[論文レビュー] Artificial Intelligence Approaches for Predictive Maintenance in the Steel Industry: A Survey

Jakub Jakubowski, Natalia Wojak-Strzelecka+5 more|arXiv (Cornell University)|May 21, 2024

Quality and Safety in HealthcareHealth Professions被引用数 3

ひとこと要約

本サーベイは、スチール産業におけるAI駆動予知保全（PdM）に関する219件の研究を統合し、AI手法、データタイプ、実装上の課題を分析している。深層学習が高炉およびホットロールミルのPdMに急速に広がっているが、技術的進歩は著しいものの、実際の現場での導入は限定的で、実用的影響は低いことが明らかになった。

ABSTRACT

Predictive Maintenance (PdM) emerged as one of the pillars of Industry 4.0, and became crucial for enhancing operational efficiency, allowing to minimize downtime, extend lifespan of equipment, and prevent failures. A wide range of PdM tasks can be performed using Artificial Intelligence (AI) methods, which often use data generated from industrial sensors. The steel industry, which is an important branch of the global economy, is one of the potential beneficiaries of this trend, given its large environmental footprint, the globalized nature of the market, and the demanding working conditions. This survey synthesizes the current state of knowledge in the field of AI-based PdM within the steel industry and is addressed to researchers and practitioners. We identified 219 articles related to this topic and formulated five research questions, allowing us to gain a global perspective on current trends and the main research gaps. We examined equipment and facilities subjected to PdM, determined common PdM approaches, and identified trends in the AI methods used to develop these solutions. We explored the characteristics of the data used in the surveyed articles and assessed the practical implications of the research presented there. Most of the research focuses on the blast furnace or hot rolling, using data from industrial sensors. Current trends show increasing interest in the domain, especially in the use of deep learning. The main challenges include implementing the proposed methods in a production environment, incorporating them into maintenance plans, and enhancing the accessibility and reproducibility of the research.

研究の動機と目的

• 文献における重要なギャップを埋めるために、スチール産業におけるAIベースの予知保全（PdM）研究を包括的に統合する。
• 産業的PdM応用における主要な設備タイプ、AI手法、データ特性、実務的実装上の課題を特定する。
• スチール製造における提案されたAIベースのPdMソリューションのビジネス的影響および実際の適用可能性を評価する。
• 再現性の低さ、産業的導入の限界、研究者と実務家との間の不足した連携といった、主な研究ギャップを浮き彫りにする。
• 将来的な研究を導くために、ビジネス指向の評価と保守戦略への統合の必要性を強調する。

提案手法

• PRISMA手法を用いた体系的文献レビューにより、2,000件を超える初期結果から219件の関連論文を特定・選定した。
• AI、予知保全、スチール産業に関連する用語を組み合わせたキーワード検索により、分野特化性を確保した。
• 独立したレビュアーによるスクリーニングとデータキュレーションにより、メソドロジカルな厳密性を確保し、選定バイアスを低減した。
• 設備タイプ、AI技術、データソース、ビジネス的影響の次元で、選定論文をテーマ的および定量的に分析した。
• PdMの広い文脈を提供するため、非AI関連でも関連する研究（例：信号処理、統計モデル）を含めた。
• 生成型AIツールを用いず、データ処理および整理を支援するカスタム自動化スクリプトを活用した手動分析。

実験結果

リサーチクエスチョン

• RQ1 スチール産業において、AIベースのPdM研究が最も頻繁に標的にしている設備および生産工程は何か？
• RQ2 主に使用されているAIおよび機械学習手法は何か？また、時間経過とともにその傾向はどのように変化したか？
• RQ3 これらの研究で最も一般的に使用されているデータソース（例：センサデータ、画像、テキスト）は何か？その特徴は？
• RQ4 提案されたPdMソリューションのうち、実際の産業現場での実装およびビジネス的影響はどの程度達成されているか？
• RQ5 現在の研究活動における主な課題と研究ギャップ（再現性の低さ、協働の不足、産業統合の不十分さなど）は何か？

主な発見

• 研究の大部分は、故障リスクが高く保守が重要な2つの主要な鋼材生産工程、すなわち高炉およびホットロールミルに焦点を当てている。
• 深層学習が主要なAIアプローチとなっており、故障予測に向けた複雑でデータ駆動型のモデルへの傾向が顕著に表れている。
• 90％を超える研究が工業用機器からのセンサデータに依存しており、画像やテキストの使用は限定的であるが、マルチモーダルPdMシステムの可能性は無視できない。
• 技術的進歩は著しいものの、実際の生産環境で実装が確認されたり、測定可能なビジネス的影響が報告された研究はごくわずかである。
• 研究の成果と産業現場への実装の間には顕著なギャップがあり、多くの手法が保守計画や運用ワークフローに統合されていない。
• 研究は主に孤立したチームで行われており、協働が限定的であるため、再現性が低く、産業応用への進展も遅くなっている。