{
  "code": "21514QA05",
  "factory_name": "壳牌卡塔尔GTL",
  "batch": 14,
  "type": "生产效率",
  "country": "卡塔尔",
  "city": "卡塔尔 · 拉斯拉凡",
  "province": "拉斯拉凡",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "流程工业 · 原油加工/合成油",
  "release_date": "2025年09月",
  "quote": "全球最大GTL工厂，日均26万桶液体燃料产能，45项4IR方案将可靠性推至99%、设备寿命延长50%——这是流程工业数字化转型的天花板。",
  "use_cases": [
    {
      "num": "①",
      "title": "① AI结构完整性管理 核心用例",
      "pain": "⚠️ 痛点：GTL工厂涉及高温高压反应器、数千公里管道，传统人工巡检无法覆盖全部设备，腐蚀和壁厚减薄隐蔽性强，一旦泄漏后果严重。",
      "idea": "💡 方案：构建数字孪生 + AI驱动的结构完整性管理平台，实现从\"定期巡检\"到\"实时预测\"的范式转变。",
      "steps": "Step 1 — 数字化建模：建立全厂数字孪生平台，对管道、反应器、储罐等关键资产进行三维数字化建模，整合设计参数、运行数据和历史维修记录。 Step 2 — 智能传感部署：在关键监测点部署无线壁厚监测传感器(WAND-TMS)，利用NDE 4.0技术实现连续数据采集，替代传统定期超声波测厚。 Step 3 — AI模型训练：基于历史腐蚀数据和运行参数训练机器学习模型，预测关键设备的剩余壁厚和退化速率，识别高腐蚀风险区域。 Step 4 — 实时预警联动：将AI预测结果与操作控制系统集成，当监测到异常退化趋势时自动触发维护工单，实现从被动响应到主动干预的闭环。",
      "key_data": "📊 核心成效：设备寿命延长50%（5年内），从被动维修转向预测性维护，避免非计划停机每年节省数百万美元。",
      "tags": [
        "03.01.01",
        "05.01.02",
        "01.03.01"
      ],
      "tech_descs": [
        "基于Shell全球统一数字孪生框架，创建Pearl GTL工厂的全栈数字镜像，集成SAP维护数据、实时传感器数据和工程设计模型，支持\"假设分析\"场景模拟。",
        "基于5年+历史壁厚测量数据训练梯度提升树(GBDT)和LSTM时序模型，预测各监测点未来6-12个月的壁厚变化趋势，提前识别临界风险点。",
        "部署Inductosense WAND-TMS永久式无线超声传感器，通过WAND-Online网关实现数据自动采集和远程传输，测量精度±0.01mm，覆盖管道弯头、三通等易腐蚀部位。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② 一线团队赋能 核心用例",
      "pain": "⚠️ 痛点：Pearl GTL占地相当于一个城市，操作人员在现场巡检时获取实时数据和专家支持的效率低下，纸质工单和手动记录导致信息延迟和错误。",
      "idea": "💡 方案：通过智能穿戴设备和移动数字平台，将实时数据和分析结果直接推送到一线操作人员手中，实现\"数据找人而非人找数据\"。",
      "steps": "Step 1 — 移动终端部署：为一线操作人员配备防爆iPad和RealWear头戴式智能设备，替换纸质巡检单和手动记录流程，数据采集效率提升3倍以上。 Step 2 — 实时数据贯通：将数字孪生平台的AI预测结果、设备健康状态和异常告警直接推送至一线人员设备，操作工在现场即可查看管线壁厚趋势和风险等级。 Step 3 — 远程专家协作：通过RealWear摄像头功能实现\"所见即所得\"的远程专家支持，操作人员可将现场画面实时传输给控制中心工程师，获得即时诊断和操作指导。 Step 4 — AI辅助决策：在移动端集成AI安全监控（机器视觉自动识别不安全行为）和设备健康度评分，一线人员在执行任务前可获得风险提示和操作建议。 Step 5 — 文化变革推动：建立联合数字工作小组(Integrated Digital Pod)，Shell、QatarEnergy和技术供应商三方协作，推动\"技术+人\"的融合文化。",
      "key_data": "📊 核心成效：大幅降低人工巡检依赖，实时数据推送减少决策延迟，一线团队响应速度显著提升，为工厂连续安全运行提供保障。",
      "tags": [
        "01.02.01",
        "07.01.02"
      ],
      "tech_descs": [
        "RealWear Navigator 520防爆智能头盔，支持语音控制、1080p视频传输和AR叠加显示，适用于Zone 1防爆区域，操作人员解放双手实时获取设备数据。",
        "基于Shell自研IIoT平台构建统一数据主干，连接现场传感器、移动终端和中央控制系统，实现数据毫秒级同步。连续两年获Shell Asset of the Year，2023年获Digital Asset of the Year。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ 资产可靠性优化 核心用例",
      "pain": "⚠️ 痛点：全球最大GTL工厂拥有数万台旋转设备和静设备，传统基于固定周期的预防性维护导致\"过度维护\"与\"欠维护\"并存，产能损失和维修成本居高不下。",
      "idea": "💡 方案：基于AI预测性维护和实时性能监控，将可靠性从行业平均90%提升至99%，同时降低维护成本和排放。",
      "steps": "Step 1 — 设备健康数据采集：在关键旋转设备（压缩机、泵、涡轮）上部署振动传感器、温度传感器和油液分析仪，实时采集设备运行状态参数。 Step 2 — AI预测模型构建：基于设备运行历史数据训练机器学习模型，预测关键设备的剩余可用寿命(RUL)和故障概率，优化维护窗口安排。 Step 3 — 智能维护调度：将AI预测结果与生产计划系统联动，自动生成最优维护排程，避免与高负荷生产期冲突，同时确保设备在安全裕度内运行。 Step 4 — 闭环优化提升：每次维护后采集实际故障数据和AI预测偏差，持续训练模型提升预测精度，形成\"预测→验证→优化\"的闭环。",
      "key_data": "📊 核心成效：可靠性提升至99%，现场吞吐量提高9%，排放量降低7%。Shell内部连续两年获Asset of the Year、2023年Digital Asset of the Year。",
      "tags": [
        "05.01.01",
        "03.02.01",
        "08.01.02"
      ],
      "tech_descs": [
        "采用XGBoost+随机森林集成模型，对压缩机振动频谱进行实时分析，识别早期故障模式（轴承磨损、不平衡、对中偏差），提前14-30天预警，维护成本降低约20%。",
        "基于Shell全球APM(Asset Performance Management)平台，集成SAP PM模块、实时运行数据和AI预测结果，实现从\"修什么\"到\"何时修\"的智能决策转型。",
        "部署AI机器视觉系统，自动识别高风险区域的违规行为（未戴安全帽、越界进入、危险动作），实时提醒主管和安全团队，从被动事故调查转为主动风险预防。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "现场吞吐量",
      "improvement": "↑ 9%",
      "domain": "约26万桶/天",
      "tech": "同等设备条件下多产液态碳氢化合物，直接转化为营收增长"
    },
    {
      "metric": "设备可靠性",
      "improvement": "↑ 9pp",
      "domain": "99%",
      "tech": "近乎满负荷连续运行，非计划停机大幅减少，维修成本显著降低"
    },
    {
      "metric": "排放量",
      "improvement": "↓ 7%",
      "domain": "减少7%",
      "tech": "流程优化和高效设备管理直接降低温室气体排放，助力Shell净零目标"
    },
    {
      "metric": "设备寿命",
      "improvement": "↑ 50%",
      "domain": "延长50%",
      "tech": "5年内设备寿命延长一半，推迟大规模资产置换投入，节省资本支出"
    }
  ]
}