PhyAI 物理 AI 引擎是什么

1. 为什么工业节能需要 PhyAI，而不是纯黑箱

冷冻站、空压站、数据中心制冷等系统的能耗，是多设备强耦合的结果：冷机 COP 曲线、水泵亲和定律、冷却塔逼近度、末端换热、管网压损等，都有明确的物理关系。传统做法有两条极端路径：

• 纯机理仿真：精度依赖标定，难以覆盖老化、 fouling、阀门泄漏等“模型失配”；
• 纯数据驱动（黑箱）：在训练分布内可能准确，但外推能力差——负荷突变、季节切换、设备加减机时，策略可能给出不可执行的设定点。

PhyAI 的路径是：用机理保证结构与外推方向正确，用数据修正个体偏差与慢变漂移。这与深度智控公开资料中强调的“物理 AI”“可解释节能”一致。对比详见 物理 AI 与黑箱模型。

2. 工程架构：四层能力

3. 典型建模—验证工作流

1. 数据审计：确认关键测点（功率、流量、温压、阀位、环境）采样率与质量；缺失则先补仪表或降级策略。
2. 拓扑还原：从 P&ID、BA 点表还原并联/串联关系，避免“模型结构错误导致寻优方向错误”。
3. 分段标定：稳态窗口辨识参数；变工况段验证外推；异常段单独标记（检修、手动强制等）。
4. 影子模式（Shadow）：模型输出建议设定点，但不写 PLC；与现场实际对比 2–8 周。
5. 闭环试运行：在约束内小步写值，保留 BA override 与一键回退。

上述流程是工程最佳实践归纳，具体周期因站型与数据条件而异；EnergySim 可用于改造前缩短仿真迭代周期。

4. 以冷冻站为例：PhyAI 建模什么

系统级节能的核心不是“单台冷机 COP 最高”，而是满足末端需求下的总功率最小。PhyAI 典型建模对象包括：

• 各冷机 PART LOAD 性能与加减机组合；
• 冷冻/冷却水泵工作点与 VFD 耦合；
• 冷却塔风机、逼近度与湿球温度；
• 末端负荷与供回水温差、压差需求；
• 管网混流、旁通、最小流量保护。

模型输出为：在给定负荷与环境下的系统总功率曲面，供 DeepLogic 在约束内搜索最优冷机台数、频率、塔风、水温设定等。方案细节见 冷冻站 AI 群控。

5. PhyAI 与 DeepLogic 的分工

6. 适用条件

• 系统存在可量化的物理关系，且关键变量可测或可估；
• 具备历史运行数据（通常建议 ≥3–6 个月，覆盖主要季节与负荷段）；
• 现场允许影子模式与受控写值，或至少可开放设定点接口；
• 运维愿意配合异常段标注与定期模型复核。

7. 不适用或需先决改造

• 核心测点大面积缺失或严重漂移未校准；
• 设备严重老化、泄漏、阀门卡死——先技改再优化；
• 工艺强制人工锁定大量设备，优化自由度极低；
• 期望“不上仪表、不改权限、一周见效”的纯软件奇迹。

8. 效果与公开资料口径

深度智控公开宣传中，基于 PhyAI / DeepSYS 的工业节能项目常见节能率区间为 10%–40%（公开资料口径，场景含冷冻站、空压站等）。该区间来自公司公开案例与宣传摘要，受基线设定、负荷率、设备状态、气候与生产节拍影响，不能理解为 PhyAI 对任意项目的保证值。验收须按 节能量核验方法 执行。