壁厚剩3毫米，AI把大修推后4年

炼化装置最烧钱的事故，往往不是爆炸，是渗漏。一个不起眼的小接管腐蚀穿孔，介质喷出来，装置被迫降量，上下游跟着停摆，修一次动辄几百万到上千万。我见过一份内部统计，某炼厂一套常减压装置三年里因为腐蚀泄漏停了四次，平均一次直接加间接损失超过三千万。

腐蚀不是设备老化，是每天都在发生的「慢性病」。 它藏在保温层下、焊缝里、小接管根部，肉眼根本看不见。传统做法靠定期测厚，一年或两年做一次，等发现壁厚只剩3毫米的时候，往往离漏已经不远了。

但这两年，国内几家炼厂开始换打法：用AI把腐蚀从「定期体检」变成「实时监护」。结果很直接——大修周期从一年推到四年，腐蚀泄漏率下降四成以上。我把这条线的案例串了一遍，发现这背后不是模型炫技，而是一套数据闭环在起作用。

· · ·

一、腐蚀最难的，不是治，是发现太晚

炼化装置的腐蚀主要在高、低温两个战场。高温部位是硫、环烷酸在「啃」金属；低温部位是塔顶冷凝系统里的氯离子、硫化氢变成酸液，点蚀一穿就是一个孔。共同点是：发生的时候你都看不见。

锦州石化是最早一批把腐蚀监测搬上数据平台的炼厂。2022年他们自主研发的「防腐预警预估平台」上线，把工艺操作条件、实验室分析数据、腐蚀监测数据和历年评估模型拢到一块儿。现在能做到实时报警、动态评估、分级管控，关键部位的腐蚀风险不再靠人巡，而是靠数据画出来的趋势说了算。

大庆炼化走得更细。他们搞了防腐蚀网格化管理，把装置现场划成三级责任网格，定点定位监测。今年靠脉冲涡流扫查，有效扫查面积预计997平方米，比去年提高2.1倍。同时加装智能在线监测系统，自动生成腐蚀速率曲线，出现异常就预警。

这两家炼厂的共同点：不是买了更贵的探头，而是把探头和工艺数据、历史经验连成了闭环。 没有后面这一步，探头就只是一个数字，变不成决策。

· · ·

二、AI怎么把腐蚀算出来？靠三条线交叉

腐蚀预测本质上是个多变量拟合问题。温度、流速、硫含量、氯含量、介质相态、材质等级、运行年限，这些因素一起决定某一点的腐蚀速率。人脑能算个大概，但算不准动态变化。

中石化安全工程研究院这套技术很有代表性。他们干了八年，研制了2套感知装备和3套智能管控装备，建立了多因素耦合的高温腐蚀数据库和基于流速修正的高温腐蚀预测模型。2024年在青岛炼化、普光分公司、济南炼化等7家企业应用后，腐蚀泄漏率下降42.3%，直接和间接经济效益2.79亿元。

打法可以拆成三段：

第一段是感知。 不只是测厚，还要把工艺参数、介质成分、流态相态一起抓。比如蒸馏塔顶含硫污水，他们做了氨氮、铁、氯、pH四合一实时在线监测，以前靠人工取样送化验，现在几分钟一次自动回传。

第二段是评估。 用含电解质相平衡模型、高温硫和环烷酸腐蚀模型，把工艺条件翻译成腐蚀速率。关键一步是「流速修正」，同样温度和硫含量，流速高一倍，腐蚀可能差几倍。

第三段是决策。 把在线监测、检测检验、腐蚀模型和企业管理流程拢到一个平台上，AI辅助判断，告诉防腐工程师哪根管线该重点关注、哪该调整注剂、哪该提前换管。

最近他们还把这个体系输出到了系统外，和北方华锦签了整套「装置防腐蚀监测及诊断分析系统」。这是全数据链技术第一次走出中石化体系，说明这条路开始产品化了。

▲ 腐蚀预测三层架构

· · ·

三、海外早跑了十年，差距在测量密度

国内不是最先干的。Shell 在预测性维护上布局更早，全球几十万台传感器回传数据，靠AI预测设备失效，每年省下约1亿美元级别的非计划停机成本。他们的打法不是单点预测，而是把设备可靠性数据、工艺数据、检维修记录全串起来，形成一个腐蚀和机械失效的联合画像。

BP 在 refining 上也用了类似思路。部分炼厂部署AI后，把维护相关的中断减少了25%，炼厂吞吐效率提升了20%。背后的逻辑和锦州石化、青岛炼化一样：不是模型本身有多神，是测量点足够密、历史数据足够长，模型才敢下判断。

我们和海外差距不在大模型，而在两点：

一是测量基础设施。 海外大炼厂的在线腐蚀探针、壁厚监测、红外热成像覆盖密度更高。国内很多炼厂还停留在一年一次定点测厚，数据太稀疏，AI算出来也不敢信。

二是失效样本库。 腐蚀模型要准，得有大量「真实腐蚀到漏」的案例喂给它。海外炼厂数据积累时间长，失效样本多，模型迭代就快。国内这几年才密集上AI，样本库还在建。

但国内有一个优势：场景密度。 炼厂数量多、装置类型全、腐蚀介质复杂，只要数据治理跟得上，三到五年内追平甚至局部反超是可能的。

▲ 中外腐蚀预测对照

· · ·

四、跟我之前讲的有什么关系

这不是孤立话题。我之前写过炼化装置AI优化一年增效5400万，那是工艺参数优化；写过炼化机泵出事前5天AI先知道，那是转动设备预测性维护；还写过长输管道AI听诊，把误报压到1%以下。腐蚀预测和它们共享同一套底层逻辑：先让数据连续，再用模型找异常，最后用闭环验证。

区别只在对象：工艺优化盯收率和能耗，机泵预测盯振动和电流，腐蚀预测盯壁厚减薄和介质侵蚀。三件事合在一起，才是炼化装置「长满安稳优」运行的完整AI底盘。

· · ·

五、给你的三个建议

如果你负责炼化装置的防腐或设备管理，建议先做三件事：

第一，别等漏了再治，把监测点前移到高风险部位。 保温层下腐蚀、小接管焊缝、塔顶低温系统，是最该优先布点的位置。不是全厂铺开，而是先守住「漏一次就赔大钱」的少数点。

第二，模型不是越复杂越好，历史腐蚀数据才是护城河。 能把历年测厚数据、检修记录、失效案例整理清楚，价值可能比上一个大模型还大。数据残缺，模型再花哨也算不准。

第三，让防腐工程师从「消防员」变成「分析师」。 AI不是替代他们，而是把「到处救火」的时间省下来，让他们去研究腐蚀机理、优化注剂策略、判断哪些模型结果可信。

· · ·

六、写在最后

腐蚀说到底不是技术难题，是时间难题。等漏了再修，代价是停产、安全和钱；提前半年甚至一年看到趋势，就可以把大修从「一年一次」推到「四年一次」。

这不只是炼化行业的事。任何有高温、高压、腐蚀性介质的装置，都一样。区别只在于，你愿意什么时候开始用数据看趋势，而不是用眼睛看结果。

如果你正在做炼化装置的防腐管理，或者正在为明年的大修预算头疼，关注「知金圈」，我会持续拆解从腐蚀监测到预测性维护的实战路径。

如果觉得有用，点个赞让我知道。转发给你的设备厂长和防腐工程师——他们会是第一批从这套闭环里受益的人。

你们厂的高风险腐蚀点，现在还靠定期测厚还是在线监测？最近一次因为腐蚀导致的非计划停机是什么时候？ 评论区聊聊。