1 一、人工智能赋能工业仿真发展背景 人工智能赋能工业仿真是指将人工智能技术（如机器学习、深度 学习）与工业仿真技术进行深度融合，通过数据驱动、智能决策和动 态优化，实现对工业全流程的虚拟化建模、实时模拟与自主优化的一 种新型技术范式。其核心在于利用人工智能的自主学习与预测能力， 提升仿真的精度、效率与智能化水平，推动工业系统从传统模拟向自 适应决策演进。人工智能赋能工业仿真不仅覆盖产品研发阶段，还延 集群等昂贵的硬件资源的支持，导致仿真应用的技术门槛和经济成本 长期居高不下。二是建模方法与流程存在局限。传统仿真主要基于经 验与规则模型，需通过反复的人工调参与验证假设，造成研发周期长、 成本高等问题，尤其在面对多物理场耦合、非线性动态系统等复杂工 科研智能：人工智能赋能工业仿真研究报告（2025 年） 2 程场景时，极易入“建模难—计算繁—精度不足”的恶性循环。 工业 4.0 与智能制造的发展趋势进一步凸显了工业仿真领域日益 人工智能为复杂场景的建模仿真提供新方案。对于多物理场耦合 （如电磁-热-力耦合）、跨尺度问题（如从微观材料特性到宏观结构 响应）等高度非线性、难以通过解析方程精确建模的复杂工程问题， AI 展现出独特优势。一方面，AI 可通过学习大量仿真数据或实验数 据，构建高维非线性映射关系，从而实现对复杂系统的高效建模与预 测。例如，索辰科技的 CAE 平台利用图神经网络（GNN）对复杂拓 扑结构进行建模，在电磁-结构耦合仿真中将预测误差控制在

教师 教师 职能人员 职能人员 管理者 管理者 身份数据 访客数据 黑名单 人脸属性 访客数据 智能制造系统架构通过生命周期、系统层级和智能功能三个维度构建完成，主要解决智能制造标准体系结构和框架的建模 研究 生命周期是由设计、生产、物流、销售、服务等一系列相互联系的价值创造活动组成的链式集合。生命周期中各项活动相互关联、相互影响。不同行业的生命周期构成不尽相同。 现状分析 » 技术演变历程 SOA 数据库健康检测 输出 检测 产品价值 2 数据服务平台 文件服务平台 工作流服务平台 结构化数据 服务治理平台 容器部署 版本管理 在线发布 运行监控 数据融合平台 在线建模 前端设计 绑定服务 脚本编辑 定义接口 关联权限 在线开发平 台 设计 开发 数据治理平台 数据融合平台 非结构化数据 外部服务 升级 更新 认证 中心 注册 中心 监控 产品功能：实现生产状态和安全信息的实时数据采集、远程通讯、事故建模、风险分析、智能推演、预报预警、应急处置辅助决策等功能，为政府安全监管、企业安全生产管理以及事故应急处置服务。产品定位：项目为构建基于云计算、大数据、移动互联网等最新信息技术和移动防爆智能终端技术的、软硬件相结合的智能化安全管理云系统。 产品功能：实现生产状态和安全信息的实时数据采集、远程通讯、事故建模、风险分析、智能推演、预报预警、应急处置辅助决

等功能，从而实现数据预测和自适应控制等，提升装置运行的效益。2）TPT：将模拟 与预测能力融于一体，能支撑多种任务，通过长短周期预测、动稳态模拟等，统一分析类、 优化类、控制类、培训类等工业应用，统一传统的建模过程，全面简化技术体系，有效应 对复杂工业场景。 ⚫ 全球顶级客户站台，印证中控产品有效性和竞争力。1）沙特阿美：与中控在 IMI 数字化 项目、阿美学院智能安全和现场监控方案项目、智能巡检机器人、AMR 确描述工厂实际生产过程和预测未来生产运营，辅助工厂全生命周期的决策优化。 中控 APEX 平台具有以下特点：1）生而为优。基于联立方程技术的新一代通用流程模 拟平台，建模技术、求解性能更为优秀；2）一模到底。为企业打造全生命周期的模型服务， 实现多个场景一个建模平台全面覆盖；3）共创共享。APEX 平台赋能万干企业，构建开放、 共享、共创、融合的新形态。 图 8：中控 APEX 打造全生命周期的模型服务 资料来源：中控技术官方公众号、申万宏源研究 APEX 平台提供了 2160 种纯物质和 15 种热力学方法包的配置，支持原油、聚合物和 固体相关计算，以及热力学物性分析和回归工具。流程建模支持 30 种通用单元模块，以及 用户自定义模型。APEX 平台还提供了高级功能，如变分布式大脑量规定、连接策略配置和 目标函数配置，以及多种运行模式和脚本调用功能，便于模型分析和优化。

以三维场景为依托，以 三维智慧园区平台为核 心，融合个终端子系统， 结合物联网及时，实现 园区智能化管理 • 通过虚拟仿真技术， 对 园区建筑、植被、市政 设施、企业设施、地下 管线等三维建模，真实 还原园区整体环境 智能化 人性化 • 一切为了用户，为园 区 企业、居民、物业提供 方便快捷的办公环境 智慧园区建设理念 三维化 智慧园区建设目标 开拓新的 增值业务 建设目标 范 安全规 范 标准规范体系建设 数据规范 《政务信息图层建设技术规范》 《空间数据元数据标准》 《基础空间地理信息共享交换标准》 《三维数据库建库规范》 《三维数据采集不生产、建模标准》 《三维数据质量控制标准》 服务规范 《地理空间资源目录建设技术规范》 《三维数据共享服务接口规范》 《目录服务接口规范》 应用规范 《平台使用管理办法》 《地理信息空间共享协议》

➢ 动态推理引擎：根据任务需求自动组合功能模块 技术挑战：参数量超过千亿级导致训练成本激增，需采用混合精度训练与 梯度稀疏化技术。 (2) 模块化组合大模型 技术特征：基于微服务架构构建模型组件库，支持动态拼装。核心组件包 括： ➢ 基础模型池：包含设备诊断、工艺优化、异常检测等原子能力模块 ➢ 知识路由网络：根据输入特征自动匹配最优模型组合 ➢ 联邦学习接口：支持跨工厂模型组件协同进化 ➢ 工艺参数时序（温度、压力等） ➢ 设备运行日志 模型设计： ➢ 多尺度特征提取：同时捕捉毫秒级瞬态特征与月级趋势特征 ➢ 物理约束损失函数：嵌入能量守恒等先验知识 ➢ 异常传播建模：构建故障因果链网络 (2) 视觉数据主导型 技术演进： 16 ➢ 高分辨率处理：支持高分辨率工业图像实时分析 ➢ 多光谱融合：整合可见光、红外、X 光等多模态视觉数据 ➢ 小样 数据需求：依赖单一模态结构化数据（如传感器时序数据），要求严格的数 据清洗与特征工程。 处理能力：最大支持百万级数据样本，难以处理非结构化文本/图像数据。 冷启动困境：新设备/工艺需重新建模，某汽车焊装线调试需采集 3 个月数 据才能建立可靠模型。 ➢ 工业大模型： 多模态融合：同时处理时序信息、高分辨率检测图像、工艺文档等多源数 据。 小样本适应：通过预训练实现零样本迁移，某半导体缺陷检测模型仅需

化，并使用AI技术来实时预测净零计划的履约情况。 图�. 通过发展智能化落实中国石油石化新型工业化框架图 来源: 石化盈科&IDC ����年 新型工业化 构建现代石化产业体系 促进产业的高质量发展 预测 建模 �� �.� 石油石化产业智能化成熟度与发展阶段 传统的石油石化智能化应用，主要以单点技术赋能的模式出现，通过智能化技术提升包括炼 油、钻井、油气提取和化工转化等关键环节的生产效率和产品质量。例如，炼油技术通过数字技 勘探工艺优化 油井工况诊断 勘探开发风险管理 勘探培训模拟 油田井下智能管理 勘探经营智能管理 资源开发：智能勘探业务场景与人工智能知识应用主要构成 ...... 计算机 视觉 模式 识别 预测 建模 机器人 规划 应用 专家 系统 自然语 言处理 机器 证明 �� 油田井下智能管理：通过物联网技术集成井下传感器、生产设备和控制系统，实现油田数据 的全面采集和实时监控。人工智能对这些多 来源: 石化盈科&IDC ����年 图��. 智能储运业务场景与人工智能技术组合 管道储运：智能储运业务场景与人工智能知识应用主要构成 ...... 计算机 视觉 模式 识别 预测 建模 机器人 专家 系统 推荐 系统 自然语 言处理 规划 应用 管道安全监测 管网调度优化 管线预测性维护 智能油库管理 供应链运筹优化 储运经营智能管理 �� 储运经营智能管理：高效整

............................................................................... 9 3. 工业大模型应用的三种构建模式 ................................................................................................. 模型可以负责全局的调度和决策，而小模型可以负责具体的执行和控制。这样既能保 证系统的整体性能，又能提高响应速度和灵活性。 11 工业大模型应用报告 3. 工业大模型应用的三种构建模式 大模型的构建可以分为两个关键阶段，一个是预训练阶段，一个是微调阶段。预 训练主要基于大量无标注的数据进行训练，微调是指已经预训练好的模型基础上，使 用特定的数据集进行进一步的训练，以使模型适应特定任务或领域。针对工业大模型， 。三是可以在不 改变模型参数的情况下，通过检索增强生成（RAG）为大模型提供额外的数据，支持 工业知识的获取和生成。这三种模式并不独立应用，往往会共同发力。 图表 2 工业大模型应用的三种构建模式对比 3.1. 模式一：预训练工业大模型 无监督预训练主要利用大量无标注数据来训练模型，目的是学习数据的通用特征 和知识，包括 GPT-3/GPT-4、LLaMA1/LLaMA2

中的能耗异常，从而采取相应的优化措施。在设备采购时，选择高 效能设备和节能型材料，以减少不必要的能耗。 其次，优化生产流程和布局也是必不可少的步骤。采用数字化 仿真技术，对产品的生产流程进行建模与优化，能够有效识别流程 中的能耗高峰环节，进而调整生产线布局，减少设备间的运输时间 和能耗。此外，通过实施精益生产原则，消除生产过程中的浪费， 在确保产量和质量的同时，进一步降低能耗。 接 模拟场景和实际操作，让员工在真实环境中进行学习。此部分的培 训内容可以基于不同岗位需求进行定制，如下表所示： 岗位 培训内容 培训时长 生产操作员 设备操作与维护 5 天 数据分析员 数据分析与建模 7 天 研发工程师 AI 模型开发与集成 10 天 管理层 项目管理与变革领导 3 天 最后，人员的持续发展培训将包括定期更新的行业前沿知识、 技术趋势分析和最佳实践分享。通过建立企业内部的知识分享平台 素纳入考虑，以确保 项目设计在技术实施和经济投入上是切实可行的。此外，需求的优 先级也要进行验证，确保项目可以在有限的资源内聚焦于最重要的 功能。 为了进一步明确需求，我们还可以采用业务流程建模工具，绘 制业务流程图。这有助于直观地展示当前业务流程及其与 MDC 目 标系统的关系，确保所有利益相关方对整个流程有一致的理解。 通过这一系列的需求调研和分析活动，项目团队能够清晰地理 解

以特定工业垂直的行业为对象，贴近该行业的特殊需 求，提供个性化及专业化的解决方案。代表产品有： 3D打印GPT（Authentise）、盘古大模型（华为）等 场景大模型 以工业发展中特定的细分场景为对象，利用精细化建模 和分析实现对某一场景的深入理解和优化。代表产品包 括：西门子与微软合作基于GPT开发代码生成工具、 C3等 工业大模型 分类 语言大模型 以提升问题处理效率为主，应用于工业问答交互和内容 原材料工业增加值占中国规模以上工业增加值的30%左右，是推进制造业数字化转型的主力军，具有资源 能源密集、过程机理复杂、生产连续性强等特点。近年来，中国原材料工业数字化转型已取得一定进展， 但仍面临认识不够、基础差异大、建模仿真难度高、数字技术融合应用不深入、复合型人才紧缺等问题。 该方案的出台，旨在通过数字化转型，提升原材料工业的核心竞争力，构筑国际竞争新优势。 政策性质 指导性政策 政策名称 《关于加快场景创新以人工智能高