接对应： 尊创现在的状态是"有L1 的原始数据、完全没有 L2-L5"——1 年历史数据 + DCS 都齐了，但数据没有被治理成资产，参数靠人试，AI 建议没有，实时闭环没有，经验也没有沉淀。
所以本方案的第一步不是上 AI，而是把 L1 夯实。这一点会在 §12 路线图里体现为"数据可行性评估"必须前置。

主章：得率稳定、优化与提升（74% → 85% → 90%+）

这是尊创方明确指定的第一优先级——尊创方的原话是："第一条是主要的。得率提高，这个东西把这个问题解决了，这是个大问题。" 本章是全文最长、技术最密的部分，因为它值得。

3.1 先把问题定义清楚：11 个百分点到底丢在哪

在讨论"怎么提升"之前，必须先回答"丢在哪"。尊创方给了一个关键线索： "小分子反应条件下小分子气体多、变成气体烧掉了。" 结合尊创一步三段法加氢工艺（预加氢 → 异构 → 饱和），我们把损失拆成五个去向。

损失去向	物理成因	普通班组 74%	优秀班组 85%	AI 可介入方式
① 轻烃小分子逸散加氢脱氧副产 C1–C4、CO/CO₂	加氢脱氧必然副产甲烷、乙烷等轻烃与 CO₂。反应深度（裂解程度）控制不当，轻烃超标即随尾气烧掉——这是尊创点名的核心损失	≈10 t	≈5 t	直接测。软测量实时估计轻烃生成速率；调参把反应深度锁在最优带
② 溶解气与夹带损失	小分子气体溶入液相或被液滴夹带出反应器，随产品物流带走，属隐性损失	≈3.5 t	≈2.2 t	间接测。气液两相工况识别 + 分离效率寻优
③ 过度裂解 / 生胶	温度过高、空速过低导致二次裂解或缩合生胶，既损失收率又加速催化剂失活	≈2.5 t	≈1.6 t	可测。多源数据识别生胶前兆；温度-空速协同约束
④ 焦炭 / 催化剂失活	结焦使催化剂活性下降，同等条件下转化率降低；需再生才能恢复	≈1.8 t	≈1.0 t	趋势可测。活性衰减趋势预警；再生时机优化
⑤ 计量与操作损耗	取样损失、计量误差、切罐过程残留、人工调整期的短时波动	≈5.2 t	≈8.2 t	可优化。批次自动寻优 + 波动压降（此桶数字含"优秀班组同样存在"的部分，故绝对值反高）

说明：上表以"每 100 吨进料"为基准做物料示意平衡，用于定位可介入点，具体分布必须以尊创现场实测的碳平衡数据为准。 这张表将在项目启动第一阶段由我们协助搭建实测台账来校准（§12 阶段 0）—— 在拿到真实分布前，任何"提升 X 个点"的承诺都不成立。这也是我们坚持先做诊断的原因。

3.2 三个技术支点：为什么是这三件事，而不是别的

支点一：软测量
把 4–24 小时变成分钟级

现在得率靠化验，滞后 4 小时到一天。这意味着你调完参数要等一天才知道对错。 软测量模型用 DCS 连续数据 + 工艺机理 + 化验值做校准，实时估计"此刻的得率"。速度提升约两个数量级，是后面所有工作的前提。

支点二：前瞻预测
从事后纠偏到事前干预

传统 APC 是"看到偏差再调"，永远滞后。时序预测模型可对未来 24–72 小时的关键参数与得率走势做预判，在问题发生前给出干预建议——这从"救火"变成"防火"，是得率从 85% 冲击 90% 的关键能力。

支点三：多参数协同
从单变量到全局最优

一步三段法中温度、压力、氢油比、空速强耦合，单看一个参数调优必然顾此失彼。多参数全局寻优算法能在高维参数空间做定向探索，找到老师傅都没试过的参数组合，这是 90% 段的唯一技术路径。

3.3 支点一详解：得率软测量模型怎么建

图 3-1 · 软测量模型不是纯数据黑箱：机理提供骨架与可解释性，数据提供精度，经验加速收敛，化验值持续校准

步骤	做什么	怎么做	验收标准
1	数据准备 2 周	接入 DCS 历史数据（尊创已有约1 年）、LIMS 化验记录、原料批次台账；统一时间戳、补齐缺失、剔除异常	数据完整率 ≥95%，批次-化验-工况三者可对齐
2	机理建模 2-3 周	与尊创工艺人员共同梳理一步三段法的关键因果链，把老师傅的判断逻辑写成可计算的约束与规则	产出《尊创工艺机理模型 v1》，由尊创方签字确认
3	模型训练 v0.1 2 周	用历史批次做训练；优先保证"方向对"而非"绝对准"	R² ≥ 0.85，实时得率与化验得率趋势一致
4	上线试运行 2-4 周	影子模式运行（只看不调），与老师傅判断对照	连续 2 周趋势吻合，老师傅认可"看得准"
5	迭代升级持续	每次化验回灌做校准；原料/催化剂变化时重训练	R² ≥ 0.90，进入 APC 闭环使用

为什么坚持"先机理、后数据"： 如果纯用数据拟合，会得到一个"相关性不错但不知道为什么"的模型。这样的模型有两个致命问题—— ① 工程师看不懂、不敢用（尊创方明确要求"AI 下指令时要能教工人原理"）； ② 一旦换原料批次或催化剂换代，模型立刻失准。
机理模型提供骨架与解释力，数据模型提供精度，两者缺一不可。 这也是我们承诺团队必须有加氢工艺背景的原因——没有工艺背景，做不出机理模型，只能做黑箱。

3.4 支点二详解：前瞻性预测——从事后纠偏到事前干预

图 3-2 · 前瞻预测的核心价值：不是让系统更聪明，而是让它比问题早一步

预测对象	预测时长	典型预警内容	对应动作
催化剂活性衰减	7–30 天	活性下降趋势、预计失活时间点、再生窗口建议	提前调整再生计划，避免"带病运行"拉低得率
关键参数漂移	24–72 h	温度/压力/氢油比偏离趋势、漂移方向与幅度	在越限前纠正，而不是等报警
原料批次影响	批次切换前	新批次酸值/杂质差异导致的参数需求变化	切换前预调参数，减少过渡期损失
轻烃生成量	4–12 h	反应深度偏离最优带、小分子生成速率上升	收紧温度/降低空速，遏制逸散损失
得率走势	8–24 h	本批次预计得率区间、与目标 85% 的差距	班中纠偏，不必等化验结果出来

关于"72 小时"这类具体数值的说明：预测时长取决于尊创工段的物料停留时间与化验频次， 上表为基于一般加氢工艺的工程估算区间，需在阶段 0 用尊创实际数据确认。停留时间短的工段（如加氢反应器本身）预测窗口短，而对全流程得率的预测可以更长。 我们不承诺固定的预测时长，只承诺"在数据支持的范围内尽可能提前"。

3.5 从 74% 到 85%：11 个百分点怎么拿回来

图 3-3 · 11 个百分点中约 9 个来自"看得见 + 调得动"，约 2 个来自工艺与管理口径的配套改进

动作	具体做什么	为什么有效	前置条件
建立"得率在控表"	把批次按"原料类型 + 催化剂状态 + 班次"分层，每层统计得率分布与最优参数组合	让"85% 到底长什么样"变成可查的表，而不是模糊的印象。老师傅的判断被固化为基准线	需要尊创方开放历史批次与化验记录
锁定反应深度最优带	用软测量实时跟踪轻烃生成速率，找出得率最高时的反应深度区间并自动维持在带内	直接对准尊创点名的核心损失。轻烃逸散从"随师傅手感波动"变成"被控制在带内"	软测量模型可用（v0.1 阶段）
关键参数闭环 APC	温度/压力/氢油比/空速由模型在约束内自动微调，人可随时接管	消除班组间操作差异。同一个班不同人调出不同结果，是 74% 与 85% 差距的直接原因	软测量 R²≥0.85 + 操作员信任（§4 组织保障）
手把手复制老师傅	把老师傅每个班次的操作轨迹与得率对应，沉淀为规则与案例（详见 §4）	这一项单独贡献约 2.6 pp——因为它把"个人能力"变成"组织能力"	老师傅愿意配合并接受访谈（关键，需高层授权）
波动压降	不是只追峰值，而是把每次运行的得率方差压到最小。均值自然抬升	工业生产里，减少波动比提高峰值更容易也更稳。峰值靠运气，均值靠控制	连续运行数据 ≥1 个月

3.6 从 85% 到 90%+：四道必须跨过的坎

这一段必须讲清楚难度跃升的原因：74%→85% 是"复制已有最优"，85%→90% 是"突破物理与经济边界"。前者靠标准化与闭环，后者需要新的工艺认知与更精细的经济权衡。

坎	为什么难过	AI 能做什么	AI 做不到什么
① 轻烃压降到物理下限	加氢脱氧副产轻烃是反应机理决定的，不能完全消除，只能压到某个下限。越往下每 1 pp 越贵	精确识别当前轻烃生成速率；自动寻优温度/空速组合，找到单位氢耗代价最低的压降路径	不能突破反应机理的极限。若已接近下限，再优化也无空间——需尊创工艺侧从催化剂选型入手
② 十六烷值与冷滤点的跷跷板	加深异构能降冷滤点但会降十六烷值；尊创技术壁垒恰在"缓和异构同时保十六烷值 88、冷滤点 −3℃"	做多目标寻优：在"得率↑ + 十六烷值≥88 + 冷滤点≤−3℃"三重约束下找最优解，避免顾此失彼	不能凭空改善选择性。若某一工况下三者互斥，AI 只能告诉你哪个组合最优，不能创造不存在的解
③ 催化剂活性与经济性	85% 以上往往需要更高反应苛刻度，代价是催化剂加速失活 + 氢耗上升。得率收益能否覆盖成本？	建立"得率-氢耗-催化剂寿命"三目标经济模型；实时给出边际收益/边际成本，帮管理者判断何时该停、何时该忍	不替管理者做商业决策。AI 给的是"这个动作会让得率+0.4pp、氢耗+3%、催化剂寿命−8 天"，值不值得由人判断
④ 分馏切割精度	切割精度接近设备与仪表极限，再提高需投入高昂的精密设备与能耗	用软测量实时估计切割效果，动态优化回流比与塔温，在质量达标前提下多收柴油	不能突破塔的分离极限。需硬件升级的部分不属AI 范畴

对 90% 段的诚实判断： 根据尊创工艺现状（2026 年 1 月刚投产、处于产能爬坡与工艺标定阶段），我们认为 85% 是 6–12 个月内的现实目标， 90% 需要在 85% 稳定运行、工艺边界摸清之后才有讨论基础。
本方案不承诺 90% 的达成时间表——那取决于尊创自身的工艺迭代与设备改造节奏，不完全由 AI 决定。我们承诺的是：把 90% 所需的三项能力（精确测量、经济权衡、自动寻优）全部建起来，并随尊创工艺成熟逐步释放。

3.7 催化剂管理：被低估的一段得率

活性曲线可视化

以软测量得率与工艺参数反推催化剂有效活性系数，画出衰减曲线。
老师傅凭感觉判断"这个催化剂不太行了"，变成可量化的曲线。

再生时机优化

活性衰减到不同阈值时，对应不同的参数补偿量与得率损失。
模型可算出最优再生节点，既不"早烧钱"也不"晚丢得率"。

批次间经验迁移

同一批催化剂装填周期内，积累哪些操作模式最容易结焦，形成预防清单。
这是 §4 案例库的一部分。

3.8 全员得率提升路线：74% → 85% 的分配问题

人群	当前	12个月目标	提升手段	关键动作
优秀班组	85%	88%	精细寻优 + 前瞻预测，防止其经验随年龄波动	把其手感固化为规则；重点不是提得率，而是"锁住"——这批人的稳定是全厂基准线
普通班组	74–78%	85%	AI 辅助 + 带教 + 闭环 APC	这是本项目的主战场。接近 7 pp 的差距，正好是 §5 AI 接管调参要解决的
新入职员工	—	1-3个月独立顶岗	AI 随身教练 + 认证考核	不追求一到岗就85%，先做到"不出事、不乱调"；3 个月后向 78-82% 靠拢

一个必须说清的管理命题：普通班组从 74% 提到 85%， 最大的障碍往往不是技术，而是"老师傅凭什么让AI 指挥我"。技术上 9 pp 是可以拿回的，但组织上如果没人愿意听 AI 的，这个数字就拿不回来。 因此 §4 与 §5 的组织设计不是"附加项"，而是得率提升的必要条件。请尊创方在推进技术的同时，同步安排操作层的管理沟通——这通常比技术难度更决定成败。

把老师傅的手艺标准化，把新手教好

尊创方明确要求："AI 下指令时，要能教工人原理逻辑、如何操作。" 这句话定义了这一章的全部目标——AI 不只要会调，还要会教。 而"会教"的前提是：AI 必须先真正"学会"老师的经验。

4.1 老师傅的"手感"到底是什么：三层拆解

层次	典型表现	能否被数字化	数字化方式
L1 知识层 "知道型"	懂工艺原理、知道参数含义、了解异常成因、有成套的 SOP 与课件	完全可以已部分数字化	整理为知识库 + AI 问答。尊创方已有"内操外操讲课"等资料，属于地基已打好
L2 经验层 "会判断型"	"这个工况先调这里""听声音就知道泵要出问题了""今天料不好，先压一点温度"	大部分可以需整理	条件-动作规则库：把"什么情况"与"做什么"显式写成规则。这是本章的核心工作量
L3 直觉层 "会预判型"	"这个趋势不对，十分钟后会出事"；手感往往领先于仪表读数	部分可以需 AI 辅助	软测量 + 前瞻预测替代表感。把"我心里没底"变成"模型预测 20 分钟后得率将下降 1.2 pp"

关键判断：很多管理者以为"AI 学工艺"就是把老师傅的话录下来。 实际上 L2+L3 才是真正的价值所在，也是最难的部分。 L1（知识）用任何 AI 都能整理，L2/L3 需要把隐性经验显性化，并找到数据中的对应关系—— 这需要 AI 工程师与老师傅面对面共同工作数周，不是远程整理几份文档能做到的。

4.2 四类标准化资产

图 4-1 · 四类资产中，② 参数-动作规则库是核心——它既是"教"的材料，也是"调"的依据

4.3 把老师傅的经验挖出来：三步工作法

步骤	做什么	方法	产出
1	行为数据对齐	调取老师傅近3–6 个月的 DCS 操作曲线，按时间戳对齐："他在 X 时刻把温度上调了 2℃，此后 4 小时的参数与最终得率是……"	一份"操作-结果"对照数据集（客观、无法争辩）
2	访谈印证与追问	拿第 1 步的数据问老师傅："这几次你调了温度，是因为判断到料变了，对吗？" 用他的语言补上数据里没有的"为什么"	隐性知识显性化，形成带因果链的经验条目
3	模型验证与反哺	把规则喂给模型，在历史数据上回测：如果按这些规则执行，得率是否真的更高？把结果反馈给老师傅确认	经得起验证的规则库——不是"老师傅说的"，而是"数据证明有效的"

第 3 步是本章最容易被忽略、但最有说服力的一步。 很多企业做经验固化时只做到"记录老师傅说的"，然后工人不认——"那是他的经验，不一定对"。 但如果我们能用数据回测证明"按这个规则做，得率确实提高了 0.8 个百分点"，规则就从"个人的说法"变成了"被验证的规律"，说服力完全不同。
这也是尊创方要的"眼见为实"在经验固化上的体现：不靠权威背书，靠数据说话。

4.4 新手培养：把 6–12 个月压到 3 个月

阶段	名称	周期	做什么	AI 在其中的角色
0	旁观学习	1–2 周	跟班观察，不动手。记录老师傅每一步操作的"触发条件"与"判断依据"	AI 生成跟班记录模板，把观察结构化，避免"看了但记不住"
1	AI 陪练	2–4 周	在仿真环境里练手：AI 模拟不同工况（正常、原料突变、设备异常），新人调参，系统打分并讲解	核心环节。新人可以在仿真里犯错 100 次而不影响生产——这是课堂培训做不到的
2	现场辅助	4–8 周	真实 DCS 上操作，AI 实时给建议与提醒，操作员可采纳或忽略（采纳与否都记录）	"随身教练"：解释原理、提示风险、给出参考值，但不强制
3	认证考核	2 周	理论与实操双重考核，通过后独立顶岗	自动生成能力画像，指出短板，针对性补强
4	持续进阶	持续	从"能顶岗"到"能优化"，成为下一代骨干	培养尊创自己的"AI 时代老师傅"——既懂工艺又懂 AI 的人

差距可视化

每周给新人一张"你 vs 老师傅"的对照表：参数调整时机、幅度、时机判断的差异点。让差距从"感觉差"变成"具体差在哪"

反事实复盘

每班结束后自动生成："如果你这班完全按 AI 建议执行，预计得率 X%，你实际 Y%，差 Z 个百分点"——差距具体到每一个决策点

即时提问

新人任何时刻可问"为什么现在要调这个参数"，AI 用工艺语言解释，不怕问题傻、24 小时在线、不嫌重复问

4.5 组织保障：这一节可能比技术更重要

必须直说的风险：老师傅抵触，是这类项目最常见的失败原因。 常见链路是：老师傅觉得"AI 要替代我" → 消极配合甚至反向操作（专门挑 AI 建议的反着做）→ 数据被污染 → 模型不准 → 方案失败 → 结论变成"AI 不行"。
这不是技术问题，靠技术手段解决不了，必须靠组织设计。

措施	具体做法	为什么有效
① 命名首席工艺顾问	由尊创方指定一位最资深、最有威望的老师傅担任，给正式头衔、决策参与权与相应激励	从"被替代者"变成"共建者"。如果他参与制定规则，他就不会破坏规则。此项需尊创方高层拍板，我们无权决定
② 讲清叙事	对外表述统一为"AI 把老师傅的经验复制 10 份，不是替代 1 个人"。老师傅从执行者变标准制定者与教练	经验固化后，老师傅的历史贡献被永久记录、可追溯到人——这对临近退休的老师傅是实打实的价值
③ 建议采纳率公开	系统记录每条建议是否被采纳、被采纳后效果如何。让"听AI 的"成为理性选择	当"听 AI"被证明确实提得率（而非盲从），抵触会自然下降。数据是最好的说服工具
④ 保留人工兜底	AI 永远可被一键否决；否决记录被分析，若否决是对的则优化 AI，若否决无理由则纳入纪律管理	给人留退路是建立信任的前提。同时否决数据本身也是宝贵的训练样本
⑤ 培训先行	项目启动前先给操作层做系统培训：讲清楚 AI 能做什么、不能做什么、数据怎么用	消除恐惧最好的方式是讲透它。透明化能消除大部分抵触情绪

让 AI 接管整个调参流程

这一章回答用户的第四个问题：如何让 AI 把新手从 74% 提到 85%，并最终做到全自动 AI 工艺接管。
先讲一个残酷的事实：在反馈延迟 4–24 小时的条件下，"全自动调参"在数学上是不可能的—— 这不是模型能力问题，而是控制回路的时间尺度问题。§3.3 的软测量正是为了解决这一点。

5.1 为什么过去没人做成全自动调参

制约因素	具体表现	本方案的解法
反馈延迟	得率靠化验，滞后 4–24 小时。AI 调完参数无法验证对错，只能盲调	§3.3 软测量把反馈降到分钟级——这是自动化的前置条件，不是可选项
多目标冲突	得率、十六烷值、冷滤点、氢耗互相拉扯，单目标优化必然损害其他	§3.6 多目标寻优，把质量与能耗作为硬约束写进优化目标
工况漂移	原料批次变化、催化剂衰减，最优参数随之变。静态模型必然失效	§3.4 前瞻预测 + §2 L5 持续进化，模型随工况自动更新
黑箱不可信	纯数据模型给出建议但说不出理由，操作员不敢执行	§3.3 机理融合 + §4 规则库，每条建议附带可解释依据
安全顾虑	化工生产中 AI 误操作可能导致联锁甚至事故，责任不清则无人敢用	§5.5 四条安全红线，AI 永不穿透安全联锁，且保留物理回退

5.2 五级自主度演进

L0影子模式

AI 计算但不发令第 1 阶段即启动

AI 持续输出"它会怎么调"，但实际操作仍由人执行；事后把 AI 建议与实际结果逐条比对。零风险，且立刻产生价值——老师傅第一次直观看到"AI 想到的和我想到的差多少"。这是赢得信任的关键阶段，通常持续 4–6 周。

L1建议模式

AI 出建议，人确认执行需软测量已就位

AI 给出建议值 + 原理说明 + 预期得率变化 + 风险提示，工人一键确认或修改。关键是每条建议都带可解释依据——这正是尊创方"要能教工人原理"的要求。这是"教"的正式落地环节。

L2协作模式

常规工况 AI 自动调，异常推回人工得率 85% 阶段

AI 在正常工况区间内自动微调，识别到异常趋势或进入敏感区域时自动挂起并通知人工。这是从"人盯着 AI"过渡到"AI 盯着人看得住"的转折点，也是安全与效率的最佳平衡点。

L3区间自治

AI 在验证区间内完全自主冲击 90% 阶段

在充分验证的工况区间内完全自治，人只处理例外。三条不可突破的硬约束：① 软测量预测置信度低于阈值即降级并报警；② 化验值连续两次偏离预测 ±1 pp 则强制降级；③ 任何安全联锁动作则该回路冻结至人工复位。老师傅角色转变为监督者与例外处理者。

L4全流程自治

跨工序协同优化（长期）

尊创规划的第二、三座工厂（200 万吨 / 100 万吨）可直接以 L3 起步——因为经验与模型已沉淀在数字化底座里。这是尊创最看重的"复制到新厂"诉求的最佳答案：能力随工厂复制，而不必每座厂重新磨合数年。

5.3 切换到高一级自主度的验收门槛

以下门槛建议直接写入合同，不达标不切换。每一条都对应一类真实事故或失败模式：

从 → 到	必须同时满足的条件	对应的风险防护
L0 → L1	① 软测量 R² ≥ 0.85 且趋势连续 4 周吻合 ② 老师傅书面认可模型"方向对" ③ 连续 4 周建议与人工判断分歧率 < 15%	防止模型不准却给人错误参考
L1 → L2	① 建议采纳率 > 80% ② 采纳建议后实测得率提升均值 > 0.2 pp ③ 安全联锁零误触发 ④ 连续 6 周无因采纳建议导致的质量事故	防止"为了达标而盲从 AI"
L2 → L3	① 软测量 R² ≥ 0.90 ② 影子模式连续运行 ≥ 4 周且偏差稳定 ③ 完成安环/工艺/设备三部门联合评审 ④ 回退机制经实操验证（1 秒内可切回人工）	防止过度自主导致的不可控
L3 → L4	① 新工厂独立验证 ≥ 3 个月 ② 老厂 L3 稳定运行 ≥ 6 个月 ③ 跨厂经验迁移的适用性经工艺评审	防止能力复制过程中的水土不服

5.4 AI 建议的呈现格式：让工人看得懂、愿意用

建议卡片示例（格式为示意，具体字段待现场共创）

调参建议 · 一反温度 置信度高 92%

当前值一反温度 312℃ 建议值下调至 308℃ 依据检测到轻烃生成速率较基准升高 18%，且一反温度高于同类工况最优带 4℃ 预计效果得率 +0.3~0.5 pp（4 小时后显现）代价氢耗 +1.2%；产品十六烷值预计 −0.3（仍在 ≥88 约束内）风险若 4 小时后得率未改善，可能原料批次异常，建议同时检查进料酸值可撤销随时可拒绝本条建议，系统将记录并学习

为什么这么建议（可展开）：本次原料批次酸值较上周高 8%，加氢反应深度自动加深，导致轻烃副产上升。参照同类工况（酸值同批次、催化剂周期 120 天）数据，温度下调 4℃ 后轻烃生成速率可回落至基准带内。 依据来自 47 个历史同类工况样本，模型准确率 92%。

这张卡片的设计原则，对应尊创方的三句原话：
① "要能教工人原理逻辑" → 底部"为什么这么建议"区块，必须能展开；
② "要能看出这个 AI 靠不靠谱" → 明示置信度与样本量，不装懂；
③ "眼见为实" → 明示代价与风险，让工人自己权衡，而不是被命令。

5.5 四条安全红线

红线一：AI 永不穿透安全联锁

超温/超压/可燃气体泄漏 → 直接由安全联锁系统动作，不经过 AI 中枢。优先级恒为：
Safety Interlock > Control System（DCS）> AI
AI 停机只影响优化，不影响安全。系统整体失效时装置退回最基础的人工控制，无安全风险。

红线二：保留物理级一键回退

中控室设置物理按钮，1 秒内可无条件切回人工控制，其优先级高于任何软件指令。
逻辑：连续流程工业中一次非计划停车的损失，可能超过数月的得率优化收益。不能回退的自动化等于没有自动化。该按钮须在每次上线前实操验证并记录。

红线三：影子模式先行满4 周

L2→L3 前，AI 必须在影子通道连续运行 ≥4 周，与实控指令实时比对，偏差稳定后才允许接管实控。
逻辑：很多失败不是模型不准，而是边界工况未见过。影子期专门暴露这些边界。这条不因进度压力而压缩。

红线四：渐进不可跳级

L0→L1→L2→L3→L4 逐级推进，不允许跳级。
逻辑："先建议、再协助、再自动"不是保守选项，是唯一选项。工程上省下的几个月，会在第一次跳级失败时全部还回去——而化工生产的一次严重失误，代价可能是整个项目的终止。

5.6 全自动之后：老师傅的岗位变化

维度	现状	全自动接管后
时间投入	每天盯屏数小时，持续手动调参数	监督 AI 运行，做审计员与教练，约 80% 时间转向更高级的工作
工作内容	80% 精力用于常规调参——这恰是最适合交给 AI 的部分	研究新原料批次、开拓新工况、处理 AI 失灵的边界情形（AI 越擅长的领域，经验越不值钱）
经验传承	师徒带教，效率低、依赖个人在场	新人 = AI 培训 + 师傅答疑，师傅经验被复制放大，相当于师傅被放大 5–10 倍
不可替代性	老师傅退休 = 经验流失（尊创方的明确隐忧）	经验固化在系统中，退休带走的是个人记忆，不是工厂能力

本节直接回应尊创方的两项隐忧："老师傅退休带走经验"与"新人培养周期太长"。前者靠经验固化解决，后者靠 §4 的带教机制解决——两者都不是靠"约束人"实现的，而是靠"把人的价值放到更高的地方"。

14 项需求逐项落地方案

本节是本文档的"索引页"。§1–§5 已详述的 P0 四项，这里只给摘要与交叉引用； P1/P2/P3 六项在本节首次详细展开，因为它们在前面章节尚未覆盖。

P0 · 已在前面章节展开

#1 得率优化（Yield AI）全力承接

尊创方明确指定的第一优先级。核心交付：得率软测量模型（分钟级）+ 前瞻预测 + 多目标参数寻优 + 闭环 APC。

详见 §3 全章。要点：三个技术支点（软测量 / 前瞻预测 / 多参数协同）、74%→85% 的 11 pp 逐项归因、 85%→90% 的四道坎与能力边界、催化剂管理、全员得率提升分配。

#2 AI 工艺专家全力承接

把尊创方已整理的"EOC 参数、控制流程、范围、内操外操讲课"等资料，升级为可查询、可解释、可执行的智能体。

详见 §4。要点：老师傅经验的三层拆解（知识 / 判断 / 直觉）、四类标准化资产、经验挖掘三步法、新手培养路径、组织保障五条。该需求与 #1 共用同一份数据底座，不重复建设。

#10 AI 数据底座全力承接 · P0 基础设施

一切 AI 的地基。没有可信的数据，前面三项都是空中楼阁。

详见 §11。要点：五类数据接入、数据治理、统一时间轴与上下文层、内网无外网部署、信创合规、数据不出厂。

#9 AI 质量管理（软测量）全力承接 · 与 #1 同源

密度、黏度、闪点、十六烷值、冷滤点等指标从"化验室检测"升级为"AI 预测 + 化验确认"。

尊创的质量指标是它最硬的护城河：十六烷值 88、冷滤点 −3℃、磨斑半径 427、欧盟 HVO 标准。 任何质量预测模型都只做"预筛"，最终放行必须以化验为准。这一点没有商量余地。

与 #1 的关系：共用软测量内核，区别在于输出目标——#1 优化得率，#9 保障质量，两者在优化器里作为多目标约束同时存在（详见 §3.6 第②道坎）。

P1 · 高优先级，本节详细展开

#4 现场仪表与中控数据一致性核查全力承接

这是尊创现状中最具体、最迫切的一个痛点。尊创方原话："上千个仪器仪表通过电缆连到中控室，巡检需核查电脑数据与仪表现场数据是否一致"，现有 2 名巡检员每 2 小时轮询一次。尊创方自己的说法是"看似仪表好，但现场数据已经不对"——这句话点出了问题的本质。

核查类型	做法	识别的问题
① 读数一致性	现场智能仪表读数经手抄或视觉识别上传，与 DCS 显示值自动比对	人工抄错、显示故障、单位不一致、量程设置错误
② 仪表间一致性	同测点的冗余仪表、双回路测量之间的交叉校验	单表漂移或卡死（最危险的一类，因为看起来完全正常）
③ 物理合理性	用工艺机理检查数据是否"讲得通"：如一反温度突降但反应压力无响应	仪表失真导致的连锁误判
④ 数据完整性	检查测点是否长期不变、是否恒定在某个值、是否长时间无响应	"僵值"故障——数值显示正常但实际已不采集（尊创痛点之一）
⑤ 跨系统一致性	DCS ↔ Historian ↔ LIMS ↔ ERP 之间的数据交叉核对	接口丢数、同步延迟、口径不一致

交付物：①《仪表健康档案》——上千个测点的静态画像（量程、历史波动、稳定性评分）； ② 实时异常推送；③ 季度核查报告，自动列出"疑似失真测点清单"并给出核查建议； ④ 与 §3 的软测量联动——一旦发现关键测点异常，自动在软测量中降低其权重并告警，这是保障得率模型可信度的关键防线。

#7 ISCC 碳认证 AI 辅助全力承接

这是尊创的出口生命线，不是可选项。尊创产品全部销往欧洲，ISCC 是强制门槛，且尊创的原料（地沟油、餐厨废油）本身就有复杂的来源追溯要求——ISCC 审核中被拒的代价极高。尊创方原话："每年临时准备"、单据链条长、缺失资料需反复催。

ISCC 环节	AI 能做的	尊创的痛点
原料批次追溯	建立从供应商 → 原料批次 → 生产批次 → 成品出货的全链路映射关系图；新原料入厂自动建档	地沟油/餐厨废油来源复杂，人工整理易断链
单据归整	OCR/版式解析自动提取供应商证明、运输单、入厂检验单，自动归档并挂到对应批次	"单据链条长，缺失资料需反复催"——直接痛点
质量平衡计算	自动计算每一批次的 Mass Balance（投入碳 vs 产出碳），自动标记偏差超限批次	手工平衡易错，审核时说不清
缺失提醒	实时检查资料完整性，缺什么、找谁补、什么时候要，主动推送提醒	"每年临时准备"的根本解法——变被动为主动
审核材料生成	一键生成审核所需的批量材料、证据链与说明文档	准备周期长、内部消耗大
碳排放核算	结合能耗数据（§3 已接入）自动核算碳足迹，支撑认证与出口碳指标	与需求 #8 的能耗管理共享数据底座

一个重要提醒：ISCC 认证的最终审核权在 ISCC 认可的第三方机构，AI 只做"准备与自检"，不做认证决策、不承诺通过。它的价值是把"每年临时抱佛脚"变成"全年持续合规"，并把审核现场的材料准备时间从数周压缩到数天。

#8 AI 安全生产全力承接

尊创作为化工企业，安全是不可让步的底线。本方案对安全的定位非常明确：不替代、不逾越，只增强。

可做的

作业规范落地：把 SOP 拆成可勾选的执行步骤，作业前推送、作业中核对、作业后留痕
隐患闭环管理：隐患发现 → 派工 → 整改 → 验收全流程跟踪，超期自动升级
危险作业管控：动火、受限空间、高处作业等特殊作业的前置条件检查与监护提醒
培训与考试：安全知识与岗位技能考核，记录培训履历（满足监管要求）
异常预警：与工艺数据联动，识别参数异常并提示对应的安全风险

不做的（红线）

不接入、不修改、不干预安全联锁回路——这是物理隔离的，不是软件约定
AI 不做紧急停车的决策者：超温超压泄漏等，直接由联锁系统动作，AI 无参与
不替代持证操作人员的资格要求：涉及法定资质的岗位，AI 只能辅助不能替代签字
不做人员处罚依据：AI 识别的违规用于提示与教育，不作为处罚依据（避免操作层对抗）
不做视频监控的"监视员工"用途：只做工况识别与环境安全监测，不做行为监控

优先级恒为：Safety Interlock ＞ Control System（DCS 硬控制）＞ AI 软控制（§5.5 红线一）。尊创方已明确提出这一原则，本方案完全遵守。

#3 巡检机器人 / 替代人工巡检有条件承接

先说清楚边界：防爆四足/轮式机器人本体不是聚玻的强项，我们不建议在这一环节消耗预算。 尊创方本身也倾向于"暂不采购复杂机器人、用地轨方案"，这个判断是对的。 但"替代 2 名巡检员每 2 小时核查上千个测点"这个诉求本身，可以用更轻的方式解决。

替代方案	做法	覆盖能力
① 自动仪表核查（推荐首期）	复用需求 #4 的多源比对能力，把"人工每 2 小时核对"变成"系统每 2 分钟核查+异常推送"	覆盖 80% 的巡检工作量，且不需要任何硬件投入。这就是尊创的核心诉求
② 固定点智能巡检	在关键危险区域布置固定的智能点检终端（可采图像/温度/声音），人只在报警时到场	覆盖"每 2 小时必须到现场"的那部分，从"定时巡检"变为"按需巡检"
③ 视频 + AI 识别	利用尊创已有的现场摄像头，接入 AI 做工况识别、异常行为识别、仪表读数识别	尊创现场已有摄像头监控，无需增加硬件，直接复用即可产生价值
④ 机器人本体	——	我方不承接。建议尊创若确有需要，另行对接机器人厂商；我方可在数据层面对接

坦率建议：先把 ①②③ 做完，大概率会发现"原来不需要机器人"—— 因为真正耗时的不是"走到现场"，而是"核对上千个数字"。把核对自动化了，巡检工作量自然下降 80%。 这是典型的"用数据替代硬件"思路，也是我们希望帮尊创省下的成本。

P2 · 有价值但体量有限

#6 AI 采购与供应链管理有条件承接 · ROI 中等

尊创方的诉求是："大量备品备件采购，希望通过 AI 找供应商、自动进入供应商名录、自动询价谈判沟通，替代传统朋友推荐方式"。

功能	做法	预期价值
供应商名录管理	建立结构化供应商库：资质、历史供货记录、价格、履约评价	解决"朋友推荐"的信息孤岛问题
同类件横向比价	同一类配件的多个供应商价格与历史成交价对比	对采购额较大的品类见效明显
自动询价 RFQ	生成询价单并批量发送，比价结果自动汇总	压缩采购周期，减少人工沟通成本
替代件推荐	当某件缺货或停产时，自动推荐可替代的型号与供应商	减少非计划停车的配件等待时间

为什么只给 P2：采购节省通常以"采购总额的一个百分比"计， 当年度采购额有限时，绝对节省额并不大。建议做法是把这一项打包进长期运营阶段，用成熟 SaaS 承载而非专项开发，把预算留给 P0。详见 §12 阶段划分。

专项承接的四项（详见专章）

#5 设备健康与劣化预警全力承接

本项承接的是声纹驱动的设备健康管理——把"定期体检"升级为"实时体检 + 趋势预测"，覆盖裂纹、腐蚀、老化、泄漏的实时发现与趋势预判（§7.3、§14.3）。

尊创方此前放弃的理由（年度大修 + 特种院检测已够用）判断本身没错。但传统预测性维护回答的是"这台设备还能用多久"，而声纹回答的是"它现在是不是正在变坏"—— 年度大修管不了"此刻正在恶化"，因为它指向的是"将来"而不是"现在"。

详见 §7.3。以声纹为感知层做设备健康实时感知、劣化趋势量化与泄漏分级，把"年度大修 + 特种院"的定期体检升级为"实时体检 + 趋势预测"，两者分层叠加。 明确不承诺：绝对寿命预测本方案不做（§14.1 不承诺清单第 4 条）。

#11 经营管理 AI 全力承接

本项已从通用管理软件升级为工业侧能力建设——因为前提变了。

但现在：装置已实际正常投产、产能释放已达设计产能近 50%、二三期扩产即将启动—— 尊创正从"单厂生产型企业"变为"多基地运营型企业"，管理复杂度是量级跃升，不是线性增加。

详见 §13。六个管理模块：集团驾驶舱、成本精细化管控、跨基地生产协同、工程项目管理、供应链全局寻源、人才与知识资产化。 但边界不变：通用办公/HR/财务软件仍建议尊创自采成熟 SaaS，我们只做工业侧集成与场景深化（§13.3）。

#12 催化剂与新工艺研发联合实验室

本项以联合实验室方式承接——但首先要把边界说清。

尊创方此前的话完全正确："这个催化剂是靠实验的，靠分子筛那些东西的"。 聚玻没有科研团队，不承诺任何技术突破、不承诺时间表。 我们能做的是用产业资源把这件事组织起来——牵线国内顶级科研团队、提供中试与产业化通道、全程陪跑。

详见 §14.2。三方结构：尊创出工艺场景与中试条件＋科研院所出科学能力＋聚玻出产业化与资源。 为什么值得做：催化剂选择性直接决定得率上限（§3.1 损失桶①）。 AI 只能把一个工艺的最优状态精准复现，找不出比工艺本身更优的状态——想突破 90%，终究要回到催化剂。

#13 新材料（硅藻壳 / 硅铝材料）联合实验室

本项以联合实验室方式承接——聚玻投入公司级产业资源参与。

尊创在这件事上拥有别人没有的两个条件：① 硅藻油产业链带来的原料独占性（谁掌握原料，谁就掌握这条链的根）； ② 已与南方科技大学等开展过前期研究，不是从零开始。 而聚玻能提供的是"第一个愿意用它的客户"——玻璃与铝产业中的隔热隔音、轻量化、耐火场景。

详见 §14.3。其中提出三个建议尊创启动前先回答的问题（产品形态 / 自用还是外销 / 批次一致性如何保证）， 其中"批次一致性"是天然材料工业化最致命的挑战。

#14 长期陪跑 / 持续咨询全力承接 · 贯穿全程

尊创方明确表达了同一诉求："我们想长期合作""前提是做的好，你做得好自然有人来找你"。 "咨询 + 实施 + 持续运营"的分阶段模式，亦是尊创方认可的合作路径。

阶段	我们的角色	驻场方式	退出/深化条件
阶段一咨询诊断	工艺调研、数据可行性评估、场景匹配、收益测算	2 名驻场工程师 + 远程专家，按周驻场	产出《可行性报告 + 实施方案 + 报价》，尊创方决策是否进入下一阶段
阶段二试点实施	单场景 2-4 周见效，边做边培训尊创团队	全程驻场，工程师与尊创操作层同班	达成试点验收指标后扩展；不达标则暂停并复盘，不硬推
阶段三规模复制	多场景并行，向 L2/L3 自主度推进	驻场 + 定期回访，培养尊创自有 AI 运维团队	目标：尊创团队能独立运营日常，我方退居二线
阶段四持续运营	模型迭代、工艺咨询、新装置复制支持、行业资讯	远程为主 + 季度驻场	随尊创 200 万吨 / 100 万吨新厂建设自然延伸

一个明确的承诺：长期陪跑的目标是让尊创具备自主的 AI 运营能力，而不是永久依赖我们。 阶段三就要开始有意识地培养尊创自己的团队接手日常运维——这是我们认为真正的长期价值，也是"做得好自然有人来找你"的另一种表达。

声纹感知层：设备健康、巡检与安全

本节把三项诉求（#5 设备健康、#3 巡检机器人、#8 安全生产）用同一条技术主线串起来——声音是设备内部状态最直接、最连续、非侵入的物理表征。这一层建好之后，§3 的得率模型也会获得一个独立于 DCS 的校验通道，一举多得。

关于精度的一句实话：云音声谱的频率分辨率与识别能力在同类设备对比中表现优异， 但"声纹"本身不是万能的——它对机械状态敏感，对纯电气故障（如接触不良）不敏感，对缓慢的化学腐蚀也不敏感。因此本章的定位是"补充振动与仪表的第三只眼"，不是替代全部监测手段。 而它对裂纹、腐蚀、老化的持续跟踪能力，正是"定期体检"升级为"实时体检"的关键——见 §7.3、§14.3。

7.3 需求 #5：从"定期体检"升级为"实时体检 + 趋势预测"

本项的定位是清晰且有价值的：尊创方此前判断"年度大修 + 特种院检测已够用"， 这在传统条件下是成立的——但它的局限是时间粒度：一年一次，周期内的劣化无法被及时发现。 引入声纹检测技术后，设备健康管理应当从"定期体检"升级为"实时体检 + 趋势预测"（详见 §14.3）。

图 7-2 · 我们不做传统寿命预测，做的是"现在正在坏"的早期发现——这是年度大修覆盖不到的时间维度

监测对象	声纹能识别的具体缺陷	预警价值	部署方式
循环氢压缩机	气阀卡涩与泄漏、活塞环磨损、轴承劣化、密封失效、十字头滑道异常	最高。氢气压缩机一旦失效=全厂停车，且密封失效有泄漏与安全风险	在线固定传感器，轴承座/气阀/密封多点
反应器进料泵/产品泵	轴承磨损、机械密封泄漏、叶轮腐蚀、气蚀（汽蚀声特征明显）	高。密封泄漏直接造成物料损失与 ISCC 物料平衡失真	在线固定，泵体/进出口管/联轴器
加热炉系统	燃烧器偏烧、回火、炉管过热、燃烧不充分、风机异常	高。与 §3 得率直接相关——炉况不稳则反应温度不稳	在线固定，炉膛/炉出口/烟囱
循环水/公用工程泵	轴承、密封、异响、流量波动	中高。公用工程系统故障影响面广	在线固定
储罐与静设备	罐体与管壁的缺陷、壁厚减薄、裂纹、法兰松动、进出口阀门内漏	中高。储罐是 ISCC 与物料管理的关键节点	智能点检仪人工巡检 + 必要时在线
管道与管件	微漏、蒸汽疏水异常、管道振动异常	中高。大口径管道泄漏可定位到米级	智能点检 + 关键管段在线

泄漏检测：声纹最成熟的应用之一

气体或液体通过泄漏缝隙时会产生特征性的湍流噪声，其频段能量分布可用于定量判定泄漏等级。以阀门前后对比为例，采用接触式传感器分别测量三个频段的能量差：

频段划分	能量差阈值	判定	处置建议
低频 < 5 kHz	≤ 3 dB	无泄漏	正常运行，无需干预
低频 < 5 kHz	3 – 5 dB	轻微泄漏	记录并纳入下次检修清单
中频 5 – 12 kHz	5 – 10 dB	显著泄漏	计划性检修安排更换
中频 5 – 12 kHz	> 10 dB	严重泄漏	需立即处理，排查泄漏点并处置
高频 > 12 kHz：作为上述判定的交叉验证通道，用于识别特定类型的泄漏（如密封件老化 vs 螺纹损伤）

7.3.1 与年度大修 + 特种院检测的协同时序

声纹做的是"实时体检 + 趋势预测"，年度大修与特种院检测做的是"法定体检 + 精准复核"—— 两者分层叠加，共同覆盖"日常、周检、月度、大修、法定检测"五个时间尺度。

时序活动	责任方	声纹的角色
日常（每天）	工厂运维	声纹异常报警 + 趋势预警，这是 7×24 有人在听的岗
周检	班组	声纹数据复盘 + 待办工单生成
月度	设备部	出具声纹趋势报告，作为大修计划与备件准备的输入
年度大修	检修团队 + 特种院	大修实绩与声纹数据对齐校准——发现过的异常在这里得到处置，处置结果反哺算法迭代
特种检测	特种院	声纹数据作为辅助参考，让法定检测更聚焦、更少无效往返（不替代检测本身）

7.3.2 设备健康监测的三阶段落地建议

阶段	时间	做什么	投资估算	验收标准
1	最小切口 PoC	选循环氢压缩机 1 台 + 关键反应进料泵 1 台（建议由尊创团队指定最具代表性的设备）做声学布点，采集声纹基准库	待报价硬件为主	连续采集 3 个月，建立声学基准库，至少捕捉到 1 次可解释的设备异常事件
2	扩展到反应器与密封	加氢反应器三段外壁声学传感器 + 关键接管/法兰/阀门点位；声纹指纹与工艺参数关联分析（与 §3 得率模型打通）	待报价	声纹指纹能至少关联 1 类工艺参数异常（如反应深度偏离、转化率下降）
3	全厂覆盖	扩展至全厂关键动设备；与工单系统打通、与备件采购打通（联动 §8）	待报价	「非计划停车避免 / 大修辅助决策 / 工单自动派发」三项中至少跑通 2 项

关于投资金额的说明：本方案不单方面给出声学部分的报价数字——云音的硬件选型（固定传感器 / 智能点检仪 / 机器人）与点位数量直接相关，而点位数量需现场勘察后确定。强行给出估算数字会让尊创误以为是承诺值。 建议：以本节的阶段划分为框架，在阶段 0 出具正式报价，报价随点位清单一并提交，便于横向比较。

7.3.3 设备健康带来的四项可量化价值

降低非计划停车

单次非计划停车的损失随停产时长与订单影响而变；声纹异常提前 1–3 天的预警，可把"抢修"变成"计划介入"

辅助大修决策

声纹趋势为"这台设备是否真的需要现在拆"提供客观依据，避免过度检修与检修不足两头

缩短故障定位时间

大口径管道泄漏可定位到米级、阀门内漏可分级，把"全面排查"变成"直奔目标"

与备件采购联动

劣化趋势 → 备件需求预测（详见 §8.8），减少紧急采购与呆滞库存

这一节对尊创的直接价值： ① 氢气泄漏可被量化——不只是"报警"，而是"轻微/显著/严重"三级，直接对应处置紧迫度； ② 手阀门不再是监测盲区——尊创现状是"少部分阀门是手动的"，而手阀门恰恰最需要监测（因为没有电动执行器反馈）， 声纹可以在不改造阀门的前提下测出它的泄漏状态； ③ 与 ISCC 物料平衡联动——泄漏量实测数据可作为物料账的修正项，减少"账实差异"的解释成本（§6 #7）。

7.4 需求 #3 重新定义：从"买不买机器狗"到"怎么组合最省事"

方案 A：多模态巡检机器人（危险区）

四维融合：温度 / 嗅觉 / 听觉 / 视觉。 其中嗅觉维度直接检测气体泄漏，听觉维度即声纹拾音，这是它区别于普通轮式机器人的核心。

应用场景：尊创明确提出"危险区域代替人巡检"。机器人可进入有毒、易燃、高温、狭窄等人不宜进入的区域执行定时巡检，采集振动、异响、温度、气体、外观多维数据并回传。

方案 B：智能点检仪（人工巡检升级）

点检仪 + 测点底座的组合。底座内置采集模块，拾音模块插入底座即开始采集、拔出即停止，完全模拟"用听诊器听设备"的动作，但记录的是可分析的曲线。

测点芯片记录温度与唯一编号（有效期十年），数据本地存储、可经手机读取。 解决了"这个点位上次是什么时候检的、当时什么状态"的历史追溯问题——这是纸质点检表做不到的。

巡检方式	人力投入	覆盖频次	能力	适用
① 在线固定传感器	0（无人）	7×24 连续	声纹曲线、趋势、报警	关键动设备、密封、泄漏点——需要最严密的监控
② 智能点检仪	低（走动+点检）	按班次/每日	声纹采集 + 测点识别 + 历史对比	静设备、管道、辅助设施——人员可安全进入的区域
③ 巡检机器人	极低（远程监控）	可高频/夜间	温度+嗅觉+听觉+视觉四维	危险区、禁区、夜间、高频次巡检——人员不宜进入处
④ 数据核查（§6 #4）	0（无人）	持续	多源数据比对	上千个测点的常态巡检——覆盖量最大的一项

7.4.1 四个维度在尊创各区域的巡检优先级

四维感知不是平均用力的。不同区域的失效模式不同，主维度也应该不同—— 下面这张表是建议的巡检侧重点排序，可作为机器人路线的规划依据。

工序 / 区域	巡检重点	四维优先级	说明
加氢反应器三段	反应进程声纹、外壁温度分布、法兰微漏气体	听觉 > 嗅觉 > 温度	声纹第一优先——直接服务 §3 得率
高压分离器 / 冷凝器	内漏声、液位与温度场	听觉 > 温度 > 视觉	夹带与泄漏是这个工段的主要风险
分馏塔	塔壁温度场、异常异响	温度 > 听觉 > 视觉	过热往往先于异响出现
关键阀法兰区	阀门内漏声、可燃气体	嗅觉 > 听觉	尊创的手阀门集中区——没有电动反馈，最需要被动监测
机泵区	轴承异响、振动、电机温度	听觉 > 温度	与 §7.3 设备健康共用点位
罐区	罐体温度、气体浓度、液位	嗅觉 > 温度 > 视觉	与 §6 ISCC 物料管理相关
管廊	保温层热点、异响、渗漏视觉	视觉 > 温度 > 听觉	长距离直线段，地轨机器人最经济

这一节最重要的判断：机器全自动巡检不是"要不要上机器人"的选择题，而是必然方向。
靠人巡检的本质是低效、低质、高风险——尤其"高风险"：巡检员必须亲身进入可能存在气体泄漏、有毒介质、高温高压、缺氧的区域，而泄漏一旦发生到人闻得到的程度，往往已接近爆炸临界。
尊创方此前"暂不采购复杂机器人"是在没有成熟选项时的判断；现在选项变了——温度 / 嗅觉 / 听觉 / 视觉四位一体的巡检机器人已经可用，人工巡检不再是唯一解。
尊创现有 2 名巡检员的工作量大致分三块：① 核对上千个测点数据（约 70%）、② 现场听看设备（约 20%）、 ③ 危险区域专项检查（约 10%）。完整方案是：数据核查（#4）吃掉第①块，机器人承担第②③块的高频次与危险区部分，人只在报警时到场、只做判断与处置。
这样带来的不只是效率，而是安全责任的重新划分：危险区域不再需要人定期进入， 泄漏的发现时点从"人闻得到"提前到"机器已经测到"—— 这是把巡检从"人的任务"变成"系统的能力"的关键一步。

7.5 需求 #8：在作业规范之外，补上"设备本体安全"这一层

先讲清一个安全管理的分层框架

尊创已有的安全作业手册与操作规范管的是"人的行为"——有没有按规程作业、有没有做防护、有没有违章。这是安全管理的第一道防线，也是最基础的一道。

但还有一道防线经常被忽略：设备本身是否处于安全状态。 即使所有人都严格按规程作业，如果一台压缩机密封正在失效、一个阀门正在内漏、一段管道正在泄漏， 危险依然存在，且可能在你遵守规程的情况下发生。

声纹感知层补的就是这一道：它监测的不是人做了什么，而是"设备正在发出什么声音"，从而在事故发生前发现设备的异常征兆。

安全层级	监测对象	典型手段	声纹补什么
L1 行为安全尊创已具备	人的操作行为	作业许可、监护、违章识别、班前会	不介入。这一层靠制度与培训，声纹无权也不该介入
L2 状态安全体系中的空白层	设备本体是否在恶化	声纹持续监测：泄漏、异响、劣化、异常振动	核心层。发现"还没出事但正在变坏"的设备，是安全管理从"事后处理"走向"事前预警"的关键
L3 联锁保护硬防线	极端工况	安全联锁、ESD、可燃/有毒气体报警器	绝不介入。声纹只在 L3 之前提供预警，不参与联锁动作（§5.5 红线一）
L4 应急处置事后	事故发生后	应急预案、演练、事故调查	提供数据支撑：声纹曲线可回溯事故前 30 分钟的设备状态演变，为事故调查与整改提供客观依据

7.5.1 手册覆盖不到的六类设备异常：这一节是 §7 与 §8 真正的差异点

尊创的安全作业手册管的是"人有没有违规"。但有一类风险是即使所有人完全合规也会发生的—— 设备在"看起来正常"的时候，内部已经在劣化。这是声纹安全价值最扎实的落点。

异常类型	声纹能识别的先兆	作业手册覆盖	提前预警的价值
反应器异常升温	反应进程的声学指纹异常，往往先于温度读数突变	不覆盖	为干预争取时间，避免超温事故
阀门内漏	中频 / 高频段能量差分级（轻微 / 显著 / 严重）	不覆盖	内漏易燃介质 → 泄漏与燃爆风险
法兰微漏	微漏信号先兆，可能早于气体浓度报警	不覆盖	从"可燃气体积聚"到"形成爆炸环境"的时间差里争取处置窗口
轴承早期劣化	局部微振与周期性撞击特征	不覆盖	避免突发机械事故（这类事故往往伴随二次损伤）
管道砂眼腐蚀	泄漏声纹特征，先于压力下降被察觉	不覆盖	避免工艺停车与物料损失
催化剂结焦堵塞	床层堵塞的声学响应，先于压差异常显现	不覆盖	避免长周期停产；同时服务 §3.7 的催化剂管理

这一节最重要的一句话：这六类异常全都不是"违规"导致的—— 现场作业完全合规，设备内部的劣化照样在发生。 所以声纹不是把作业手册再做一遍，而是补上手册结构上覆盖不到的第二道防线。 这也解释了为什么它和尊创已有的安全管理体系不冲突，而是叠加。

7.5.2 声纹在安全侧的四类具体应用

可燃气体泄漏连续监测

在装置区关键点位布设声感器，通过泄漏声特征与频段能量差做分级预警。与固定式气体探测器形成互补：探测器测"某点浓度"，声纹测"某处正在漏"。

异常异响＝事故前兆

涡轮机啸叫、管道振鸣、阀门异响、设备喘振——这些声音往往比仪表报警更早出现。声纹把它们从"背景噪声"里挑出来。

危险区人员状态

巡检机器人进入受限空间、高温区、有毒区域时，持续回传现场环境与设备声音，为监护人员提供远程判断依据。

事故回溯

声纹数据 7×24 留存，事故发生后可回溯设备状态演变曲线，弥补 DCS 数据在异常工况下可能失真的问题。

安全侧的四条绝对红线（比 §5.5 更严格）：
① 声纹永远不替代安全联锁与气体检测器——它是预警层，不是保护层；
② 声纹不接入任何联锁回路——物理隔离，不是软件约定；
③ 不用于人员行为监控与处罚——仅做工况与设备状态识别；
④ 不替代法定检测——特种设备检测、防雷检测等法定程序不受影响，声纹数据可作为参考补充。

一句话总结本章

声音是设备内部状态最诚实的声音。它不需要被解释、不需要被校准到某个物理量， 设备健康就会发出健康的声音，设备在坏就会发出不一样的声音—— 而老师傅其实早就在用耳朵做这件事了，只是没有留下记录。 我们做的事，本质上是把老师傅听了几十年的那套判断，变成 7×24 小时不间断、有据可查、可量化的系统。

需求 #6 升级：几百种备件与供应商的 AI 管理体系

本项按 P1 定位。原因很直接：尊创每年采购几百种备品备件，这不是"一个场景"，而是一套需要长期运行的采购管理体系。 更关键的是——随着二三期扩产，备件种类与供应商数量会成倍增长，如果现在不建立主数据与供应商治理能力，扩产时会被采购管理拖住后腿。 这是一个"现在做成本最低、以后做成本最高"的事项。

8.1 现状痛点诊断

备件主数据混乱

几百种备件分散在个人经验、采购员记忆、Excel 台账与纸质单据中。 同一个件可能有多个名称、多个料号、多个供应商——这是所有采购问题的根源。

找供应商靠"朋友介绍"

尊创方原话："替代传统朋友推荐方式"。问题不是朋友介绍不好，而是它不可积累、不可比较、不可追溯。采购人员一走，供应商关系就断了。

比价缺乏横向基准

同类件在不同时间、不同供应商、不同规格下的价格没有统一口径可比。往往只知道"上次花了多少"，不知道"这个价格合不合理"。

新供应商准入效率低

资质审核、单据收集、现场评估流程冗长。一个合格供应商的引入常常需要数周，在设备突发故障需要紧急备件时，这个周期是致命的。

8.2 四层能力建设

图 8-1 · 采购的四层能力是层层递进的——没有主数据，后面三层都是空中楼阁

8.3 重点场景一：备件主数据治理（第一步，也是最关键的一步）

治理动作	具体做法	解决的痛点
一物一码	为几百种备件建立统一编码规则；把"同一件事物的多个叫法"归并为一个主数据项	"同一根轴封采购员A 叫甲、工程师B 叫乙、系统里是丙"——这是采购失控的第一根源
参数结构化	记录每个备件的规格、材质、尺寸、接口、工况参数（温度/压力/介质），而非只记名称与料号	参数齐全才能做替代件推荐与横向比价；只有名称则永远靠人工记忆
适用关系图谱	建立"设备 → 部位 → 备件"的映射，明确每个备件装在哪台设备的哪个位置	解决"设备坏了不知道要什么件"的应急采购困境；也是检修计划的基础
历史数据清洗	把散落在 Excel、纸质单据、个人台账中的历史采购记录统一归集入库	这一步最枯燥但价值最高——历史价格与供应商数据是后续比价与推荐模型的训练素材

这一节最需要管理层的支持：主数据治理是典型的"前期投入大、短期看不到效果、但决定后面一切"的工作。 建议把它作为独立的第一阶段交付物，因为它是后续 L2/L3/L4 全部能力的前提。若跳过这一步直接做 AI 比价，模型没有干净的数据可学，结果必然是"AI 给的建议还不如老采购员"。

8.4 重点场景二：供应商动态管理与新供应商实时入库

静态名录 → 动态档案

传统供应商名录是"一张静态名单"，一年更新一次甚至不更新。
系统设计：每成交一次，自动更新该供应商的画像——交期准时率、质量合格率、价格竞争力、配合度、问题响应速度。用久了的供应商，数据会自己说话。

新供应商入库流程

把"引入新供应商"从一个需要数周审批的事件，变成一个可追踪的在线流程。
供应商自助注册 → 系统自动核验公开资质与证照（OCR 提取）→ 采购与技术双专业评审 → 样品试用 → 准入决议 → 全程留痕、可回溯。紧急采购时可走简化快速通道，先临时准入、后补全流程。这直接缩短设备故障时的采购响应时间。

8.5 重点场景三：智能寻源与比价

能力	怎么做的	对尊创的价值
替代件智能推荐	原厂件停产或涨价时，按技术参数相似度在全部备件库中检索可替代件，并标注参数差异与适配风险	解决"急件等三个月"的困境；对二三期扩产期的备件储备尤其重要
RFQ 自动发起与归集	一键向合格供应商批量发起询价，报价自动归集、格式统一、自动比价	压缩采购周期，减少人工整理报价单的重复劳动
价格基准与异常检测	同类件横向比（不同供应商）、同件纵向比（不同时间）；价格偏离基准超阈值自动提示复核	这是 AI 在采购上最直接的价值——老采购员的经验判断可以被量化复制给全公司
决策留痕	记录每次采购的决策依据、比价过程、最终理由	合规审计友好；人员变动时知识不流失（这与 §4 经验固化是同一个道理）

8.6 多目标比价：把"凭感觉比价"变成可解释的评分

尊创方的痛点是"主要是比价和找同类型供应商"。老采购员的比价能力其实很强，但它是经验、直觉、不可复述的。这一节要做的，是把"老采购员怎么想"变成一个权重明确、可解释、可追溯的评分模型。

评分维度	建议权重	为什么是这个权重	数据来源
价格	40%	采购的第一职能，但不该是唯一职能	历史成交价 + 同类横向比价
资质与合规	20%	石化行业的一票否决项——资质不全再便宜也不能用	证照 OCR + 体系认证（§8.4）
交期	15%	设备故障时，交期就是"停机时长"，直接是钱	历史履约准时率
风险	15%	单一来源风险与断供风险，扩产后更关键	供应商风险画像
历史业绩	10%	用过才知道的隐性质量（正品率、配合度）	历史合作记录

这个权重表最有价值的地方，是它把"为什么选这家"变成了可以复盘的东西。
过去采购说"这家便宜、质量也行"，新人无法验证、领导无法复核、出了问题无法追责。有了权重模型之后：每一次采购决策都自动留档，可以拿回来看"当时价格权重是不是定高了"—— 这与 §4 经验固化是同一个道理，只是对象从操作层换到了采购层。 建议权重由尊创采购部按实际情况调整后确认，上表是建议初值而非既定规则。

8.7 供应商分级：把静态名录变成动态生态

等级	进入条件	动态调整规则	对待方式
绿牌	资质齐全 + 履约稳定 + 质量合格率高	持续优秀则维持	优先询价、长期合作候选、账期可放宽
黄牌	单项指标下滑或有小瑕疵记录	连续 3 个月黄牌 → 降级观察	正常询价但不优先；要求整改反馈
红牌	质量或交期明显不达标	连续 6 个月红牌 → 出局	不主动发起询价，仅被动接受
黑牌	重大质量事故、资质造假、商业诚信问题	一票否决	禁止入库，短期内不得重新引入

这套分级真正的价值是"反人情"。尊创方原话是"替代传统朋友推荐方式"—— 朋友推荐不是问题，问题是它没有记录、没有标准、无法被审计。 系统化之后，"老朋友"如果绩效不达标，系统会诚实地把他标成黄牌。 规则由系统执行，不由采购员个人判断，这才是真正的替代。 同时它也保护了老采购员——谁做决定不再重要，标准说了算。

8.8 与声纹层的一个特殊联动

设备健康数据 → 备件需求预测

这是 §7 与 §8 之间一条容易被忽略但很有价值的联动： §7 的声纹监测会持续输出"哪些设备正在劣化、劣化到什么程度、预计多久需要更换部件"。这些信息直接构成备件需求预测的输入——不再靠"上次什么时候换的"来猜，而是按设备实际劣化趋势提前准备备件。
对尊创的实际意义：设备越健康，备件消耗越规律、库存越可控、呆滞越少；反之，一次非计划故障导致的紧急采购，往往是采购成本最高的一次。 这两层结合，才是真正的"设备管理与成本管理一体化"。

需求 #11：多基地经营管理的 AI 体系

本项为何列为 P1？因为前提已经变了。
尊创刚投产时，管理体系尚在搭建中，办公、财务、HR 这类通用管理软件确实"提升有限"。 而现在：装置已实际正常投产、产能释放已达设计产能的近 50%、而且二三期扩产即将启动。 这意味着尊创已经从一个"单厂生产型企业"，即将变成"多基地运营型企业"——管理复杂度是量级跃升，不是线性增加。

9.1 扩产带来的管理复杂度跃升

管理维度	单厂（当前）	多基地（二三期建成后）
生产成本控制	单厂成本核算，靠月度报表	多厂成本口径必须统一，否则无法判断哪个基地更优、无法做资源调配
供应链统筹	各自采购，量小议价能力弱	集中采购形成规模效应；但需要跨基地物料标准化作为前提（§8 主数据）
生产计划协同	单厂排产，本地平衡	多厂产能调配、订单分配、跨厂物料调拨——复杂度指数级上升
人员与技能管理	一套人员、一套标准	多基地用工、技能矩阵、关键岗位备份；§4 沉淀的经验资产可跨厂复用
工程与项目管理	建设期结束，项目管理压力下降	二三期工程建设本身就是一个巨大的项目管理对象：进度、成本、变更、验收
经营决策依据	月度经营分析会	需要跨基地实时对比、异常自动预警、管理驾驶舱——靠人工报表已经跟不上

一句直白的判断：企业在"从 1 变 3"的过程中，管理能力的瓶颈往往先于产能成为问题。很多企业扩产失败的直接原因不是技术，而是新基地的管理水平跟不上老基地。 AI 在这一层的价值，是让"多基地"不至于变成"多套标准、多种管理风格、多个信息孤岛"。

9.2 经营管理 AI 的六个模块

集团经营驾驶舱

多基地实时看板：产量、得率、能耗、成本、库存、质量、安全一屏可见。 异常自动预警而非等人汇报。这是整个体系的总入口。

成本精细化管控

单吨产品成本自动归集到原料/氢耗/能耗/人工/折旧/维修六个维度； 跨基地横向对比找异常（同样工艺为什么 A 厂比 B 厂贵 8%？）。

跨基地生产协同

订单智能分配、多厂排产协同、产能负荷均衡、跨厂物料调拨优化。扩产期的产能爬坡期最需要这个。

工程建设项目管理

二三期工程进度/成本/变更/质量一体化管理，与设备到货、安装调试、试车投料节点联动，避免"工程延期但采购已完成、资金先付出去了"。

供应链全局寻源

基于§8 的主数据与供应商库，三厂合并需求集中采购；对原料（棕榈酸化油/UCO/硅藻油）建立全球市场行情跟踪与战略储备建议。

人才与知识资产化

承接 §4——经验沉淀在系统里而不是个人脑子里，多基地共享同一套知识资产；新基地人员培养成本大幅下降。

9.3 实施策略：不重复造轮子，做"集成 + 场景深化"

必须诚实说明的一点：办公、HR、财务这些通用管理软件市场已经非常成熟，我们在这一点上没有也不应该有比较优势。建议尊创另采成熟 SaaS 的判断依然成立。

模块	谁来做	聚玻的角色	理由
基础办公/HR/财务软件	尊创自采成熟 SaaS	不做，只做接口	通用软件拼功能不拼工艺，我们做了既不便宜也不好。尊创按自身预算选型即可
集团经营驾驶舱	聚玻主建	主建 + 持续运营	需要把生产数据、成本、供应链、安全打通——这是流程工业 AI 的强项
成本精细化管控	聚玻主建	主建 + 与 §3 得率联动	成本动因分析依赖工艺理解，通用 ERP 做不了"为什么这个月氢耗高了 6%"这种分析
生产协同与排产	聚玻主建	主建	多厂协同优化是运筹+工艺复合问题，通用 APS 需深度定制
采购与供应链	聚玻主建	主建（§8）	已在 §8 详述
工程建设项目管理	建议另采	提供数据对接	工程管理有成熟专业软件，我们只需确保它与设备/采购数据打通

9.4 多工厂的五个管理域：单厂方案与多厂扩展的差别在哪

§9.2 讲的是"做什么"，这一节讲"扩产后多出来的是什么"—— 这两者的差别，往往比"有没有做"更决定成败。

管理域	单厂时怎么做	多基地时必须升级为
A 文档与知识	单厂知识库，本厂能查即可	集团共享 + 工厂分级权限 + 跨工厂知识检索——二号厂的问题，一厂的经验应该能查到
B 出口与销售	AI 内容生成 + 多语言支持	多工厂产品矩阵 + 客户—工厂智能匹配 + 多语言销售支持——哪个基地适合哪个订单
C 人力资源	招聘筛选、培训、考勤	多基地人员共享池 + 工种跨厂调度 + 集团化技能体系（与 §4 的技能认证体系打通）
D 财务	记账、报表	集团财务中心 + 工厂成本归集 + 多工厂利润表自动生成 + 税务合规
E 行政协同	会议纪要、日程	跨工厂协同 + 集团—工厂两级 KPI 自动汇总

9.5 聚玻真正的差异化：把经营、生产、设备、ISCC 四条线打通

数据流	通用 SaaS 通常的做法	聚玻能做的（因为我们懂工艺）
生产 → 财务	财务软件只管记账，成本分摊靠人工分录	制造费用按工艺段、按批次、按工厂自动归集——能回答"哪个工段在亏钱"
设备健康 → 备件采购 → 财务	采购系统只管订单，看不到设备状态	设备劣化 → 备件消耗预测 → 采购自动触发 → 成本自动入账（§8.8 的闭环）
ISCC 单据 → 财务 → 出口结算	通用 SaaS 无ISCC 模块	ISCC 追溯链条 + 质量平衡 + 碳排放核算与财务归集打通
生产 → 经营驾驶舱	通用 BI 工具需要大量二次开发才能取到工艺数据	AI 中台原生输出跨工厂经营视图，因为生产数据从一开始就在同一体系内
多厂横向对标	通常只能做财务指标对标	能耗、得率、催化剂消耗等工艺指标也可跨厂对比——"同样工艺为什么 A 厂比 B 厂贵 8%"

这张表是 §9 存在意义的核心。如果只是把飞书、钉钉、用友、金蝶拼起来，那是集成商的活，不是我们的活。聚玻能提供的是把四条原本各自独立的数据链条接起来—— 因为只有懂工艺的人，才知道"设备劣化"和"备件采购"和"制造成本"之间存在可追踪的因果链。

9.6 组织变革配套：技术之外必须同步做的事

多工厂 AI 化不仅是技术工程，它同时是一次组织形态的调整。这一点如果不同步推进，技术系统会建成但用不起来。

议题	建议	为什么
组织架构	从"工厂职能制"逐步过渡到"集团 + 工厂"矩阵制	多基地下，纯工厂制会导致各厂标准不一、信息上报滞后
关键新岗位	建议设立数据治理 / AI 运营职能（初期可由兼岗承担）	没有专人负责，数据底座建完就会慢慢腐化——这是最常见的失败方式
三级培训	基层员工具培训 → 中层决策培训 → 高层战略培训	三层缺一不可：只会高层想而基层不会用，系统空转；只会基层用而中层不采信，数据不回流
绩效体系	KPI 从单厂导向升级为集团 + 工厂双层指标	双层 KPI 能同时保证"整体最优"与"局部不失血"，避免各厂为局部最优损害集团利益

本节的实施顺序建议： ① 先做成本精细化管控——它直接连着 §3 的得率（得率=最核心的成本项），见效最快； ② 再做采购与供应链（§8）——扩产前必须完成，是后续集中采购的前提； ③ 再做集团驾驶舱——需要前面两项的数据积累； ④ 最后做跨基地生产协同——必须在二三期工程建设进入尾声、各基地数据打通后才做。
这四步不能颠倒。顺序错了，就是先造一个空荡荡的看板，然后发现底下没有数据。

需求 #12 #13：新工艺与新材料联合实验室

本项最需要讲清边界。 "这个催化剂是靠实验的""搞新工艺是靠分子筛那些东西的"——这是内行话，完全正确。把 #12 #13 纳入联合共建，不是因为我们变成了科研机构，而是因为"科学问题"与"产业化问题"需要不同的能力，而这两类能力恰好可以由不同主体提供、再用联合机制连接起来。

10.1 先划清边界：聚玻能提供什么，不能提供什么

聚玻能提供的（真实且稀缺）

产业化通道：30 年工业产业经验、4.8 万家产业客户、 知道什么材料在真实工业场景里有人要、能卖出去
中试验证能力：有工业放大与工程化经验，能把实验室成果推到中试规模
首批应用场景：玻璃、铝产业中隔热隔音、轻量化、防腐、耐火等需求场景， 可作为新材料的第一个应用试验田与首批用户
产业资源协调：协助对接高校、院所、下游客户，推动成果转化
长期陪跑能力：§1—§11 建立的信任关系与合作机制，是科研合作能落地的基础

聚玻不能提供的（必须说清）

基础科研能力：没有材料科学/催化科学的科研团队与实验条件，做不了分子层面的机理研究与配方筛选
不会承诺科研结果：任何科研项目都有不确定性，本方案不承诺技术突破、不承诺时间表
不做技术兜底：若联合实验室未达成预期目标，聚玻承担的是资源投入成本， 不是技术结果责任
替代不了尊创的工艺团队：尊创的十年工艺积累是这个项目最重要的资产， 不是我们能带来的

由此得出的合作模式： 不是"聚玻做研发"，而是"聚玻做产业化方，尊创出工艺场景与中试条件，高校院所出科学能力，三方共建联合实验室"。
这个定位对尊创的实际好处是：把一个"我们做不了"的问题，变成一个"我们牵头组织、用我们的产业资源把各方串起来"的项目—— 尊创自己不必具备科研组织能力，只需提出问题、参与判断、分享成果。

10.2 需求 #12：催化剂与新工艺研发

10.2.1 为什么这件事对尊创至关重要

研发方向	要解决的技术瓶颈	对得率的直接影响
低轻烃选择性	当前加氢脱氧必然副产 C1–C4 轻烃并烧掉（§3.1 损失桶①，最大头）	直接决定得率上限。催化剂选择性每提升一级，就多一分得率空间
催化剂寿命延长	结焦导致活性下降、同等条件下转化率降低	影响长期平均得率与再生频次（§3.7）
异构选择性突破	十六烷值与冷滤点的"跷跷板"（§3.6 第②道坎）：加深异构降冷滤点但损十六烷值	这是 85%→90% 段最关键的瓶颈之一——尊创的"缓和异构"已是行业领先，但仍有窗口
原料适应性	UCO/棕榈酸化油/硅藻油成分波动大，固定催化剂配方适应性有限	影响得率稳定性——原料一变就得重新找最优工况

一个必须讲的联系：§3.6 说过"85%→90% 的空间不在操作层，在工艺本体"。 而工艺本体的天花板，很大程度上由催化剂决定。 这就是为什么 #12 虽然不是 AI 项目，却是决定 AI 优化上限的那个变量。 说得直白一点：AI 能把一个工艺的最优状态精准找到并稳定复现，但找不出比工艺本身更优的状态。 想突破 90%，最终要回到催化剂与新工艺。

10.2.2 联合实验室的运作设计

要素	设计	说明
三方结构	尊创（工艺与场景）＋科研院所（科学能力）＋聚玻（产业化与资源）	三方各出各自最强的部分，避免任何一方被迫做自己不擅长的事
课题来源	由尊创一线工艺问题提出（来自 §3 得率损失分布与 §7 设备/工艺数据）	关键设计：课题必须来自真实生产问题，而不是学术前沿。这样才不会做出"很论文、没用处"的成果
科研资源引入	由聚玻牵线，联合国内相关领域重点高校、院所与专业团队	包括但不限于：催化剂材料、分子筛、石油化工催化、反应工程等方向。具体合作方由三方共同商定
中试与验证	尊创提供中试装置与工艺条件；聚玻协助工程化放大与工业化路径设计	这一步是绝大多数科研项目倒下的地方——实验室能做出来，中试做不出来
IP 归属	事先约定：尊创出资与场景提供的成果归尊创；聚玻资源投入的成果共享；科研方按贡献约定	必须在课题启动前书面明确，事后谈会非常难。这是合作能否持续的前提
失败成本分担	科研不确定性由三方按投入比例共同承担	接受失败是科研合作的一部分，需在合作条款中明确，避免单方压力过大导致项目中止

关于"不承诺"的再次强调： 催化剂研发与新工艺探索本质上是一个可能失败的科研过程。 本方案不承诺任何技术突破、不承诺时间表、不承诺得率提升幅度。 聚玻承诺的是：认真组织、投入资源、引入合适的科研力量、提供产业化通道，并全程陪跑。
如果某位读者期待的是"签了合同就能拿到新催化剂"，那这个预期需要在一开始就纠正。

10.2.3 联合实验室的 "1+2+3" 组织架构

图 10-1 · "1 个平台 + 2 个核心组 + 3 个方向"——实验室的价值不在于做大，而在于把三个最强的主体绑在同一张桌子上

10.2.4 三个具体研究方向：只做真问题

方向	要解决的真问题	实验室的角色与阶段性产出
A 催化剂寿命延长	现有催化剂在使用周期后活性衰减，被迫更换；直接推高吨产品催化剂成本	实验设计优化 → 材料改性与筛选 → 性能评价 → 中试验证。阶段目标：替代配方在同等工况下维持更长的稳定运行周期（具体倍数需实验确定，本方案不预设）
B 缓和异构工艺深化	§3.6 第②道坎：十六烷值与冷滤点的"跷跷板"——这是尊创技术壁垒所在，也是 90% 得率的主要障碍	多目标参数寻优 + 反应动力学模型 + 中试验证。这是三个方向里对得率影响最直接的一个，建议作为首个课题
C HVO–SAF 联产新工艺	尊创规划横向延伸生物航煤（SAF）；一代 HVO 已稳定，往高附加值 SAF 延伸是明确的战略方向	工艺概念设计 + 模拟与经济性分析 + 工艺包开发。这一方向的周期最长，建议放在 A/B 有结论之后

为什么不做"万金油"研发：联合实验室最常见的失败模式，是开局铺太宽、一年内做不出任何可交付的东西，然后各方失去信心、项目悄悄停摆。 聚焦三个方向的另一个好处是：每个方向都有明确的"什么算成功"，便于在 §14 的成本分担机制中设置阶段性评估节点。

10.2.5 AI 在实验室里的真实作用：不替代实验，只压缩实验次数

这是一个需要说清楚的边界。AI 在材料研发中的价值是"让实验从 1000 次变200 次"，不是"不做实验"。

AI 能力	在实验室里的作用	效果量级（经验区间，需以实际课题评估）
材料信息学	建立成分—工艺—性能的关系模型，预测哪些方向值得先试	可显著缩小候选范围，减少无效实验
分子模拟	第一性原理计算辅助筛选，避免高成本合成试错	前置筛除大量明显不可行的配方
实验设计优化	规划最优实验序列，而非"想到哪做哪"	实验轮次显著减少
反应数据自动拟合	由实验数据自动生成/校正动力学方程	替代大量手工拟合工作
图像/显微分析	自动识别材料微观结构与缺陷	减少人工判读的主观性与耗时
文献知识挖掘	自动摘要与关联已有研究，避免重复劳动	显著缩短文献调研周期

必须避免的一个预期误区：不能对尊创说"AI 能让实验减少 70%"这类量化承诺。上表中的"效果量级"是行业经验区间，具体能压缩多少，完全取决于课题本身与科研方能力，应在课题立项时由科研方给出各自的评估，而不是由承接方预先承诺。这也是 §14.1 把"不承诺科研技术突破"写进清单的原因。

10.3 需求 #13：硅藻壳新材料

10.3.1 尊创在这件事上的独特优势

硅藻壳/硅藻材料这件事，尊创拥有别人没有的两个条件，这不是小事，值得单独立项：

原料端的独占性

尊创拥有硅藻绿色生态产业链产出的硅藻油——按其战略规划，硅藻产业量产后，硅藻原料是公司独家的。 谁掌握了原料，谁就掌握了这条新材料链的根。

应用场景的技术积累

尊创已与南方科技大学等开展过硅铝/硅藻壳改性材料研究，不是从零开始，已有前期基础与学术合作网络。

产业化的天然需求

硅藻制品在隔热、隔音、轻量化、吸附过滤等方向有明确应用； 聚玻的玻璃与铝产业恰好是这类材料的主要下游——这为新材料提供了现成的第一批应用场景。

10.3.2 聚玻在这里能提供的具体价值

价值点	具体内容	为什么这是关键
首批应用场景	聚玻的玻璃与铝产业链中存在隔热隔音、轻量化、耐火、密封等材料需求场景，可作为新材料的试验田	新材料最难的从来不是做出来，而是找到第一个愿意用它的客户。聚玻可以提供这个"第一市场"
中试与工程化	协助从小试到中试的放大验证、工艺可行性、成本测算	实验室数据与工业量产之间隔着巨大的鸿沟，这一步需要工程经验而非科研经验
产业化资源协调	对接高校科研力量、推动成果转化、协调产业资源	尊创作为制造企业，通常不具备组织跨学科科研合作的能力与资源
产品化与市场渠道	在产业平台中为成熟的新材料寻找应用客户	把"做出来了"变成"卖得出去"，这是产业方相对科研方最大的价值

10.3.3 这个方向的物理基础与可能的应用出口

在讨论怎么投入之前，先确认"这个东西本身有没有价值"。硅藻壳之所以被关注，是因为它的天然多孔微结构—— 这不是人为设计出来的，是亿万年演化形成的形态，恰好对应了一批真实需求。

天然多级多孔结构

规则的孔隙分布与较大的比表面积，这是催化载体、过滤吸附材料的核心指标；多级孔结构还意味着大分子能进小孔、小分子能进大孔，分级吸附能力强

低密度 + 高比表面积

同样的体积重量更轻、同样重量体积更大。这是隔热、隔音、轻量化结构材料最想要的组合——尊创规划中的 SAF 与轻量化方向也指向这里

化学稳定性

二氧化硅本身的耐热与耐化学性良好，适用于高温与腐蚀性环境

天然可降解

在环保材料方向上有天然优势，这与尊创的 ISCC 体系与欧洲市场偏好天然契合

需要说清楚的一点：上表说的是"这类材料的一般特性"，不等于"尊创的硅藻壳样品已经具备这些性能"。尊创当前掌握的是硅藻油原料，真正的硅藻壳材料在纯度、孔径可控性、批量稳定性上的情况， 需要通过实验室表征才能确认（§10.3.4 的第一个问题）。这是所有判断的起点。

10.3.4 联合体的五种运作模式与推荐路径

模式	适合场景	优点	局限
A 联合实验室 ★ 推荐起步	中长期 3–5 年持续研发	风险共担、IP 共享、可持续积累	见效慢，需要各方长期承诺
B 项目制合作	短期 1–2 年的具体课题	灵活、可控、可中止	知识不沉淀，易随项目结束而流失
C 委托研发 + 里程碑	一次性工艺包或产品开发	目标明确、付款节点清晰	难以积累自主能力
D 联合孵化	走资本化路径	可引入外部资金，突破单方资金限制	周期最长、变数最多
E 与已有产业方合作	快速借力成熟的产业资源	起步快、风险低	核心价值可能让渡，需谨慎约定权益

推荐路径：A + C + D 三阶段渐进。
先用 A（联合实验室）打基础做机理研究 → 再用 C（项目制 + 里程碑）做工程化中试 → 最后视成果决定是否走 D（联合孵化独立主体）。
不建议一开始就做 D——在技术可行性与成本都未验证前设立独立主体，会把后续的沉没成本锁死，一旦验证失败进退两难。先证明东西成立，再考虑把它做成一家公司。

10.3.5 一个需要提前想清楚的问题

建议尊创方在启动前，先回答三个问题——这不是泼冷水，而是新材料项目失败的常见原因：
① 产品形态是什么？是作为硅藻油生产线的联产品（每吨油都产出一定量硅藻壳），还是专门为材料用途种植/处理硅藻？这两种模式的产能规模、成本结构完全不同。
② 目标市场是自用还是外销？如果主要自用于隔热隔音（自用则不需面对市场验证），路径远比"做材料卖给别人"短得多。建议优先考虑自用场景打通闭环。
③ 一致性怎么保证？天然材料最难的不是研发，是批次一致性—— 天然来源的硅藻壳，其纯度、孔径分布、微观结构随产地与生长条件波动， 这对工业化生产是致命挑战。这一条建议在立项时就请科研方给出明确答案。

本节的定位重申：硅藻壳新材料是一个值得认真评估的产业方向—— 原料独占、应用明确、产业协同有真实抓手。但它不是 AI 项目，也不是短期能出成果的项目。 聚玻的角色是"用产业资源把这件事组织起来"，而不是"靠我们自己把它做出来"。 建议以联合实验室形式启动，先做可行性研究与小试，验证一致性与成本后再决定是否加大投入。

数据底座与合规：一切的地基

尊创现状的关键约束：厂区目前无外网访问。这决定了三件事—— ① 全部部署必须在内网本地化；② 模型更新采用离线包导入；③ 我方远程支持须走尊创审批后的安全通道。 这不是障碍，是必须提前设计的前提。

11.1 需要接入的五类数据

数据源	内容	尊创现状	用途
DCS / Historian	三段反应器温度/压力/流量/液位、氢油比、空速等过程参数	已有，约1年历史	软测量与预测的核心输入；#1 得率的必需项
LIMS / 化验	密度、十六烷值、冷滤点、闪点、硫含量、产品批次号、化验时间	已有	软测量的"标签"来源——模型的 ground truth；#9 质量的核心
MES / 生产记录	批次台账、生产计划、班次、实际产量	待确认	批次与工况对齐；得率计算的分母来源
ERP / 采购 / 库存	物料台账、供应商、备件库存	待确认	#6 采购；#7 ISCC 的物料平衡
设备台账 + 巡检记录	设备档案、巡检打卡、维修记录、特种设备检测报告	已有（纸质/电子）	#3 巡检；#8 安全；§4 的案例库来源之一

11.2 数据治理：把"能连上"变成"能用的"

统一时间轴

DCS、LIMS、ERP 的时间戳往往不一致（时区、采样周期、批次记录延迟）。没有统一时间轴，"这个化验结果对应哪一段工况"就无法确定，模型无从训练。

批次-工况对齐

建立"一个批次号 → 完整工况时间窗 → 对应化验结果"的映射表。这是软测量能训练的前提，也是 ISCC 质量平衡的基础

异常值清洗

仪表毛刺、量程越界、传感器故障、人工误操作造成的数据要能被识别并剔除。垃圾进必然垃圾出——这是软测量失败的首要原因

上下文补全

除了数值，还要补上"这段时间发生了什么"：换料、切换班次、催化剂再生、设备检修、操作员调整。这些是解释得率波动的关键变量

数据质量监控

持续监控完整率、及时率、异常率。数据质量本身就是一项可交付成果，也是判断后续 AI 能否落地的先行指标

资产化沉淀

治理后的数据沉淀为可复用的数据资产，随尊创产能扩张（200 万吨 / 100 万吨）直接继承，新厂不必重复积累

11.3 部署架构：完全内网运行

层级	部署位置	技术要点	说明
数据接入层	装置侧 / DCS 机房	工业协议适配，直连 DCS 与 LIMS	只读接入，不改动现有控制系统，零风险
边缘计算层	中控室旁机房	本地服务器承载软测量与 APC 计算	毫秒级响应，闭环不依赖任何外部链路
数据与模型层	厂内机房	数据资产库、模型仓库、特征库	数据不出厂
应用层	中控室 / 车间工位	看板、AI 建议、工单、培训系统	操作层日常使用界面
远程支持通道	受控	单向数据出域，经尊创审批后开放	仅开放必要的诊断数据用于我方支持，不开生产控制通道

三个确定性承诺（针对尊创的合规顾虑）：
① 数据不出厂：全部生产数据、工艺参数、化验数据在尊创内网闭环运行；
② 不改造现有控制系统：数据接入为只读，不触碰 DCS 控制回路，不影响安全生产；
③ 自主可控：全套软件栈支持国产化部署，不依赖任何国外组件，规避后续信创替代的迁移风险。

实施路线图与里程碑

阶段 01-2 周

诊断与可行性评估

工艺调研、数据可行性评估、场景匹配、收益测算。这一阶段不承诺任何效果，只承诺"把话说清楚"。若评估结论是"AI 在此处 ROI 不足"，我们会直接建议不做

交付物：《可行性报告》《数据可行性评估》《实施方案与报价》

阶段 12-4 周

单场景试点（见效期）

选一个最高价值且风险最低的场景——建议为 #4 仪表一致性核查或循环水/公用工程优化（见效快、风险低、不动主工艺）。2-4 周内出具实测前后对比数据。这是"眼见为实"的窗口

交付物：试点系统上线、《实测效果对比报告》此阶段是后续所有投入的决策依据

阶段 26-10 周

数据底座 + 得率软测量 v0.1

数据接入与治理、机理模型共建、软测量 v0.1 训练、影子模式上线。同步启动 #2 工艺知识库与 #4 正式版

交付物：数据底座、《尊创工艺机理模型 v1》（尊创签字）、软测量 v0.1（R²≥0.85）、AI 建议卡片原型

阶段 38-12 周

闭环调参（L0→L1）+ 经验标准化

软测量进入建议模式（L1）；老师傅经验挖掘启动；#7 ISCC 同步推进；#8 安全管理落地。本阶段结束时应能看到得率的趋势性改善

交付物：参数-动作规则库 v1、异常案例库 v1、ISCC 追溯系统、安全管理平台、得率趋势改善实测

阶段 412-20 周

协作模式（L2）+ 质量软测量 + 采购

关键参数进入闭环自动微调；#9 质量软测量上线；#6 采购模块；开始培养尊创自有运维团队

交付物：L2 闭环系统、质量预测模型、采购比价平台、《尊创 AI 运维手册》

阶段 5持续

区间自治（L3）+ 持续陪跑

满足 §5.3 全部门槛后进入 L3；模型持续迭代；支持尊创新厂复制；探索 90% 段的多目标寻优

交付物：L3 自治系统、季度复盘报告、新厂复制包

路线图的三条设计原则：
① 阶段 1 独立成败——即使后续不做，尊创也已经拿到一个能用的系统与一份实测报告，钱不会白花；
② 先易后难——先做不动主工艺、见效快的场景拿到信任，再啃得率这个硬骨头；
③ 每个阶段都可叫停——不达标即暂停复盘，不靠"已经投了这么多"绑架尊创继续。

经济性与效果付费模型

13.1 每 1 个百分点得率值多少钱

先统一口径（避免不同文件对不上）：关于"1 pp 得率值多少"，不同材料会给出不同数字， 因为它们量的不是同一件事—— 销售额口径：20 万吨产能下 1 pp ≈ 2,000 吨 × 1.3 万元/吨 ≈ 2,600 万元营收增量； 毛利口径：扣掉原料、加工、氢耗后，净贡献约为其三分之一量级。 本方案下面的测算采用毛利口径（更保守），商务谈判时请明确以哪一口径为准。

产品售价

1.3 万元/吨
按画册口径 26 亿元 ÷ 20 万吨

原料成本

约 6,500 元/吨
棕榈酸化油/UCO/硅藻油，行业假设

吨产品毛利

约 4,000 元/吨
1.3万 − 0.65万 − 0.25万加工成本

年产量

20 万吨
达产状态；当前处于爬坡期

情景	得率	对应产量	相对 74% 增产	年化毛利增益	说明
当前水平	74%	14.8 万吨	—	基准	普通班组水平
阶段 1 验证	78%	15.6 万吨	+0.8 万吨	约 +3,200 万	试点验证期目标
阶段 3 目标	85%	17.0 万吨	+2.2 万吨	约 +8,800 万	12 个月内的核心目标
理想状态	88%	17.6 万吨	+2.8 万吨	约 +1.12 亿	需 85% 稳定后逐步逼近
长期探索	90%	18.0 万吨	+3.2 万吨	约 +1.28 亿	不承诺时间表（§3.6）

必须说明的四个限制条件：
① 以上为达产满负荷状态，当前处于爬坡期，实际增益按达产比例折算；
② 未计入价值提升项——尊创规划中的 SAF（生物航煤）延伸、出口溢价、ISCC 合规性提升、减少的波动损失与异常停车损失，这些在工业实践中的价值往往超过均值提升；
③ 成本参数为行业假设，须用尊创真实财务口径重算；
④ 得率损失分布表（§3.1）为示意，须以阶段 0 实测碳平衡校准后，所有收益承诺才正式生效。

13.2 整体投资规模汇总与分批策略

14 项需求全部铺开是一个很大的数字，但这个数字不应该一次性摆到尊创面前—— 正确的做法是：按阶段、按见效确定性逐步释放。下表是分批框架，不是报价。

批次	包含内容	投入量级	触发下一批的条件
第一批立即可启动	数据可行性评估 + 得率软测量 v0.1 + 仪表一致性核查试点（§3、§6 #4、§11）	最小	软测量 R² 达标 + 老师傅认可"看得准"
第二批	经验标准化 + 备件主数据治理 + 声纹设备健康 PoC + ISCC 追溯（§4、§8.3、§7.3.2、§6 #7）	小	第一批见效 + 各专章独立验收通过
第三批	闭环调参 L1→L2 + 声纹巡检 + 采购寻源引擎 + 成本精细化（§5、§7.4、§8.6、§9.2）	中	得率趋势性改善可测 + 前两批 ROI 兑现
第四批	L3 区间自治 + 集团驾驶舱 + 多厂协同 + 跨基地数据打通（§5、§9）	较大	二三期工程建设进度确定后启动，否则会返工
第五批独立预算	研发联合实验室（§10）——建议与前四批完全分开立项、分开核算	另议	按 §10 的联合实验室章程另行决策，不与 AI 改造预算混算

这张表最重要的信息有两点：
① 第一批的投入应该是最小的——因为它决定了后面所有批次值不值得做；
② 研发联合实验室必须与 AI 改造预算分开——这两件事的风险性质完全不同（AI 改造的效果相对可预测，联合实验室的科研结果不可预测）。混在一个预算里，会让"AI 项目的确定性"被"科研的不确定性"拖累，这对双方都不利。

13.3 效果付费：结算与交付挂钩

模式	结构	适用阶段	特点
模式 A 效果付费推荐用于流程工业	较低基础费 + 按约定 KPI 的效果分成	阶段 2 起，即已有可量化 KPI 之后	效果与交付挂钩：按约定 KPI 结算，未达标的部分不计入
模式 B 固定总价推荐用于交付制场景	按范围固定报价，验收即付	#7 ISCC、#6 采购、#8 安全等边界清晰的交付型项目	范围明确、成果可验收，适合打包进长期运营合同
建议组合	阶段 0–1：固定总价小额（诊断与试点，把风险敞口压到最小）→ 阶段 2–5：基础费 + 效果分成（得率、质量、ISCC 三类 KPI 分别约定）→ 长期运营：年度订阅 + 效果延续分成

13.4 效果分成建议

得率增益

以 超出基线 85% 的部分按约定比例分成。注意：设 85% 基线意味着我们只对"更好"付费，不对"及格"付费

质量收益

批次放行提速带来的库存与资金占用改善，按节省的财务成本折算

合规收益

ISCC 审核一次通过、避免整改与延误带来的可量化损失规避

人力收益

巡检工作量下降、培训周期缩短带来的人力结构优化

结算方式建议：在合同中设置阶段性验收节点—— 若阶段 3 结束时（12 个月内）得率未达到约定阈值，我方接受减免后续服务费或延长免费运营期。
理由：尊创方反复表达的风险顾虑（"做得半吊子还落下埋怨"）本质是担心我们不担责。 既然我们自己判断这个方案能见效，就应该愿意为这个判断承担财务后果。 这一点建议在商务谈判时明确，它比任何技术承诺都更能建立信任。

风险、能力边界与不承诺的事

本章的写作原则：把做不到的事写在前面，比把能做的事说得漂亮更有价值。 尊创方是工程出身、"眼见为实"的决策者，本方案中任何不切实际的承诺都会在第一次现场演示时被识破，代价是整个合作的可信度。以下十条，建议在与尊创正式沟通时原样保留。

#	风险 / 边界	等级	具体说明	缓解措施
1	组织阻力高于技术难度	高	老师傅抵触、新操作员不信任 AI、班组考核口径变化带来的抵触。这是本方案最可能失败的原因，且与技术无关	§4.5 五条组织措施；核心是让最资深的老师傅当首席工艺顾问，成为盟友而非阻力
2	数据质量不足	高	尊创 2026 年 1 月才投产，历史数据仅约 1 年，可能存在测点不全、批次与工况无法对齐、部分参数未采集等问题。数据不够则模型精度上限受限	阶段 0 必做数据可行性评估。若数据不足，我们会建议延后或调整目标，而不是硬着头皮建模
3	工艺迁移的复杂度	中高	加氢工艺属石化细分领域，公开可复用的成熟案例有限。机理模型必须与尊创工艺人员共同开发，不能照搬	承诺项目团队具备石化/加氢工艺背景（§11）；机理模型由尊创签字确认后才进入建模
4	小众工艺团队组建	中高	兼具"懂加氢工艺"与"能做工业 AI"的人员稀缺，可能影响交付质量与速度	组建含石化工艺专家、AI 工程师、数据工程师的联合小组；工艺专家须全程参与，不可外包
5	内网限制	中	无外网环境下，模型迭代、远程支持、第三方工具使用均受限	全部本地化部署；离线包导入更新；远程支持走尊创审批通道（§7.3）
6	得率目标的时间不确定性	中	85% 目标的达成时间受尊创自身工艺标定、催化剂迭代、产能爬坡节奏影响，不完全由 AI 决定	采用里程碑式验收而非单一时间承诺；每阶段独立可验收（§8）
7	科研项目的不确定性需特别关注	中高	§10 的催化剂与新材料研发本质上是可能失败的科研过程。若预期"投入即出成果"，项目很可能在中途因压力大而终止，或消耗大量资源却无产出	合作条款中明确失败成本分担机制与阶段性评估节点；课题从真实生产问题出发而非学术前沿；小试验证后再加大投入（§10）
8	爬坡期数据不足	中	尊创 2026 年 1 月投产，当前处于产能爬坡期，工况尚未稳定，模型训练样本的多样性不足	软测量早期以"趋势参考"而非"绝对精度"使用；随工况稳定逐步提高置信度；不要求在爬坡期达到最终精度

14.1 明确不承诺的十件事

不承诺 85%→90% 的具体时间表。90% 段的进展取决于尊创自身的工艺边界摸清、催化剂迭代与设备改造节奏，这些不在 AI 方案能力范围内。我们承诺的是"把 90% 所需的三项能力建起来"（§3.6）。
不承诺完全替代老师傅。老师傅在边界工况（AI 未见过的情况）上的处置能力，仍是 AI 的短板。异常处置的最终决策权始终保留在人手中。
不承诺 ISCC 认证通过。认证决策由 ISCC 认可的第三方机构做出。AI 只做资料准备、质量平衡与自检。
不承诺设备剩余寿命预测。本方案承接的是设备健康状态的实时感知与劣化趋势量化（裂纹、腐蚀、老化、泄漏的实时发现与趋势预判），不是"这台设备还能用多久"的绝对寿命预测。后者需精确的应力/疲劳/材料劣化模型，误差大且与年度大修重叠，本方案不硬做。
不承诺取消学习曲线。AI 可加速新人培养（6-12 个月 → 3 个月），但物理与工艺的学习过程不能被跳过。我们不承诺"新人一到岗就到 85%"。
不承诺阶段 0 之后的任何确定收益。本文所有金额测算建立在 §3.1 的示意物料平衡与 §9.1 的假设成本参数之上。正式收益承诺须以阶段 0 实测数据与尊创真实财务口径重算后，另行签署。
不承诺不改造任何硬件。若尊创存在关键测点缺失、仪表精度不足等硬件瓶颈，AI 无法弥补——这类问题须如实指出，而非用模型掩盖。
不承诺任何科研技术突破。§10 的联合实验室中，催化剂与新工艺研发本质上是一个可能失败的科研过程。聚玻不承诺技术突破、不承诺时间表、不承诺得率提升幅度，只承诺认真组织、投入资源、引入合适科研力量、提供产业化通道并全程陪跑。若期待"签合同就拿到新催化剂"，这个预期需要在一开始就纠正。
不承诺新材料的产业化成功。§10.3 的硅藻壳方向不承诺技术可行性、不承诺市场接受度、不承诺投资回报。天然材料工业化最大的挑战是批次一致性，这一点建议在立项前就要求科研方给出明确答案。建议先做可行性与小试，验证一致性与成本后再决定是否加大投入。
不承诺替代尊创的科研组织能力。§10 的定位是聚玻出产业资源做组织者，而非替代尊创成为科研主体。课题提出、中试条件、成果判断仍需尊创深度参与——我们不包办，也不承诺包办。

14.2 安全责任边界：AI 参与的环节，责任如何划分

这是尊创作为化工企业一定会问、也必须在合同里写清的问题。把责任边界前置说清楚，比事后讨论更有价值。

情形	责任归属	依据
AI 建议本身有误，且被采纳执行了	我方	AI 建议的质量是我方交付物的一部分。每条建议都带依据与置信度，供使用者判断——这是可解释性带来的责任边界
违反我方设定的强制约束如越过安全包络、试图穿透联锁	我方（我方无法接受）	这类情形在系统设计上就不应发生。安全约束是硬编码的，不是配置项——若发生，说明系统有缺陷
操作员在有报警提示的情况下未按规操作	现场管理	人工操作的最终决策权在人（§5.5 红线三）。AI 提供信息，不承担操作决策责任
安全联锁正常动作	与 AI 无关	联锁由硬回路触发，AI 不参与、也不介入。这是技术架构层面的隔离，不是约定
季节性或工况性因素导致的模型偏差	共同承担	如原料体系变化、催化剂换代。我方负责重训练，但尊创需及时告知工况变化——这属于双方的信息义务

两条必须写进合同的话：
① "AI 只做建议与预警，绝不参与安全联锁动作"——这一条是技术事实，不是承诺。若合同写成了承诺，反而暗示"可以谈条件"，反而危险。
② "工况重大变化时的及时告知义务"——如果尊创更换了催化剂体系或大幅调整了原料来源，而我方不知情导致模型失效，这不能算我方的责任。这条看似苛刻，实际上是保护双方。

14.3 三处容易被混淆、但性质不同的边界

① 声纹设备健康＝对"年度大修 + 特种院"的进阶升级

尊创方此前判断"年度大修 + 特种院检测已够用"，在传统条件下这个判断是成立的—— 年度检修与法定检测覆盖的是静态设备的定期体检，其固有局限是时间粒度：一年一次， 周期内发生的劣化无法被及时发现，等发现问题往往已到必须停车的程度。

有了云音声纹检测技术之后，这一整套"定期体检"体系需要被升级为"实时体检 + 趋势预测"体系。 声纹能识别的不只是"此刻正在漏"，还包括：

裂纹与结构缺陷：材料裂纹、应力集中部位的微裂，在形成宏观裂纹前就有声学特征变化
侵蚀与腐蚀进程：腐蚀导致的壁厚减薄、冲刷坑，会先改变结构的振动与声学传递特性
老化与退化：密封件老化、紧固件松动、轴承磨损——这些正是年度大修最耗工时的排查项
泄漏与劣化趋势：从"发现即处理"变为"发现趋势即预判"（§7.3.1 的五档时序）

三者的关系不是替代而是叠加：声纹做实时、连续、无损、可量化的在线筛查，把需要人工排查的疑点筛出来、排序、定级；年度大修与特种院检测则从"全面排查"变成"精准复核"—— 大修工时向真正有问题的部位集中，检测范围更有针对性。

对尊创的实际价值：这是把"一年一次的体检"升级为7×24 小时的健康监护 + 趋势性预测—— 实时知晓每台设备、每条产线的状态，在问题扩大前干预。设备健康状态也从"检修记录里的一行字"变成可量化、可追溯、可预测的连续曲线。 这是年度大修 + 特种院方案无法提供的进阶能力，也是 §7.3 承接 #5 的真正价值所在。

③ 机器全自动巡检＝对"人工巡检"的代际升级

尊创方此前判断"暂不采购复杂机器人"，这个判断在当时是正确的—— 因为那时可选项只有"人工巡检"与"昂贵且不成熟的机器人"两个极端。

但靠人巡检的本质是低效、低质、高风险：

低效：2 名巡检员覆盖上千个测点与全装置，2 小时一轮意味着每个点位每轮只有几十秒，实质是走过场
低质：人耳与人眼在噪声、粉尘、照明不均的现场，识别一致性差；同一台设备不同人、不同班次的结论可能不同，且无客观记录
高风险：最致命的一点——巡检员必须亲身进入可能存在气体泄漏、有毒介质、高温高压、缺氧的区域。 一旦泄漏已经发生到人闻得到的程度，往往已经接近爆炸临界。把人派进去发现泄漏，本质是用人的安全去换发现时点

云音已研发温度、嗅觉、听觉、视觉四位一体的巡检机器人，正好解决上述三个弊端：

嗅觉维度直接检测气体泄漏——这是人工巡检最不可替代、也最危险的一环，交给机器
听觉维度即声纹拾音——异响、泄漏声、超温征兆，客观且可量化（§7.5 的六类盲区异常）
温度维度——过热、保温层破损、热点，弥补人眼在夜间与遮挡处的不足
视觉维度——渗漏、锈蚀、异物、跑冒滴漏

结论：机器全自动巡检不是"要不要上机器人"的选择题，而是必然方向。 机器人可承担定时、高频、夜间与危险区域的巡检，人只响应报警、不再进入风险区；数据核查（#4）负责上千个测点的常态比对，机器人负责现场的多维感知——两者互补，构成完整的无人化巡检体系。 这是把巡检从"人的任务"变成"系统的能力"的关键一步，也是尊创安全生产水平上一个台阶的直接抓手。

② 活性管理 ≠ 催化剂研发（本项边界不变）

尊创放弃了 #12 催化剂研发，原话"这个催化剂是靠实验的"——完全正确，本方案不涉及分子设计或配方开发。但运行期的催化剂活性监测与再生时机优化是另一回事（§3.7）：它属于流程 AI 的运维范畴。 前者是研发（R&D），后者是运维（operation），不在同一层。

双方行动清单与下一步

15.1 尊创方（无需采购任何东西即可启动）

#	行动项	建议责任人	时点	说明
1	指定首席工艺顾问	尊创方管理层	阶段 0 前	最重要的一项。推荐由尊创方最有威望的老师傅担任，给予正式头衔与决策参与权（§4.5）
2	开放 1 年历史 DCS 数据与化验记录	仪表 / 化验	阶段 0	已在尊创方的行动清单中记录，可直接复用。这是软测量的必需输入
3	提供工艺设计参数与操作规程	工艺 / 技术	阶段 0	各工段设计边界、报警设定值、操作规程；用于判定"数据是否讲得通"
4	组织老师傅深度访谈	工艺 + 老师傅	阶段 2	§4.3 的三步工作法；需管理层协调时间，这是组织前提而非技术前提
5	提供 ISCC 相关单据与流程说明	外贸 / 认证	阶段 2	含供应商证明、运输单、入厂检验单模板
6	协调新员工参与带教试点	人力 + 车间	阶段 3	需本人知情同意，并说明不作为负面考核依据
7	提供真实采购与成本口径	财务 / 采购	阶段 1	用于把 §9 的假设换成实际数字，作为效果分成的计算基准
8	确认试点场景与验收指标	管理层 + 工艺	阶段 0 末	阶段 1 选哪个场景、KPI 怎么定，由尊创方拍板

15.2 聚玻方

#	行动项	承担方	时点	说明
1	组建含石化工艺专家的联合小组	聚玻	阶段 0 前	直接回应尊创"需要懂小众工艺逻辑技术原理的 AI 辅导机构"的顾虑；工艺专家须全程参与，不可外包
2	出具阶段 0 可行性评估与报价	聚玻	2 周内	含数据可行性评估、场景匹配、收益测算；若结论是 ROI 不足，直接建议不做
3	准备可现场参观的既有 AI 落地样板	聚玻	阶段 1 前	尊创方即提出参观诉求（诉求六），此项应与本方案并行推进
4	交付阶段 1 试点系统与实测对比报告	聚玻	4 周内	"眼见为实"的窗口，是后续所有投入的决策依据
5	与尊创共建《工艺机理模型 v1》	聚玻 + 尊创工艺	阶段 2	须尊创方签字确认后方可用于建模——确保模型建立在尊创认可的工艺认知上
6	提供完整的知识转移与培训计划	聚玻	全程	阶段 4 起开始培养尊创自有运维团队（§6#14）
7	提供 7×24 远程与现场技术支持	聚玻	全程	远程通道按尊创审批流程开通，不开生产控制通道

15.3 三条对尊创方承诺的关键事项

团队必须有加氢工艺背景

直接回应尊创方关于"需要懂小众工艺逻辑技术原理的 AI 辅导机构"的核心顾虑。这是选我们或不选我们的第一道门槛——没有工艺背景，做出来的只能是黑箱

试点阶段不达标可叫停

阶段 1 独立成败，2-4 周出具实测数据。不靠"已经投了这么多"绑架尊创继续投入

机理模型须尊创签字

模型建立在尊创方认可的工艺认知之上，不是我们的黑箱。这也让老师傅真正参与进来

结语

尊创的老师傅已经用 85% 的得率证明了这条产线的能力上限。这个工厂不缺"能不能做到"，缺的是"能不能让每一个班、每一天、每一个新人都做到"。

AI 在这里不是要替代谁，而是要做三件此前做不到的事：把等一天才能看到的得率变成实时可见；把老师傅心里有数但说不清的东西变成可执行的规则；把每一次异常变成全厂共享的经验。

我们不认为尊创的问题复杂到需要"颠覆式创新"。恰恰相反，得率从 74% 到 85% 大概率不需要新工艺，需要的是把已经存在于老师傅身上的那部分能力，完整地搬进系统里，然后让它自己运转起来。

把 14 项需求全部接了下来，不是因为我们无所不能，而是因为情况变了、声纹这一层补上了、而产业资源在科研协同中确实能派上用场。 即便如此，该说不做的我们仍然标着"不承诺"——绝对寿命预测、科研技术突破、新材料产业化成功，这三条我们写在了 §14.1。把做不到的事写在前面，比把能做的事说得漂亮更有价值。

至于能不能成，4 周之后我们自己会知道，并且愿意在合同里为这个判断承担后果。这是我们希望尊创在评估本方案时，最先确认的一件事。