2026年1月，工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，明确提出到2027年推动3-5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集，推广500个典型应用场景。附件《人工智能赋能制造业重点行业转型指引》特别指出，要推动石化化工行业提质增效，深度融合工艺机理、专家经验、生产运行数据，打造行业大模型，推动大小模型融合应用。4月，工信部与国家数据局联合启动2026年“模数共振”行动，面向制造业20个重点行业，推动“行业模型赋能应用实践、应用实践产生场景数据、场景数据优化行业模型”的良性循环。煤化工行业作为典型流程工业，生产工艺具有跨尺度、非线性、强耦合的复杂特性。传统“数学建模+实验验证”的方式，因降维建模导致机理模型与现实系统存在鸿沟。而人工智能可通过拟合长距离数据和多模态数据间的映射关系，实现对复杂化工系统的可计算化。当前，行业重点企业已积极探索人工智能应用，涌现出智能化工大模型、TPT时序大模型等系列专用大模型，但仍存在高质量数据集建设进展缓慢、可靠性不足、基础支撑薄弱等问题。

本课程紧扣2026年国家战略导向，以“企业是未来产业突破主体”为战略锚点，以“工艺驱动AI、AI反哺工艺”为核心理念，聚焦安全预警、能效优化、设备预测性维护等高价值场景，为煤化工企业中高层管理者提供从战略认知到落地实操的系统化实战演练。

1、掌握2026年“人工智能+制造”及“模数共振”行动的核心政策要点与实施路径，准确理解“企业是未来产业突破主体”的战略内涵，建立“工艺驱动AI、AI反哺工艺”的正确认知框架；

2、系统了解“高质量数据集+行业大模型+场景小模型”三级支撑体系的构成逻辑与建设方法，掌握工信部(2026)7号文对数据治理和模型应用的核心要求。

3、深度解析九大行业标杆企业的完整AI实施案例，涵盖安全预警、能效优化、设备预测性维护等核心场景，建立可借鉴、可复制的实践参照系；

4、每人至少掌握8种以上AI工具的操作方法，包括通用办公AI工具、工业数据分析工具、大模型应用工具等，能够独立完成从数据采集到分析报告的完整工作流；

5、通过场景化工作坊和实战演练，形成针对本企业实际业务的AI应用行动方案，实现“带着问题来、拿着方案走”的培训目标

一、2026年国家战略全景解读

1. 八部门《“人工智能+制造”专项行动实施意见》核心要点解析

• 七大重点任务：创新筑基、赋智升级、产品突破、主体培育、生态壮大、安全护航、国际合作

• 21项具体措施与两个附件（《转型指引》《应用指南》）的政策内涵

• 2027年量化目标：3-5个通用大模型、1000个工业智能体、100个高质量数据集、500个典型应用场景

1. “模数共振”行动的政策深意

• 工信部与国家数据局联合启动的背景与目标

• “行业模型赋能应用实践、应用实践产生场景数据、场景数据优化行业模型”的良性飞轮机制

• 七项重点任务：构建行业通识数据集和专识数据集、完善模型评测机制、创建“模数共振”空间、打造创新联合体等

二、“企业是未来产业突破主体”论断的深度解读

1. 总书记重要论述的战略意义

• 2026年1月30日二十届中央政治局第二十四次集体学习讲话核心要义

• “企业是创新的主体，很多未来产业的兴起是靠企业一步步突破带动的”

• 从“等靠要”到“主动干”：煤化工企业的使命自觉

1. 煤化工企业如何“主动承接国家使命”

• 从政策执行者到战略参与者的角色转变

• 企业主体地位的三个维度：创新主体、投资主体、落地主体

• 避免“等靠要”思维的具体行动路径

三、煤化工行业AI应用的现状与机遇

1. 行业痛点与AI切入点

• 生产工艺的跨尺度、非线性、强耦合特性

• 传统“数学建模+实验验证”的局限性

• 行业自动化基础与数据体量为AI提供的广阔空间

1. 行业标杆的探索与启示

• 当前行业AI应用的主要方向与阶段性成果

• 从“有没有”到“好不好”的转型关键

标杆案例1、中煤陕西公司：煤化工行业首家全国智能制造试点示范企业

作为煤化工行业首家被工信部认定的全国智能制造试点示范企业，搭建了行业领 先的5G全覆盖工业互联网平台。建立从原煤开采到产品出厂的全生命周期智能化管控体系，50多个生产系统数据在统一平台管理，每天2亿条数据涌入“数据湖”，构建起煤、电、化全产业链数字孪生体系。通过数字化能源管理平台，将用能预算执行偏差率稳定控制在2%以内，烯烃单位产品能效从3066千克标准煤/吨降至2883千克标准煤/吨

案例启示

互动研讨1、分组讨论：结合案例企业实施情况，思考讨论本企业目前AI应用的现状是什么，最 大的障碍在哪里？10分钟研讨，5分钟汇报

一、为什么煤化工AI必须“工艺驱动”

1. 化工工艺机理的不可替代性

• 煤化工工艺的复杂性与安全红线

• AI是工具而非目的：技术炫技的危险性

• “工艺驱动AI，AI反哺工艺”的双向逻辑

1. 从“IT视角”到“工艺视角”的认知转变

• 信息部门主导 vs 工艺部门主导

• 数据科学家 vs 工艺工程师：谁更懂AI应用场景？

• 煤化工企业AI治理架构的设计原则

二、AI在煤化工工艺中的核心应用逻辑

1. AI如何“看懂”化工过程

• 从“数学建模”到“数据驱动建模”的范式跃迁

• 多模态数据融合：压力、温度、振动、成分分析的综合判断

• 时间序列分析在化工过程中的特殊价值

1. AI如何“反哺”工艺

• 从被动监测到主动优化

• 从经验决策到数据+经验双轮驱动

• 工艺参数的自动寻优与自适应控制

标杆案例2、中国中煤“人工智能时序大模型”：气化炉从“经验驱动”到“算法驱动”

2026年5月中煤信息公司研发的“人工智能时序大模型”在中煤远兴公司C套气化炉正式投运，成为集团公司首个煤气化“感知—预测—优化—控制”一体化AI大脑。依托时间序列大模型，对全厂数据进行毫秒级实时分析与趋势预测，通过深度融合煤质软测量、先进过程控制（APC）与实时优化（RTO），构建起“煤质预测—生产优化—智能控制”的闭环链路。投运后效果显著：甲烷含量波动幅度降低46.53%，氧煤比波动降低49.06%，氧气阀门动作标准差大幅降低61.07%，洗涤塔液位波动降低40.52%，黑水流量波动降低62.24%。

案例启示：AI必须扎根工艺机理才能产生真正的价值

互动体验1、现场演示：使用AI工具对一组模拟的煤化工工艺数据进行异常检测，学员亲自操作体验AI如何“看懂”工艺数据

一、工信部(2026)7号文对数据治理的核心要求

1. “模数共振”行动的数据维度

• 行业通识数据集与行业专识数据集的区别与建设方法

• 数据质量把控、模型性能优化、应用价值验证三大核心问题

• 数据孤岛的形成原因与破解之道

1. 煤化工企业数据治理的紧迫性

• 从“有数据”到“有好数据”的跨越

• 数据标准不统一、数据质量参差不齐的行业共性问题

• 数据治理的投入产出分析

二、“三级体系”的架构设计与建设路径

1. 第 一级：高质量数据集

• 什么是“高质量”：完整性、准确性、一致性、时效性

• 煤化工数据的分类体系：工艺数据、设备数据、质量数据、安全数据、经营数据

• 数据采集、清洗、标注、治理的全流程管理

• 数据资源节点建设与数据基础设施

1. 第二级：行业大模型

• 行业大模型与通用大模型的本质区别

• 煤化工行业大模型的训练数据构成：工艺机理+专家经验+生产运行数据

• 大模型的部署方式：云端 vs 本地化

• 大模型的评测与持续优化

1. 第三级：场景小模型

• 小模型的优势：轻量、快速、可解释性强

• 场景小模型的典型应用：特定装置优化、特定故障诊断

• 大小模型的协同机制：大模型“通才”+小模型“专才”

标杆案例3、中天合创：破解“烟囱式”系统的数据治理实践

针对传统煤化工企业“烟囱式”系统导致的数据孤岛、标准不一、价值难释放的痛点，中天合创投资487万元构建“N源一湖一服务一呈现N应用”的工厂数据资源管理体系。通过统一数据标准，打通了各业务系统的数据壁垒，为上层AI应用提供了坚实的数据底座。

标杆案例4、潞安化工“小潞”智能分析体系：本地部署大模型的探索

潞安化工集团基于本地部署的DeepSeek大模型搭建“小潞”智能分析体系，依托本地知识库开展数据分析工作。“小潞”采用国产华 为显卡，遵循国产化替代要求。目前已能对煤炭产销情况进行精准分析，实现了煤炭销售数据分析的重要突破。

案例启示：煤化工企业如何在数据安全和成本可控的前提下，探索大模型应用

实操环节1、AI工具实操（一）

工具1：数据采集与清洗工具实操——使用低代码/无代码数据集成工具，完成一组模拟煤化工生产数据的采集、清洗与标准化处理。

工具2：数据可视化分析工具实操——使用BI工具对清洗后的数据进行可视化分析，制作工艺参数趋势图、相关性热力图等。

工具3：大模型对话工具实操——使用通用大模型工具进行化工专业知识问答、报告撰写辅助等操作。

互动研讨2、分组讨论：本企业目前的数据治理处于什么阶段？距离“高质量数据集”还有多远？差距在哪里？如何制定分阶段推进计划？

一、煤化工安全管理的AI化转型

1. 传统安全管理的痛点

• 人盯现场：巡检依赖人工经验

• 事后响应：事故发生后才能发现

• 信息滞后：数据传递链条长、响应慢

1. AI赋能安全的核心逻辑

• 从“人防”到“技防”的转变

• 从“被动响应”到“主动预警”的跨越

• 多源数据融合：视频、传感、工艺参数的联合研判

二、安全预警场景的AI实施方案

1. 智能巡检与无人化作业

• 无人机低空巡查与特殊作业远程监控

• 智能设备替代人工完成高危场景作业

• 关键装置少人化、重点区域无人化

1. 异常行为识别与风险预警

• 视频AI行为智能分析：特殊作业过程中的违规行为识别

• 工艺参数异常检测：多变量联合预警

• 安全仪表系统与智能联锁逻辑

1. 设备健康状态实时监测

• 振动、温度传感器的部署与数据采集

• AI模型对设备故障的早期诊断

标杆案例5、潞安化工天脊集团：AI预警从“听摸看”到“数据说话”

天脊集团在全厂区部署5G专网，将合成氨厂、硝酸厂等生产单元的100余台机泵，依托振动、温度传感器及AI模型实施实时健康监测。合成氨厂一台循环水泵振动趋势图中出现2.5kHz峰值，AI模型诊断为“轴承锁母松动”，拆检后证实预测准确率超95%。硝酸厂一台液氨泵振动突升至6.8mm/s（黄色预警），系统自动弹出“轴承磨损风险，建议48小时内检修”提示，避免非计划停车。这样的智能预警场景在天脊集团已成为常态，再也不需靠巡检人员凭经验“听、摸、看”排查隐患。通过深度融合5G、人工智能算法及数字孪生技术，天脊集团成功破解了高温高压等极端工业环境下长期存在的精准控制、高效运维与生产安全难题

互动体验2、安全预警模拟演练

使用AI异常检测工具，对一组模拟的煤化工装置运行数据进行实时监控。分组扮演不同角色（安全主管、工艺工程师、操作员），在系统发出预警信号后，按照预设流程进行响应决策演练；复盘讲评

一、煤化工能效管理的AI化升级

1. “双碳”目标下煤化工的能效挑战

• 煤化工高能耗、高排放的行业特性

• 能效管理的精细化需求：从“粗放管控”到“精准优化”

1. AI赋能能效优化的核心路径

• 实时优化（RTO）与先进过程控制（APC）的深度融合

• 数字孪生驱动的能效模拟与优化

• 用能预算的精准管控与动态调整

二、能效优化场景的AI实施方案

1. 工艺参数智能优化

• AI对多维度工艺参数的实时分析

• 从人工经验调整到算法自动寻优

• “黑屏操作”的能效意义

1. 能源平衡与调度优化

• 全厂能源数据的实时采集与平衡计算

• AI驱动的用能调度决策

• 能源消耗的预测与异常预警

1. 碳足迹的AI化管理

• 产品碳足迹的自动核算与追踪

• 碳排放的实时监测与超标预警

标杆案例6、云天化大为制氨：“一键智控”刷新行业能效纪录

云天化大为制氨全球首套深度融合人工智能算法、先进过程控制（APC）与实时优化（RTO）技术的智能煤气化装置，自2024年6月28日投运后已连续安全运行两年。企业联合华 为、华东理工大学等单位，历时18个月攻克气化炉温度软测量、强耦合变量控制等“卡脖子”难题，自主研发16个AI子模型，实现装置大规模、多变量、强干扰工况下的“一键智控”。智能化升级后，煤气化单元自动化率飙升至96.88%，人工操作频次下降95.58%，年节约原料煤9100吨，减排二氧化碳2万吨。2026年上半年，合成氨、尿素、高压蒸汽产量均创建厂以来半年度新高，综合节约标准煤8500吨，减排二氧化碳2.23万吨，实现收益近千万元。运行数据持续反哺模型迭代，技术团队对8个模型展开深度再训练，模型可用性提升超50%。该方案已在集团内部全面推广，并吸引10余家煤化工企业前来交流学习

标杆案例7、榆林能化甲醇精馏AI优化：连续150小时“人工零操作”

山东能源所属陕西未来能源榆林能化公司与云鼎科技联合研发的“甲醇精馏工艺智能优化系统”，将AI大模型引入甲醇精馏生产全流程。项目融合AI与APC技术，对多维度工艺参数进行实时分析。上线后实现连续150小时稳定运行及“人工零操作”与能耗降低双目标。这是煤化工行业首台套甲醇精馏装置人工智能优化应用

实操环节2、AI工具实操（二）

工具4：APC/RTO模拟工具实操——使用流程模拟软件，体验AI如何对化工装置进行实时优化控制。

工具5：能耗分析AI工具实操——使用AI能耗分析工具，对一组模拟的煤化工生产能耗数据进行智能分析，自动识别能耗异常点并生成优化建议报告。

工具6：数字孪生平台体验——通过数字孪生演示平台，观察虚拟工厂中工艺参数调整对能耗的实时影响

一、煤化工设备管理的AI化变革

1. 传统设备管理的困境

• “计划修”与“故障修”的低效模式

• 非计划停车的巨大经济损失

• 超大型煤化工装置调控的行业难题

1. AI赋能设备管理的新范式

• 从“定期检修”到“状态检修”

• 从“事后维修”到“预测维护”

• 从“单机管理”到“系统健康管理”

二、预测性维护场景的AI实施方案

1. 设备状态监测与健康评估

• 多源传感数据的采集与融合

• 设备健康模型的构建与持续优化

• 工况识别、趋势分析与异常预警

1. 故障诊断与寿命预测

• 多模态认知模型融合压力、振动、温度等多源数据

• 故障类型的智能识别与根因分析

• 剩余寿命预测与维护策略制定

1. 维护决策的智能化

• 预测分析报告的自动生成

• 维护计划的智能排程

• 备品备件的预测性采购

标杆案例8、国能宁煤煤制油分公司：400万吨/年超级工程装上“智慧大脑”

国能宁煤煤制油分公司拥有气化、变换、净化、费托合成、油品加工等数十套主装置，管道总长超3700千米。2022年以来企业全面加速推进智能工厂建设，突破了超大型煤化工装置调控、化工大机组状态监测与自动诊断系统等难题。搭建“云、边、端”三级协同技术架构：端层部署5000余个智能传感设备，将现场温度、压力、振动等物理量实时转化为数据流；边层部署全流程APC实现装置精准调控与状态监测；云层集成应用、AI及实时数据库，通过大数据分析将海量数据转化为生产指令与决策建议。企业历时三年构建5G专网与工业以太网，打通26个专业化子系统。通过大数据预测性维护，设备故障预警准确率提升至92%。国能宁煤“高效转化煤制油智能工厂”入选2025年度卓越级智能工厂名单。企业在技术引领上不仅实现自身蜕变，更输出行业标准，牵头制定多项国家标准和行业标准

互动体验3、设备故障诊断模拟

使用AI故障诊断工具，对一组模拟的设备运行数据进行智能分析。学员分组竞赛：哪一组最快、最准地识别出设备故障类型、判断故障严重程度、提出维护建议。获胜组分享诊断思路与工具使用技巧

一、通用办公AI工具（全员必修）

工具7：智能文档与报告生成工具——使用AI辅助撰写工作总结、分析报告、会议纪要，掌握提示词工程的基本技巧。

工具8：智能会议与语音转写工具——使用AI会议助手完成会议记录、待办事项提取、会议纪要自动生成。

工具9：智能翻译与跨语言工具——使用AI翻译工具处理国际技术文献、行业标准、商务往来文件

二、专业领域AI工具（进阶选修）

工具10：工业大数据分析平台——使用低代码数据分析平台，完成工艺数据的探索性分析和可视化呈现。

工具11：AI建模与预测工具——使用AutoML工具，零代码完成工艺参数预测模型的构建与部署。

工具12：智能体（Agent）搭建工具——使用智能体开发平台，搭建一个简单的化工工艺问答或预警智能体

三、工具实操通关

在导师指导下，完成以下实操任务：使用AI工具生成一份本岗位工作相关的分析报告；使用数据可视化工具制作一组工艺数据分析图表；使用大模型工具完成一次专业知识问答或方案撰写。逐一检查验收，确保人人过关

一、煤化工企业AI落地的“三步走”策略

1. 第 一步：场景甄别与试点验证（0—6个月）

• 高价值场景的识别标准：可测量、可推广、可迭代

• 选择1—2个“短平快”场景先行试点

• 建立效果评估的量化指标体系

1. 第二步：能力建设与规模推广（6—18个月）

• 数据治理体系的全面建设

• AI平台的搭建与工具链的完善

• 成功场景的复制与推广

1. 第三步：生态构建与持续进化（18个月以上）

• 行业大模型的引入与定制

• 智能体生态的培育

• “数据—模型—场景”良性循环的建立

二、组织能力建设的四个关键

1. 人才梯队：从“外部引进”到“内部培养”

2. 组织架构：AI治理委员会的设立与运行

3. 文化变革：从“经验崇拜”到“数据信仰”

4. 激励机制：将AI应用成效纳入绩效考核

三、避免“数据孤岛式AI”的三大原则

1. 数据先行：先治理数据，再谈AI

2. 平台统一：一个工业互联网平台，N个AI应用

3. 业务驱动：AI必须服务于业务目标，而非为AI而AI

标杆案例9、黑猫集团：“1+1+N+X”多模态数据融合与智能体协同体系

搭建了基于工业互联网平台的“1+1+N+X”多模态数据融合和智能体协同体系，助力煤化工行业朝着智能化、绿色化、高效化方向转型升级。该体系荣获“数据要素×”大赛江西分赛工业制造赛道一等奖。

案例启示：以统一平台承载多元数据，以智能体协同实现跨业务联动，以数据要素驱动产业范式变革

一、工作坊流程（2小时）

1. 场景盘点

• 每组列出本企业当前最迫切的生产、安全、管理痛点（不少于5个）

• 从“业务价值”和“技术可行性”两个维度进行优先级排序

• 选出1-2个优先落地的AI应用场景

1. 方案设计

• 针对选定的场景，设计AI应用方案，包含：场景描述、数据需求、技术方案、预期效果、实施计划、资源需求

• 参考前八讲的标杆案例，找到可借鉴的实施路径

1. 方案路演与点评

• 每组10分钟汇报（5分钟陈述+5分钟问答）

• 与其他学员组成评审团，从战略契合度、工艺合理性、技术可行性、投资回报率四个维度评分

• 逐一点评，提出优化建议

1. 行动承诺

• 每位学员写下未来30天的3项具体AI应用行动；30天后线上复盘

二、工作坊输出物

每组完成一份《XX场景AI应用行动方案建议书》，包含：场景描述与痛点分析、数据基础与缺口评估、技术方案与工具选型、实施路线图与里程碑、资源需求与风险预案、效果预测与评估指标

行动实践指南

一、培训结束后30天行动清单

第 一周：完成本部门/分管领域的AI应用场景梳理，识别至少3个可试点场景，提交给公司AI推进领导小组。

第二周：选择1个优先场景，完成数据现状调研，明确数据采集、清洗、治理的具体需求和工作量。

第三周：与IT部门或外部服务商对接，完成技术方案的初步论证和选型。

第四周：形成试点项目的立项报告，明确目标、范围、预算、时间表和责任人，推动项目立项审批

二、90天里程碑建议

第30天：完成至少1个场景的试点立项。

第60天：完成数据治理的阶段性工作（如数据标准制定、历史数据清洗等）。

第90天：试点场景进入开发或部署阶段，产出阶段性效果数据

三、持续学习资源推荐

政策文件：《“人工智能+制造”专项行动实施意见》及附件《人工智能赋能制造业重点行业转型指引》《制造业企业人工智能应用指南》

行业报告：工信部石化化工行业数字化转型推进中心相关研究报告

在线学习：主流AI大模型平台的官方教程与化工行业应用案例库

行业交流：参加“模数共振”行动相关行业会议与交流活动

四、组织保障建议

建议企业成立由总经理牵头的“人工智能+制造”推进委员会，下设数据治理、场景落地、人才培养三个专项工作组；

将AI应用成效纳入各部门年度考核指标，设立专项奖励基金，对率先突破的场景团队给予重奖；

定期组织内部经验分享会，营造“人人学AI、人人用AI”的组织氛围