|
1、企业概况 中控技术股份有限公司（Supcon）成立于1999年，总部位于中国杭州，是领先的流程工业自动化、数字化与智能化解决方案提供商。公司核心产品包括集散控制系统（DCS）、安全仪表系统（SIS）、先进过程控制（APC）等，广泛应用于化工、石化、电力、冶金等行业。 核心主平台：PRIDE 全设备智能感知平台（预测性运维核心载体） PRIDE = Perception of Readable Instruments, Devices and Equipment，设备全生命周期预测性健康管理平台，2023 年正式发布，是中控预测运维的统一数据基座与业务中台。 该平台能够打通 DCS、SIS、PLC、振动传感器、在线监测仪表、设备台账、维修系统数据孤岛，构建全厂设备 “一张网”，完成状态感知→健康评估→故障预测→根因诊断→智能维保全链路预测性运维闭环，替代传统定期检修、事后抢修模式。 PRIDE 平台的 AI 预测内核，是中控预测运维的核心算法支撑，2025 年升级 TPT2（MoE 混合专家架构）： 专属能力：深度融合化工 / 石化工艺第一性原理，适配工业时序曲线，解决通用 AI 工业场景不可解释、预测不准痛点； 预测运维相关功能 设备劣化趋势长周期预测、异常预警智能体； 阀门、压缩机、加热炉、电解槽等关键设备剩余寿命预测； 多参数耦合根因追溯，区分工艺波动与设备本体故障； 部署方式：可本地私有化部署，直接对接 PRIDE 平台、DCS 系统，低代码快速生成设备预测智能体，无需专业算法人员开发模型中控技术
发展历程 - 1999年：公司成立，推出第一代DCS系统 - 2007年：DCS市场份额跃居国内第一 - 2020年：在科创板上市（688777.SH） - 2023年：营收达46.5亿元人民币 - 2024年：发布TPT（Time and Space Panoramic Foundation Model）时间与空间工业大模型 市场地位 ● DCS市场份额：38.6%（连续13年排名第一） ● SIS市场份额：28.3%（排名第一） ● 服务客户：超过3万家 ● 覆盖行业：化工、石化、电力、冶金、造纸等 2 、产品拓扑架构 【产品拓扑图说明】 中控TPT大模型采用"1+2+N"架构： | | | 300亿参数工业预训练大模型，内置流程工业领域知识 | Transformer + LoRA微调（行业快速适配） | | | RAG (Retrieval-Augmented Generation) | | | | | | | |
"1" - TPT基础大模型 - 架构：基于Transformer的时空融合模型 - 参数量：数百亿级别 - 训练数据： - 中控30年积累的百万级工业场景数据 - 超过10万套DCS系统的运行数据 - 数百万小时的设备运行记录 - 数千万条工艺参数与质量数据 - 核心能力： - 时间序列预测（Process Time Series Forecasting） - 空间拓扑建模（Spatial Topology Modeling） - 多模态数据融合（Multi-Modal Fusion） "2" - 两个核心引擎 工业知识引擎 - 知识图谱： - 包含百万级工业实体（设备、物料、工艺、故障） - 千万级关系边（因果关系、影响关系、组成关系） - 知识来源： - 中控30年工程经验 - 行业标准与规范（API、ASME、GB等） - 学术论文与技术专利 - 专家知识与最佳实践 数据智能引擎 - 多模态数据分析： - 时序数据（传感器读数、工艺参数） - 图像数据（工业相机、红外热像） - 文本数据（操作记录、维修报告） - 音频数据（设备声音、报警声音） - 特征工程自动化： - 自动特征提取 - 特征选择与降维 - 异常检测与数据清洗 "N" - N个应用场景 中控TPT大模型支持多种工业应用场景： 工艺优化： - 实时优化（RTO） - 先进过程控制（APC） - 质量预测与软测量 预测性维护： - 设备故障预测 - 健康度评估 - 剩余寿命预测（RUL） 能源管理： - 能耗预测与优化 - 公用工程平衡 - 碳排放追踪 安全管理： - 异常检测与报警 - 安全风险预警 - 应急决策支持 质量管控： - 质量预测模型 - 批次优化 - 质量追溯 技术架构五层 数据采集层 ● 现场仪表（温度、压力、流量、液位） ● DCS系统（历史数据、实时数据） ● MES系统（生产计划、工单数据） ● 实验室系统（质量分析数据） 数据处理层 ● 数据清洗（去除噪声、填补缺失值） ● 数据标注（工艺专家参与） ● 特征工程（时域、频域、时频域特征） ● 数据标准化（归一化、标准化） 模型训练层 ● TPT预训练（无监督学习） ● 领域微调（有监督学习） ● 模型验证与测试 ● 模型压缩与优化 模型服务层 ● 推理引擎（TensorRT、ONNX Runtime） ● API网关（RESTful API、gRPC） ● 模型版本管理 ● 性能监控与日志 应用层 ● 工业APP（移动端、Web端） ● 决策驾驶舱（大屏可视化） ● 报警与通知系统 ● 报表与统计分析 3、底层算法与核心技术 中控TPT大模型的核心技术创新： 1. 时空Transformer（Spatio-Temporal Transformer） 创新点：创新性地将时间序列化数据与空间拓扑数据融合建模，捕捉工艺流程中的动态演化规律和空间关联关系。 技术细节： - 时间分支： - 采用Transformer编码器处理时间序列数据 - 多头注意力机制捕捉长短期依赖关系 - 位置编码（Positional Encoding）保留时间顺序信息 - 空间分支： - 将工艺流程建模为图结构（Graph） - 采用图神经网络（GNN）捕捉设备间的拓扑关系 - 节点 = 设备/传感器，边 = 物料/能量流动关系 - 融合模块： - 将时间分支和空间分支的输出进行拼接（Concatenation） - 通过全连接层进行特征融合 - 输出统一的时空表征（Spatio-Temporal Representation） 优势： ● 相比传统LSTM/GRU，能捕捉更长期的依赖关系 ● 相比传统CNN，能处理非欧几里得结构的工业数据 ● 相比单独的时间或空间模型，预测精度提升15-20% 2. 多任务预训练（Multi-Task Pre-training） 创新点：采用多种预训练任务，增强模型泛化能力。 预训练任务： 1. Masked Language Modeling（MLM）： - 随机掩盖部分输入数据 - 训练模型预测被掩盖的数据 - 学习数据的内在结构 2. Next Sequence Prediction（NSP）： - 给定历史数据序列，预测未来数据序列 - 学习时间序列的动态演化规律 3. 工艺参数预测（Process Parameter Prediction, PPP）： - 给定输入条件（原料性质、操作参数），预测输出指标（产量、质量） - 学习工艺机理与数据驱动的结合 4. 异常检测（Anomaly Detection, AD）： - 训练模型识别正常与异常数据模式 - 学习设备正常运行的边界条件 优势： ● 多任务学习避免过拟合 ● 提升模型泛化能力 ● 加快下游任务的微调收敛速度 3. 知识增强（Knowledge Enhanced Learning） 创新点：将PID控制理论、化工原理、设备机理等先验知识嵌入神经网络，提升模型可解释性和工程实用性。 技术实现： 1. 物理约束嵌入： - 在损失函数中加入物理约束项 - 例如：质量守恒、能量守恒、动量守恒 - 确保模型预测符合物理规律 2. 机理模型融合： - 将机理模型（如反应动力学方程）与数据驱动模型结合 - 采用"机理+数据"混合建模方法 - 提升模型在稀缺数据场景下的表现 3. 专家规则注入： - 将工艺专家的经验规则编码为约束条件 - 例如："温度不得超过500℃" - 避免模型生成不安全的控制策略 优势： ● 提升模型可解释性（工程师能理解AI的决策依据） ● 减少训练数据需求（物理规律提供归纳偏置） ● 增强模型鲁棒性（避免违反物理规律的预测） 4. 联邦学习（Federated Learning） 创新点：支持跨工厂、跨企业的协同建模，在保护数据隐私的前提下实现模型持续优化。 应用场景： - 跨工厂协同：同一企业下不同工厂共享模型，但数据不离开本地 - 跨企业协同：不同企业联合训练模型，但商业机密数据不共享 - 供应链协同：上下游企业协同优化，但各自数据保密 技术架构： 1. 本地训练： - 每个工厂/企业在本地训练模型 - 数据不离开本地，确保隐私安全 2. 参数上传： - 各参与方上传模型参数（而非原始数据） - 通过加密通道传输（同态加密、差分隐私） 3. 参数聚合： - 中央服务器聚合各参与方的模型参数 - 采用联邦平均算法（FedAvg） 4. 模型下发： - 将聚合后的全局模型下发给各参与方 - 各参与方用全局模型更新本地模型 优势： ● 保护数据隐私（原始数据不共享） ● 提升模型泛化能力（利用多源数据） ● 符合监管要求（如GDPR、数据安全法） 5. 轻量化部署（Lightweight Deployment） 挑战：TPT大模型参数量达数百亿，难以在资源受限的工业边缘设备上实时推理。 解决方案： 1. 模型剪枝（Pruning）： - 去除冗余的神经元和连接 - 模型大小减少50-70% - 精度损失<2% 2. 模型量化（Quantization）： - FP32 → INT8 - 模型大小减少75% - 推理速度提升3-4倍 3. 知识蒸馏（Knowledge Distillation）： - 将大模型（教师）的知识迁移到小模型（学生） - 小模型达到大模型90%+的精度 - 模型大小减少90%+ 4. 硬件加速： - 利用GPU（NVIDIA Jetson、NVIDIA T4） - 利用FPGA（Xilinx Alveo） - 利用ASIC（华为昇腾、寒武纪） 性能指标： ● 推理延迟：<100ms（边缘设备） ● 模型大小：<500MB ● 精度损失：<2% ● 功耗：<50W 4 、解决方案优势 优势维度 | 详细说明 | 竞争优势 | | 30年流程工业经验，模型针对化工、石化等细分行业深度优化 | | | 提供从DCS硬件、边缘计算设备到AI软件的全栈解决方案 | | | | | | | | | | | | | |
详细优势分析 1. 行业深耕 中控技术在流程工业领域积累30年，对行业know-how理解深刻： - 工艺理解：深入理解化工、石化等行业的工艺机理 - 数据质量：训练数据来自实际工业场景，质量高、标注准 - 模型适配：针对流程工业特点（慢动态、大滞后、强耦合）优化算法 实际测试中，中控TPT大模型在以下任务中表现优异： ● 化工装置质量预测：R² = 0.92（通用大模型R² = 0.75） ● 石化装置故障预测：F1-Score = 0.89（通用大模型F1-Score = 0.72） ● 电力机组负荷预测：MAPE = 2.3%（通用大模型MAPE = 4.1%） 2. 软硬一体 中控技术提供全栈解决方案，避免"烟囱式"系统集成： - DCS硬件：提供高性能、高可靠的DCS系统 - 边缘计算设备：提供AI推理专用的边缘服务器 - AI软件平台：提供模型训练、部署、管理平台 - 工业APP：提供面向场景的应用软件 客户无需分别采购硬件、软件、AI平台，降低系统集成难度30%+，缩短部署周期40%+。 3. 性价比高 相比西门子、霍尼韦尔等进口厂商，中控技术解决方案价格低30-50%： 同时，中控技术提供本地化服务支持，服务响应时间比进口厂商快50%。 4. 快速部署 中控技术提供丰富的预训练模型库和行业模板： - 预训练模型库：包含100+个预训练模型，覆盖化工、石化、电力等行业 - 行业模板：包含50+个行业模板，用户只需上传数据即可快速建模 - AutoML工具：自动化特征工程、模型选择、超参数调优 新场景适配周期从传统的6个月缩短至2周，加速AI应用落地。 5. 自主可控 中控TPT大模型核心技术完全自主研发： - 算法自主：时空Transformer、多任务预训练等算法均为原创 - 平台自主：AI训练平台、推理引擎均为自主开发 - 硬件兼容：支持国产CPU（龙芯、飞腾）、国产GPU（华为昇腾、寒武纪） 符合信创要求，无"卡脖子"风险，特别适合关键基础设施领域（如石油化工、电力能源）。 6. 本土服务 中控技术在全国设有30+服务网点，提供7×24小时服务： - 响应时间：2小时内响应，24小时内到达现场 - 服务成本：比进口厂商低40% - 本地团队：工程师均熟悉中国工业场景和客户需求 5 、市场价值分析 营收与增长 中控技术近年来营收快速增长： - 2020年：营收28.2亿元 - 2021年：营收36.7亿元（+30.1%） - 2022年：营收41.3亿元（+12.5%） - 2023年：营收46.5亿元（+12.6%） 其中，AI相关业务占比从2020年的5%提升至2023年的15%，成为新的增长引擎。 毛利率与净利润 - 整体毛利率：约40-45% - 硬件产品毛利率：40-50% - 软件+服务毛利率：65-75% - 净利润率：约12-15% 随着AI软件+服务占比提升，公司整体毛利率和净利润率有望持续上升。 市场份额与竞争格局 DCS市场： ● 中控技术：38.6%（排名第一） ● 霍尼韦尔：18.2%（排名第二） ● 艾默生：15.7%（排名第三） ● 西门子：12.3%（排名第四） AI+FMCS市场（新兴市场，尚无权威统计）： ● 中控技术：约25%（估算，国内市场） ● 西门子：约20% ● 霍尼韦尔：约15% ● 其他：约40% 国际扩张 中控技术积极拓展海外市场： - 东南亚：在泰国、越南、印尼等国设立办事处 - 中东：参与沙特、阿联酋等国的石化项目 - 欧洲：通过并购当地企业进入市场 依托"一带一路"倡议，中控技术有望在海外市场取得突破。 生态构建 中控技术注重生态建设： - 高校合作：与清华大学、浙江大学、浙江工业大学等建立联合实验室 - 知识产权保护：累计申请专利500+件，其中AI相关专利100+件 - 开源贡献：开源部分工业AI工具（如工业数据预处理库） 2.6 典型客户案例 案例1：万华化学 客户背景 万华化学是中国领先的化工企业，全球最大的MDI（二苯基甲烷二异氰酸酯）生产商。宁波生产基地是万华化学的核心工厂，年产能达120万吨MDI。 应用需求 ● 提升MDI收率 ● 降低单位产品能耗 ● 减少非计划停车 解决方案 万华化学在宁波生产基地部署中控TPT大模型： 1. 工艺优化： - TPT模型分析历史生产数据，识别最优工艺参数组合 - 实时调整反应温度、压力、进料比等参数 - MDI收率提升8.5% 2. 能耗优化： - AI系统优化公用工程（蒸汽、电力、冷却水）供应 - 动态调整机组负荷，避免"大马拉小车" - 单位产品能耗降低12% 3. 预测性维护： - TPT模型实时监测设备健康状态 - 提前预测泵、压缩机、换热器等设备故障 - 预测准确率90%，减少非计划停车次数50% 实施效果 ● MDI收率提升：8.5% ● 单位产品能耗降低：12% ● 非计划停车减少：50% ● 年增效益：超过1.5亿元人民币 案例2：中国石化 客户背景 中国石化（Sinopec）是中国最大的石化企业，2023年营收约3.2万亿元人民币。镇海炼化、燕山石化等是中石化的核心炼化基地。 应用需求 ● 提升轻油收率 ● 降低能耗与排放 ● 提升产品合格率 解决方案 中石化在镇海炼化、燕山石化等基地采用中控AI解决方案： 1. 炼油过程优化： - TPT模型对常减压装置、催化裂化装置进行实时优化 - 动态调整操作参数（如炉温、回流比、剂油比） - 轻油收率提升2.3个百分点 2. 质量预测： - AI质量预测系统提前30分钟预测汽油辛烷值 - 指导操作员及时调整工艺 - 产品合格率提升至99.5% 3. 能耗与排放优化： - AI系统优化加热炉燃烧过程 - 降低燃料消耗，减少CO₂排放 - 单位产品能耗降低8%，碳排放减少10% 实施效果 ● 轻油收率提升：2.3个百分点 ● 年增效益：超过5亿元人民币（仅镇海炼化一家） ● 产品合格率：99.5% ● 碳排放减少：10% 案例3：荣盛石化 客户背景 荣盛石化是中国领先的民营石化企业，拥有全球最大的PTA（精对苯二甲酸）生产基地。舟山绿色石化基地是荣盛石化的核心项目，年产能4000万吨炼油、800万吨PX（对二甲苯）。 应用需求 ● 优化大炼化装置运行 ● 提升一体化优势 ● 降低运营成本 解决方案 荣盛石化在舟山基地部署中控全套智能化解决方案： 1. 全流程优化： - TPT模型覆盖从炼油到化工的全流程 - 实现上下游装置协同优化 - 整体经济效益提升5% 2. 智能物流： - AI优化原料与产品运输路径 - 减少库存积压，提升资金周转率 - 物流成本降低15% 3. 安全环保： - AI监测VOCs（挥发性有机物）排放 - 实时预警安全风险 - 环保罚款减少80% 实施效果 ● 整体经济效益提升：5% ● 物流成本降低：15% ● 环保罚款减少：80% ● 成为"智能工厂"标杆项目
| 
