在现代化工厂中，如何在经济效益、能源效率和环境合规性之间达到最佳平衡变得越来越重要[1]。监管机构对工业排放有严格限制[2][3]。同时，经济压力要求在最小化运营成本的同时最大化有价值产品的产量[4]。尽管已经提出了一些严格的优化技术，如模型预测控制（MPC）和数字孪生技术，但由于模型维护要求、高计算成本以及对模型不匹配的敏感性，这些技术在大型商业工厂中的应用往往受到阻碍[5]。
虽然AI模型通常被用作化学过程中的预测工具[6]，但很少被扩展用于生成可操作的运营策略。只有少数研究专注于利用AIoT来最大化经济效益，尤其是在整个工厂范围内。尽管数字孪生技术已被广泛用于过程监控和预测，但在严格监管限制下的应用仍然有限[7][8]。
根据Santos等人（2025年）的最新研究[9]，由于缺乏详细的物理化学参数，数字孪生的预测精度可能有限，导致某些任务的R2值较低。此外，它们的数据覆盖范围通常比AIoT系统要窄。相比之下，在AIoT环境中，AI模型可以同时处理来自数千个传感点的高维数据[9]。
然而，据我们所知，尚未有研究将AIoT应用于化工厂的经济优化和合规性。尽管Ji等人描述了一个用于丙烯精馏塔的AIoT系统，但他们的研究范围仅限于单个单元[]。Min等人也为一个现有的化工厂开发了一个带有机器学习的IoT系统[10]，但他们没有考虑环境合规性。Fang等人提出了一个针对现有化工厂的运营指导方案。他们利用了“设计规范”功能，可以通过调整一个流程图变量来修正另一个变量[11]。然而，Aspen Plus流程图模拟的结果取决于初始猜测，如果初始猜测不合适，流程图可能无法收敛。
虽然现有文献主要关注AI在过程预测或实验室规模优化中的应用，但缺乏将DCS数据采集与商业规模工厂中的暴力优化相结合的集成AIoT框架。大多数现有研究将环境法规视为事后检查，而不是直接将其嵌入决策逻辑中[12][13][14][15]。因此，在优化过程中无法保证合规性。
为了填补这一研究空白，本研究开发了一个针对现有化工厂的AIoT系统，并利用它生成符合排放标准且具有最佳经济目标的运营指导。该AIoT系统建立在我们之前的工作[6]基础上，Liu等人在其中为现有化工厂开发了一个AI模型用于数据预测。在这项工作中，AI模型被扩展为一个考虑环境约束和运营利润的、具有法规意识的AIoT运营指导系统。
本研究调查了一个从COG中回收BTX的实际化工厂（图1）。选择这个特定的商业工厂是因为它提供了一个具有高度代表性和挑战性的实际应用场景。从焦炉煤气中回收BTX的过程受到严格的环境法规限制，特别是对处理后COG中BTX浓度的限制。同时，工厂旨在最大化轻质油的回收量，这使得合规性与经济效益之间的权衡尤为明显，使其成为测试所提出的基于AIoT的指导系统的理想场所。
为了满足环境法规，处理后COG中的BTX浓度必须保持在限制范围内。在每个处理步骤中，从DCS中收集不可控过程变量的最新值。基于这些条件，使用AI模型评估了大约1850万种可能的可控变量组合。预测违反排放规定的组合被过滤掉。在剩余的可行选项中，选择经济目标最高的组合并推荐给用户。对剩余数据集计算了经济指标，并在大约130秒内确定了最优情况的运营指导。与工厂实际使用的历史设置相比，AI推荐的策略可以使平均经济指标提高28.52%，同时完全符合排放法规。
与经济目标不同，排放限制是硬性约束。为了考虑AI模型中固有的预测误差，应用了安全边际。接近监管阈值的操作点本身具有更高的违规风险，需要特别小心。因此，本研究引入了警告机制。当预测的出口BTX浓度在监管限值的10%以内时，操作条件会被标记为高风险，并发出警告以提醒操作员。
总之，本研究通过将AI替代模型与硬性约束过滤机制相结合，开发了一个具有法规意识的、覆盖整个工厂的AIoT运营指导系统。首先通过过滤来确保排放合规，然后再进行优化，从而在优化之前消除所有预测违反BTX排放限制的操作条件，从而提高了对预测误差的鲁棒性。为了进一步管理操作风险，当预测排放量接近监管限值的10%时，实施了警告机制，并同时提供了更为保守的替代操作建议。与基于模拟或实验室规模的研究不同，这项工作展示了在商业规模化工厂中部署和验证一个完全功能的AIoT系统，弥合了理论数字孪生研究和实际工业应用之间的差距。
