............................................................................. 9 图 5 使用有限元和 PINN 方法预测的温度分布热力图对比.............................. 11 图 6 利用人工智能方法实现后处理过程中的特征识别............................. .......................... 51 图 19 预测仿真对比............................................................................................... 52 图 20 CAE 仿真结果数据与代理模型预测结果.................................. 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 伸至制造、运维等全生命周期管理，构建“设计-验证-优化”的闭环体

......................................................................................50 5.4 质量检测与预测性维护................................................................................................ 艺，从而提高 电池的能量密度和循环寿命。在装配线上，AI 驱动的机器人能够实 现高精度的零部件组装，减少人工操作的误差。此外，AI 还可以应 用于供应链管理、物流调度和售后服务等环节，通过智能预测和优 化，进一步提升企业的运营效率。然而，AI 技术在新能源汽车制造 中的应用也面临诸多挑战，如数据安全、技术标准化、人才短缺等 问题，需要通过产学研合作和技术创新逐步解决。因此，研究新能 源汽车 随着人工智能技术的快速发展，其在制造业中的应用已从概念 验证阶段逐步走向规模化实施。当前，AI 技术在制造业的核心应用 领域主要涵盖预测性维护、质量控制、供应链优化和生产调度等关 键环节。据麦肯锡 2023 年全球制造业 AI 应用报告显示，全球领先 制造企业中已有 67%实施了 AI 解决方案，其中，预测性维护的成 功实施使设备非计划停机时间减少了 30%-50%，维护成本降低了 20%-40%。 在质量控

3 产品质量检测场景.......................................................................... 74 4.2.4 设备预测性维护场景...................................................................... 75 4.3 工业大模型应用当前问题.. 产业发展面临的挑战.................................................................... 112 6.1.3 全球产业布局与预测.................................................................... 116 6.1.4 中国产业布局特点......... 1 全球产业的发展趋势.................................................................... 128 6.3.2 全球市场容量预测........................................................................ 130 6.3.3 全球产业的竞争态势....

…… 石化循环经济发展 废物与污染物管理 可再生能源使用 能源利用效率提升 ……. 生产管控一体化 研发辅助设计 井下工况检查 现场培训模拟 调度与智慧智能 智能库存管理 资产预测性维护 ……. 高端化 智能化 绿色化 �� 智能化 面向石油石化全产业链发展，全面融入人工智能和自动化技术，用智能化加速产业升级进 程。在企业经营中逐步推进数字化、数智化应用，利用定制化解决方案和服务帮助企业提升 一步推动了工程的智能化进阶发展。 来源: 石化盈科&IDC ����年 图�. 石油石化产业人工智能技术演进路线 业务价值 时间 智能供应优化 智能研发模拟 风险智能预测 湖仓智能管理 智能营销预测 智能无废生产 智能无废生产 巡检智能 智能仓储管理 智能调度 调度管理 地震解释 工程虚拟测量 数字绩效管理 可视化监控 地震解释 无废生产管理 管网调度优化 FutureScape报告预测：在未来两年内，��%的油气中下游企业将部署AI技术以实 现自动化数据分析；到����年，��%的油气田企业将投资GenAI，提高现场技术人员生产 力，并以数字化方式沉淀现场技术人员知识来构建知识管理平台；为实现净零承诺，到���� 年，��%的油气产业上下游企业将采用AI驱动的碳数据平台，实现碳捕获和数据披露自动 化，并使用AI技术来实时预测净零计划的履约情况。

的运营和自动化高管表示，到 2025 年，AI 助手将接管大部分常规和事务性工作。 自动化决策的比例将进一步上升。运营和自动化高管们表示，生成式 AI 将在未来两年内将数字助理的决策量增加 21%。 预测能力提升并推动可持续创新。76% 的供应链和运营高管认为，生成 式 AI 将优化产品设计，并推动产品生命周期的可持续发展。 生成式 AI 能够防范供应链中断， 并驱动业务增长。 摘要 智能供应链洞察变革，驱动增长 同行竞争者。 72% 供应链的稳定性始终难以把握。商业环境中 的各种潜在风险让我们很难预测未来的变化。 面对不确定的环境，供应链高管往往要采取 “围城心态”，迅速调整策略，从计划 B 转 向计划 C、D 甚至 E ，以减少损失。 但是，如果你能把精力投入到推动业务增长， 而不是应对危机呢？如果你能够精准预测未 来，从而获得竞争优势呢？ 生成式 AI 与云计算的强大结合，能够让这一 与云计算的强大结合，能够让这一 设想成为现实。通过结合机器学习、自动化 和高级数据分析，组织能够在混合云环境下 精准预测需求变化和采购延误等各类情况。 凭借预测，组织将能够变革供应链战略，从 事后被动应对转变为事前主动调整。 领先采纳生成式 AI 和数据创新的组织，特别是将 AI 能力视作自动化投资核心的组织，已获得显著回报。 智能供应链洞察变革，驱动增长 4 目前，领先采纳生成式 AI 和数据创新的组织，

术通过试点应用发 现 Nyx 可以深度融合 Al 技术，基于 GPU 赋能的控制引擎，提供组态自动生成、Al 融合 PID 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 万华化学：蓬莱基地率先使用中控 i-OMC，未来，将通过生成式人工智能技术，比如大型 语言模型、中控 AI 时序大模型 TPT 及预测大型模型等，为其工厂和园区创建一个超级大 脑。全球顶级客户与中控技术的合作充分体现了公司产品的有效性和竞争力。 ⚫ 维持盈利预测，维持“买入”评级。预计 24-26 年归母净利润分别为 12.56、16.06、20.11 亿元，对应 24-26 年 PE 为 A0230521120002 wangke@swsresearch.com 联系人 刘建伟 (8621)23297818× liujw@swsresearch.com 财务数据及盈利预测 2023 2024Q1 2024E 2025E 2026E 营业总收入（百万元） 8,620 1,738 10,707 13,242 16,077 同比增长率（%）

2 生产调度智能化................................................................................104 7.2.1 预测性维护...............................................................................106 7.2.2 生产计划优化 大模型的训练过程通常利用海量的结构化和非结构化 数据，使得模型具有了强大的表征学习能力。通过自然语言处理、 图像识别和时间序列分析等技术，模型能够更好地理解和模拟复杂 系统的行为。这种能力使得 AI 大模型在数据分析、预测维护及智 能生产等方面得到了广泛应用。 随着计算能力的提升和算法的不断优化，AI 大模型的推理效率 和准确性也在不断提高。例如，目前主流的大模型如 GPT- 3、BERT 和 T5 等，展示了在语言理解、生成和对话等任务上的卓 源配置，提高生产效率。  预测性维护：通过对历史设备故障数据的学习，模型能够提前 预测设备可能出现的问题，从而降低停机时间和维护成本。  质量检测：运用图像识别技术，对产品质量进行实时监控，及 时发现并解决质量问题，提升产品合格率。  个性化生产：结合用户需求，通过大模型优化产品设计和生产 流程，实现大规模定制的目标。  供应链管理：利用模型进行需求预测和库存优化，提升供应链 的响应速度和灵活性。

根据世界经济论坛的数据，到2025年底，超过 50%的制造商将采用人工智能5。国际数据公司 （IDC）预测，到2026年，全球物联网领域的支出将 达到1万亿美元6。人工智能和机器人在制造业有巨 大的增长潜力，预计到2027年全球市场规模将达到 1,820亿美元7。 综合来看，这些调查结果和预测突显了这一领域存 在的巨大商机，同时表明市场格局正在快速演变。 随着智慧工厂成为主流，未采用人工智能等技术的 实现生产过程自动化，从而提高精确度和速度。联 网设备生成的实时数据有助于优化生产计划，减少 浪费并提高整体生产效率。 设备维护成本高：设备故障导致维护成本和停机时 间增加。物联网支持预测性维护，可以在故障出现 之前做出预测，并更及时地安排维修。这样不仅能 减少停机时间，还能延长设备使用寿命，从而节省 成本。 质量控制问题：在不同生产线上保持产品质量一致 颇具挑战性。物联网系统支持实时质量监控和分析， TELENOR IoT | 物联网赋能制造业数字化转型 | 9 人工智能和机器学习：在物联网系统中集成人工智 能和机器学习（ML），可实现预测性维护、优化生 产计划以及加强质量控制。人工智能赋能的分析可 以在设备故障发生之前做出预测，从而缩短停机时 间并降低维护成本。机器学习算法可以优化生产流 程，从而提高效率和产品质量。德勤开展的一项调 查显示，制造业的数据生成量位居前列，海量数据

定制化需 求，或能够根据变化快速重新配置 • 动态排产能力 • 库存优化模型 • 在资本支出中纳入可持续相关的考量 需求预测 能够预见和预测业务需求及客户需求的变化，以及更广泛的社会 和文化转变。 • （在利用客户的历史数据进行预测之外）利用结构化分析工 具，提前判断需求的上升或下降 • 前瞻性地进行客户细分，在出现短缺时权衡需求的紧迫程度 • 建立客户趋势控制塔来收集数据洞见（市场、互联产品、客户 建立客户趋势控制塔来收集数据洞见（市场、互联产品、客户 旅程、情感分析），据此设计新产品并为其定价 端到端智能控制塔 运用可视化解决方案，贯穿整条价值链更迅速地预测和识别风险、 管理冲击，并分析原因。 • 具备“what-if”（如果……将会怎样）的情境模拟能力、动态化 数据驱动型的计划 • 预测性地识别运营问题（质量缺陷、故障、维护需求、不合格） • 可支持端到端运营实时可视的数字驾驶舱 • 运用数字工具，快速了解供应短缺、生产或运输延迟对销售及 常有限，成熟度止步不前。 韧性得分：0~100 试点 部分部署 转型正在进行 中国 全球 完成转型 100 90 80 70 60 50 40 30 20 10 0 需求预测 动态化、可持续的产品开发 自主生产 本地化、可灵活调整的供应链 端到端智能控制塔 灵活的员工队伍 敏捷组织 后25%平均值 前25%平均值 图三 企业韧性成熟度 10

险 管 控 能 市 力 场 营 销 能 投 力 资 决 策 能 资 力 金 调 配 能 力 关键能力 次要能力 对 **** 的总体理解 质量 计划 营销 技术 采购 生产 仓储 售后服务 预测 / 订单 综合管理 应收管理 固定资产 成本管理 人事管理 考勤管理 应付管理 总账管理 预算管理 学习管理 招聘管理 商机管理 客户管理 产品研发 清单设计 生产计划 材料计划 具有更高的柔性，能适应产品及业务变化快速进行调整 快速的反应能力 跨系统的数据集成速度更快、信息更全面 更快、更友好的系统操作 与上下游企业的信息传递更快捷 资源供需平衡 对商机、销 售预测 提供管理平台和丰富的计算工具 对订单的可承诺性提供更高的支持 提供更严谨的供应链计划功能及材料控制工具，减少呆滞库存 严谨的风险管控 更全面、更透明的业务信息管理，更连贯的业务流程处理 横纵一体化的拓展： 延伸对业务链条、组 织范围的覆盖 深化应用：对关键环 节进行精雕细琢 完善后勤支持：逐渐 建立非核心的支持业 务管理平台 实施重点： 决策支持：完善商 务智能分析、趋势 预测的建设 战略管理：建立从 战略到执行的管理 闭环 **** 信息化未来发展阶段 计算机技术 的传播普及 企业开始意识到信息集 成的重要性，开始整合 核心业务形成企业统一 的管理平台 使用计算机辅