AI+LEGO面向对象的化工厂FEL设计

绿色化工模块化工程AI工程化RFQ-to-FIDEPC转型

大型绿色化工项目真正的瓶颈，往往不是“有没有AI”，而是企业是否把工程体系从一次性定制项目，重构为可配置、可继承、可验证、可审计的模块化产品体系。AI只有站在这样的“LEGO积木”底座上，才能把RFQ到FID的过程从漫长的手工推演，变成高速、透明、可复用的工程决策流水线。

过去很多大型化工、绿氢、绿氨项目，从客户发出RFQ或RFP，到项目真正走到FID，常常需要几年时间。原因并不复杂：技术路线要重新比较，工艺包要重新谈，设备规格要重新定义，成本估算要靠大量假设，风光资源要慢慢评估，PFD、P&ID、设备表、接口文件、HAZID、HAZOP、LOPA、SIL、FEED文件都要从头组织。项目越大，参与方越多，不确定性越高，越容易陷入“反复论证—反复修改—反复估算—反复质疑”的循环。

这不是传统设计院和EPC公司不努力，而是工作模式本身已经接近极限。传统模式像为每个客户重新做一套高级定制西装，从量体、选布、打版、试穿到返工，每一步都依赖老师傅经验。问题是，绿色化工项目正在进入规模化阶段，市场需要的不再是每个项目都从白纸开始，而是像“优衣库模式”：核心版型、尺码、供应链、质量控制已经标准化，客户根据身材选择合适型号，最多改一下裤脚、袖长和局部细节。对工程公司而言，这不是降低专业性，而是把专业性前置到模块、接口、数据和验证体系里。

所谓AI + LEGO，不是让AI凭空设计一座工厂，而是让AI在经过验证的模块库、接口库、仿真模板、成本数据库和安全案例库上工作。AI负责快速配置、计算、检索、对比、生成差异清单；工程师负责判断边界、审查关键假设、签署风险责任。

一、传统RFQ-to-FID为什么慢：每个项目都像重新发明一次轮子

传统大型项目的FEL阶段，本质上是逐步消除不确定性的过程。FEL1解决“这个项目大体可不可行”，FEL2解决“方案怎么选、范围怎么定”，FEL3或FEED解决“能不能带着足够精度进入采购、融资和建设”。这个逻辑没有错，但在新型绿色化工项目中，它暴露出三类结构性痛点。

第一，技术路线开放导致早期工作极其发散。电解采用什么技术，合成采用什么路线，空分如何配置，水处理边界在哪里，动态负荷如何管理，是否需要储能，是否分期建设，这些问题每个都可能牵动数十亿投资。只要没有标准模块，FEL1就会变成大型技术路线辩论会。

第二，成本估算缺少实绩锚点。早期估算通常依赖系数法、供应商口头报价、历史数据库和专家判断。对于成熟化工装置，这种方法勉强可用；对于绿氢绿氨一体化、风光波动驱动、动态合成耦合、海外认证复杂的新项目，误差会被层层放大。客户最怕的不是报价高，而是报价不可信。

第三，安全分析和工程文件大量重复。每个项目都要重新做HAZID、HAZOP、LOPA、SIL，每张P&ID都要重新审，每份设备数据表都要重新填，每个接口都要重新写。事实上，很多内容并不是全新设计，只是把已经成熟的单元在新的地点、新的容量、新的认证边界下重新组合。传统流程没有把“相同部分”和“差异部分”清楚拆开，于是工程师大量时间花在重复劳动上。

二、LEGO模块化：把“项目工程”变成“配置工程”

LEGO模块化的核心不是把设备装进集装箱，也不是简单预制化，而是把复杂装置拆成一组经过验证的工程对象。每个对象都有清晰的输入、输出、边界条件、设计余量、控制逻辑、接口文件、仿真模型、设备清单、成本参数和安全案例。这样，一个新项目不再是从白纸开始画，而是从模块目录开始配置。

以绿色氨或类似绿色化工项目为例，一个LEGO体系可以包括电解模块、水处理模块、空分模块、合成模块、储运模块、公用工程模块和数字化控制模块。每个模块可以有若干标准规格，例如小、中、大三档；模块之间通过标准接口文件连接，例如氢气压力、氮气纯度、纯水水质、冷却需求、电气接口、DCS信号、计量边界等。

这时，FEL1不再是“技术路线从零选择”，而是“根据客户目标、场地资源和认证要求，选择合适模块组合”。FEL2不再是“概念设计从零展开”，而是“继承成熟模板，识别差异，更新参数”。FEL3不再是“全厂FEED从零重做”，而是“标准模块内部继承，模块接口重点验证，场地特有部分重新设计”。这就是工程工作量从加法变成乘法、从手工变成配置的关键。

LEGO化工程对象应至少包含什么？

• 技术边界：模块输入、输出、设计容量、操作窗口、最低/最高负荷、启动停车条件。
• 接口文件：与上下游模块的物流、能量、仪表、电气、控制、通信和安全接口。
• 仿真模板：可被专业流程模拟软件调用的稳态和动态模型，而不是AI口算。
• 成本参数：设备采购、制造、运输、安装、调试、备件和预备费的参数化模型。
• 安全案例：标准HAZID、HAZOP节点、LOPA假设、SIL定级依据、操作经验和行动项关闭记录。
• 文件模板：PFD、P&ID、设备数据表、DBD、ICD、MR、技术协议和报告章节。

三、AI的真正角色：不是“替代工程师”，而是“工程加速器”

如果没有LEGO模块库，AI在工程项目中容易退化为“聪明的文字助理”：能写会议纪要、能总结报告、能生成漂亮的PPT，但无法真正缩短FID周期，也无法降低项目风险。因为工程项目的风险不在文字，而在边界条件、接口一致性、数据来源、仿真可信度、成本假设和安全责任。

在LEGO体系下，AI的角色完全不同。它不再是凭空回答问题，而是成为工程数据库、仿真模板、成本模型和安全案例库的调度员。它可以读取RFQ，抽取关键参数；可以调用风光资源时序分析，生成8760小时负荷曲线；可以根据产能和容量因子配置模块数量；可以调用专业仿真软件运行预验证模板；可以根据实绩成本数据库生成P10/P50/P90区间；可以从既有HAZOP库中检索类似节点，并标出哪些风险可以继承、哪些必须重新审查。

换句话说，AI不是“一个替代总工程师的大脑”，而是“一组受控的工程Agent”。每个Agent都有明确任务、输入、输出和人工审核节点。例如，RFP解析Agent只负责把客户需求结构化；资源分析Agent只负责风光水场地数据；配置优化Agent只负责给出模块组合；仿真Agent只负责驱动专业软件并读取结果；成本Agent只负责参数化估算；安全Agent只负责检索和生成差异化危害清单。最后由工程师和项目负责人做判断。

AI可以做什么

快速读取文件、提取需求、对比差异、调用模板、生成清单、发现冲突、形成多方案比较。

AI不能独立做什么

不能承担工艺安全责任，不能替代工程签字，不能凭空确认未知场地条件，不能直接给出商业承诺。

四、从RFQ到FID的新流程：一条可追踪的快速通道

一个成熟的AI + LEGO流程，可以把RFQ到FID拆成九个连续但可并行的步骤。每一步的目标不是“做出一份好看的报告”，而是减少一个关键不确定性。

1. RFQ/RFP智能解析：把客户语言变成工程参数

客户文件通常包含大量商务条款、技术要求、边界条件、时间节点和隐含假设。AI首先要做的是把这些非结构化文本变成结构化数据：项目地点、目标产量、产品规格、交付时间、认证要求、电力边界、水源条件、出口方式、合同模式、知识产权限制、当地化要求等。

这一步的价值在于快速识别“值得继续投入”的项目，以及那些从第一天就存在重大红灯的项目。例如，目标产量与当地可再生资源明显不匹配，水源条件不支持，出口认证边界不清，客户要求的FID时间不现实，或者合同风险明显超出企业承受范围。传统模式往往要几周讨论后才发现这些问题；AI结构化解析可以在早期把红黄绿信号列出来。

2. 8760小时资源建模：从年均值走向动态真实

绿色化工项目与传统化工最大的不同，是原料能源不再是稳定管道气或电网电，而是随时间波动的风、光、电。仅有年均容量因子是不够的，必须知道每小时的电力曲线、季节波动、连续低风低光时段、高负荷小时数、低负荷运行区间，以及这些波动如何传递到电解、储氢、合成和储运系统。

AI可以自动获取和清洗公开或商业气象数据，建立典型年8760小时曲线，再将曲线传递给模块配置和动态仿真系统。这样，早期方案不再是“某地资源好，所以项目可行”的粗略判断，而是“在该地点、该装机比例、该储能策略下，电解槽如何运行、年产氢多少、合成负荷如何波动、LCOA对容量因子有多敏感”的工程判断。

3. LEGO配置优化：让模块数量成为可计算结果

当目标产量、容量因子、产品规格和交付边界明确后，AI可以在标准模块库中选择组合。例如，需要多少电解模块、配套多少水处理单元、空分采用什么规格、合成模块采用单套大模块还是多套中模块、是否分期建设、是否预留二期接口。这个过程类似汽车平台选型：不是重新发明发动机和底盘，而是在成熟平台上选择适合市场、成本和交付节奏的配置。

配置优化不仅看技术可行，还看资本效率。一个项目可能有多种方案：一次建成、两期建设、先氢后氨、先满足本地消纳再出口、先用较少储能降低CAPEX、或增加储能提高利用小时。AI的优势在于可以快速生成多组方案，计算产量、投资、LCOA、建设节奏和主要风险，让管理层在几天内看到清晰选项，而不是等待几个月后的单一报告。

4. 专业仿真软件调用：AI负责驾驶，工程软件负责物理规律

这里必须强调一个底线：复杂化工计算不能让大模型凭语言直接“猜答案”。AI可以读懂需求、组织参数、调用工具、解释结果，但物料平衡、能量平衡、相平衡、压缩、换热、反应、动态响应等，仍应由经过验证的专业仿真软件和工程模型完成。

更合理的架构是：AI作为Orchestrator，调用预验证的工艺仿真模板，自动注入项目地点、温度、压力、负荷、水质、海拔和运行策略等参数；仿真软件完成收敛计算；AI再提取物料衡算、能耗、设备规格、异常结果和敏感性分析。这样既利用了AI的速度，又不把工程安全交给“语言模型的想象力”。

5. 参数化成本估算：从经验报价走向实绩报价

RFQ阶段最关键的问题之一是成本可信度。传统FEL1常见精度可能在±30%左右，因为设备规格、采购价格、模块制造费、运输安装费、调试费用和地区系数都有很大不确定性。LEGO体系的优势，是把主要设备和模块边界预定义，再用已建项目的真实采购、制造、运输、安装和调试数据校准成本模型。

这并不意味着早期估算可以神奇地变成最终结算价，而是可以把不确定性从“拍脑袋的大范围”收敛到“有依据的P10/P50/P90区间”。客户看到的不是一串漂亮数字，而是每个成本项如何随模块数量、地点、运输距离、地区施工系数、认证要求、分期方案变化。融资方和业主更容易相信这种估算，因为它来自工程对象和历史实绩，而不是泛泛的行业系数。

6. FEL1报告自动生成：报告不是目的，决策才是目的

当RFP解析、资源评估、模块配置、仿真结果、成本估算和风险清单都已经结构化，FEL1报告自然可以由AI快速生成。这里的核心不是省几天写作时间，而是确保报告每个结论都能追溯到数据源、模型和假设。

高质量FEL1报告应回答管理层最关心的几个问题：项目是否值得继续？主要红黄灯风险是什么？下一阶段必须验证哪几个假设？成本区间是多少？LCOA对哪些因素最敏感？模块化配置是否支持分期建设？与已建旗舰项目相比，哪些部分可以继承，哪些部分必须重新设计？

7. FEL2差异化工程：不再从草图开始画P&ID

传统FEL2常常需要从BFD、PFD、P&ID、设备清单、接口文件、HAZID一步步展开。LEGO-FEL2的逻辑则是“模板继承 + 差异化修改”。标准模块内部P&ID和设备数据表可以从成熟模板继承；模块间接口根据新项目参数更新；场地布置、土建基础、特殊水源、特殊出口设施、当地法规和认证要求则作为差异化工程重点处理。

这种方法的关键是把文件分成五类：直接复用、参数化继承、结构化修改、差异化编制、全新编制。AI可以先做文件分类和差异清单，工程师再集中精力处理真正变化的部分。对设计院而言，这是一种根本变化：工程师不再以“画了多少张图”体现价值，而是以“识别并控制了多少关键差异”体现价值。

8. FEL3/FEED差异化安全分析：继承成熟案例，聚焦新增风险

安全分析最不应该被简单自动化，但也最适合被知识库化。对于已经成熟运行的标准模块，其典型HAZOP节点、偏差、原因、后果、保护层、行动项和关闭经验，应该成为可检索、可继承、可审计的安全案例库。新项目需要做的不是盲目从零开始，而是确认哪些节点条件不变、哪些参数变化、哪些场地差异会引入新危害。

例如，同样的电解模块内部逻辑，如果压力等级、控制逻辑、设备供应、操作窗口没有实质变化，可以继承大部分成熟HAZOP成果；但如果水源从淡水变为海水，高海拔导致空分能耗和压缩条件变化，冷却方式从空冷变为水冷，出口方式从槽车变为码头装船，或新增特定认证计量边界，就必须进行差异化HAZID和重点HAZOP。

这就是安全工作从“全量重做”变为“三层结构”：标准节点继承、接口节点参数化验证、差异节点全新分析。AI可以帮助检索、对比、生成候选偏差和行动项，但最终安全责任必须由HAZOP主席、工艺安全专家和相关专业工程师承担。

9. FID决策包：把不确定性显性化，而不是隐藏起来

FID需要的不是最厚的报告，而是最清楚的决策包。AI + LEGO体系可以形成一套动态FID仪表盘：技术配置冻结状态、成本P10/P50/P90区间、长周期设备采购状态、接口关闭率、HAZOP行动项关闭率、许可与认证状态、关键合同风险、未关闭假设清单。每个风险都有责任人、关闭路径和对FID的影响。

这类决策包的价值在于，它不会把项目包装成“没有风险”，而是把风险分成可继承、可验证、可转移、可接受和不可接受几类。对业主、投资人、EPC和设备商而言，透明比乐观更重要。FID不是相信一个故事，而是相信一套可执行、可审计、可追责的工程体系。

五、为什么这会冲击传统设计院和EPC公司

AI + LEGO模式对传统设计院和EPC公司的冲击，不只是效率提升，而是价值链重排。过去很多设计院的核心收入来自人天、图纸、专业协调和反复修改；未来的核心竞争力将来自模块资产、接口标准、数据资产、仿真模板、安全案例库和AI工作流。

传统EPC习惯于项目制：项目来了，组建团队，做方案，出图，采购，施工，交付，人员再转到下一个项目。经验留在少数专家脑子里，文档分散在项目文件夹里，下一次项目仍然大量重复。模块化EPC则更像产品公司：持续维护模块库，持续更新成本数据库，持续积累安全案例，持续优化标准接口，持续训练AI工作流。每做一个项目，体系能力都增强一次。

这会改变人才结构。未来最有价值的不只是会画图的人，而是懂模块边界、懂接口控制、懂数据治理、懂AI工作流、懂工艺安全继承逻辑的人。设计院需要“模块产品经理”，EPC需要“配置工程师”，业主需要“数字化审查官”，安全团队需要“安全案例库管理员”，成本团队需要“参数化模型负责人”。

也就是说，工程公司的核心资产不再只是资质、专家和过往业绩，而是可复用的工程知识产权。谁拥有成熟模块、真实成本、运行数据、仿真模板和安全案例，谁就能更快响应客户、更早锁定方案、更准确报价、更低风险进入FID。

六、“优衣库模式”不是低端化，而是工业化

有人可能会误解：大型化工项目怎么能像买成衣？每个场地不同、法规不同、客户不同、气候不同，怎么可能标准化？这个质疑有道理，但它反驳的是“完全标准化”，不是“模块化配置”。

优衣库模式并不是所有人穿同一条裤子，而是通过标准版型覆盖大多数体型，再允许局部调整。工程项目也是如此。电解单元、水处理单元、空分单元、合成单元、公用工程单元可以高度标准化；场地条件、土建基础、总图布置、进出物流、当地法规、认证边界、并网条件和客户接口则差异化处理。标准化处理稳定部分，工程师处理变化部分，这才是正确分工。

定制西装模式的风险在于，每次都很精致，但每次都慢、贵、不可预测。优衣库模式的优势在于，核心质量、供应链和版型稳定，客户只需做有限调整。大型绿色化工项目未来也应如此：不是每个项目都重新设计一座工厂，而是在成熟模块平台上做差异化工程。

真正高级的工程公司，不是永远从零开始证明自己有能力，而是能把复杂经验沉淀为标准产品，又能清楚知道哪些地方不能标准化。标准化不是偷懒，而是把工程责任从“每次重新判断”变成“先继承已验证部分，再严肃审查差异部分”。

七、降低风险的关键：不是更快，而是更可控

AI + LEGO的价值不能只看速度。如果只是为了快，风险会被掩盖，甚至比传统模式更危险。真正有价值的是：在加速的同时，把不确定性拆解、暴露、量化和关闭。

第一，技术风险降低。因为核心模块已经过验证，设计边界清楚，运行窗口清楚，接口条件清楚。新项目不再赌一条全新路线，而是在成熟模块上组合。

第二，成本风险降低。因为主要设备和模块成本来自真实项目实绩，成本模型按模块数量、地区系数、物流距离和场地条件调整，而不是泛泛套用行业系数。

第三，进度风险降低。因为长周期设备、标准模块、文件模板和接口清单在早期就被识别，采购策略可以更早启动，项目团队不会等到FEED后期才发现关键设备边界不清。

第四，安全风险降低。因为成熟模块的安全案例可以继承，专家资源集中在差异化节点上，避免把时间浪费在重复讨论上，也避免真正的新风险被淹没在海量标准节点中。

第五，组织风险降低。因为AI工作流会强制留下痕迹：输入是什么，模板来自哪里，参数如何修改，哪些结论由AI生成，哪些由工程师审核，哪些假设仍未关闭。这种可追溯性，本身就是工程质量的一部分。

八、必须保留的人工判断：AI不能替代工程签字

再强的AI，也不能跳过工程师责任。尤其在大型化工项目中，至少有五类判断必须由人完成。

• 客户真实意图判断：RFQ文字可以解析，但客户背后的融资压力、竞争格局、决策偏好，需要商务和项目负责人判断。
• 合同和报价策略：AI可以给成本区间，不能替企业承担固定价EPC、性能保证、违约责任和汇率风险。
• 场地本地化风险：公开数据可以初筛，最终仍需本地勘察、法规咨询、社区沟通和许可确认。
• 工艺安全签署：AI可以生成偏差候选和保护层建议，但HAZOP、LOPA、SIL结论必须由合格专家审查。
• 对外承诺：LCOA、建设周期、产量保证、可用率保证，都是公司信誉，不应由AI自动承诺。

因此，一个健康的AI + LEGO体系必须采用Human-in-the-Loop机制。AI输出不是最终结论，而是工程师审查的初稿；AI生成的差异清单不是安全结论，而是安全工作坊的输入；AI生成的成本区间不是报价，而是商务决策的依据。速度越快，治理越要严格。

九、落地路线：从文件库开始，而不是从买软件开始

很多企业谈AI转型，第一反应是买一个工具、建一个平台、训练一个模型。对工程公司而言，这不是第一步。第一步应该是清点自己的工程资产：哪些模块可以标准化？哪些接口可以固化？哪些项目数据可以结构化？哪些HAZOP记录可以入库？哪些成本数据可以脱敏后建模？哪些P&ID和设备表可以做成模板？

一个务实的落地路径可以分五步。

1. 建立模块目录：把成熟单元定义为可配置工程对象，明确技术参数、接口边界和适用范围。
2. 建立项目实绩数据库：沉淀采购、建造、运输、安装、调试、运行能耗和维护数据。
3. 建立仿真模板库：让AI能够调用专业仿真模型，而不是直接生成工程结果。
4. 建立安全案例库：结构化HAZID、HAZOP、LOPA、SIL和行动项关闭经验。
5. 建立AI工作流：让RFP解析、配置优化、成本估算、文件生成、差异化审查形成闭环。

做到这一步以后，AI才真正有工程意义。否则，AI只能让报告写得更快，却无法让FID更可信。

十、结语：未来的EPC竞争，不是人多，而是体系强

大型绿色化工正在从示范项目走向规模化复制。这个阶段最重要的能力，不再是“我们可以为你从零设计一切”，而是“我们已经把关键技术做成可验证的模块，可以根据你的场地、产量和认证要求快速配置，并清楚告诉你哪些地方需要重新工程化”。

AI + LEGO模式带来的，不只是速度提升，而是工程行业的一次思维迁移：从项目制到产品制，从经验驱动到数据驱动，从全量设计到差异化工程，从文档交付到决策交付，从专家个人能力到组织知识资产。

对于传统设计院和EPC公司，这既是挑战，也是机会。挑战在于，靠重复画图和堆人天的模式会越来越难；机会在于，真正懂工程、懂安全、懂成本、懂模块化的公司，可以借AI把多年经验放大成平台能力。

未来最有竞争力的工程公司，可能不是每次都为客户做一套“定制西装”的公司，而是拥有稳定版型、强大供应链、可追溯质量体系和快速调整能力的公司。大部分工程内容像优衣库一样高效、标准、可靠；真正需要改裤脚的地方，再由资深工程师精修。这才是AI时代大型工程项目从RFQ走向FID的正确打开方式。