在化工新材料领域，研发周期长、知识沉淀难、质量问题追溯慢等挑战长期存在，制约着企业创新效率与质量提升。近年来，随着人工智能技术在工业场景的逐步落地，一批融合行业know-how与AI能力的解决方案开始显现价值。
在“AI启未来——人工智能优秀应用案例征集活动”中，祈业（佛山）软件有限公司打造的“基于DeepSeek+RAG的化工新材料研发与质量追溯系统”（点击查看详情），正助力缩短研发周期，降低研发成本，推动化工行业从“经验驱动”迈向“数据驱动”。
智能研发
从“试错”到“预测”的跨越
传统化工研发多依赖技术人员的经验积累，配方优化常通过反复试验完成，存在试错成本高、知识复用率低等问题。该系统通过接入企业现有的PLM（产品生命周期管理）、MES（制造执行系统）及实验记录数据，构建覆盖配方、原料性能、工艺参数、检测报告等多源信息的向量化知识库。
系统采用DeepSeek大模型与动态RAG技术，支持在研发过程中实时检索历史数据并生成参考建议。与静态知识库不同，该系统具备增量更新能力快牛盘，可随研发和生产数据的持续输入动态优化知识内容。研发人员可通过自然语言提问，获取相似配方案例、工艺调整建议或潜在专利风险提示，辅助技术决策。
在算法层面，系统集成了随机森林、贝叶斯分类、梯度提升树（GBDT）等机器学习模型。例如，随机森林用于分析原料配比与性能指标之间的关联性，辅助关键成分筛选；梯度提升树则结合温度、压力、反应时间等工艺参数，对产品性能进行动态预测，为生产调整提供参考。
全链路追溯
打通质量管控“最后一公里”
除研发支持外，系统还实现了“配方—生产—质量”全链路数据贯通。通过整合PLM、MES与QMS（质量管理系统）的数据，可在出现质量问题时快速回溯生产全流程，识别可能的影响因素，如原料批次波动、工艺参数偏离或操作异常，将原本需数天的追溯过程缩短至分钟级。
这一能力有助于企业更高效地响应客户质量反馈，提升问题分析的准确性。同时，系统也可在售前阶段调用产品性能数据库与成本模型，结合客户需求生成初步技术方案，提高响应效率。
目前，该系统已在涂料油墨、树脂胶黏剂、助剂添加剂等细分领域开展应用。数据显示，部分试点企业研发周期平均缩短约60%，研发成本下降超30%，研发过程的数据依赖度逐步提升。
值得关注的是，当前AI在化工领域的应用仍面临挑战。例如，实验数据普遍样本量小、非结构化程度高，对模型的泛化能力提出更高要求；此外，如何提升大模型对实验记录、工艺笔记等文本的深层语义理解，以及在保障数据安全的前提下实现跨系统协同，仍是技术持续演进的关键方向。
随着工业AI从“能用”向“好用”迈进，如何将算法能力与行业实际场景深度融合，将成为决定技术落地成效的核心因素。
为你心中的AI优秀应用案例点赞！
由广东省人工智能与机器人产业创新发展工作领导小组办公室、广东省人工智能与机器人产业联盟指导，南方报业传媒集团（南方日报社）、广东省人工智能产业协会联合主办的“AI启未来——人工智能优秀应用案例征集活动”，现已进入案例展示与公众投票阶段。
即日起至10月12日，公众可在线浏览参评的优秀AI应用案例，并为您认可的创新案例点赞助力。欢迎点击这里参与投票，共同见证广东人工智能发展的最新实践。
从“能用”到“好用”！来为你心中的AI优秀应用案例点赞
南方+记者 昌道励 许宁宁快牛盘
淘配网官网入口提示：文章来自网络，不代表本站观点。
