[논문 리뷰] Artificial Intelligence Approaches for Predictive Maintenance in the Steel Industry: A Survey

Jakub Jakubowski, Natalia Wojak-Strzelecka외 5명|arXiv (Cornell University)|2024. 05. 21.

Quality and Safety in HealthcareHealth Professions인용 수 3

한 줄 요약

이 종합 검토는 철강 산업에서 인공지능 기반 예측 정비(PdM)에 관한 219篇의 연구를 종합하여 AI 방법, 데이터 유형 및 구현 과제를 분석한다. 연구 결과, 고로 및 핫롤링 밀에서 예측 정비를 위한 딥러닝의 사용이 증가하고 있음을 확인했으나, 강력한 기술적 진전에도 불구하고 실제 적용은 제한적이고 실질적인 영향은 낮은 것으로 나타났다.

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.

연구 동기 및 목표

• 철강 산업에서 인공지능 기반 예측 정비(PdM) 연구에 대한 종합적 개요를 제공하여 문헌에서 나타나는 중요한 격차를 메우는 것.
• 산업적 PdM 응용 분야에서 핵심 장비 유형, AI 방법, 데이터 특성 및 실질적 구현 과제를 규명하는 것.
• 제안된 인공지능 기반 PdM 솔루션의 사업적 영향력과 실제 산업 환경에서의 적용 가능성을 평가하는 것.
• 재현성 낮음, 산업 현장 적용 범위가 좁음, 연구자와 현장 전문가 간 협업 부족 등의 연구 격차를 부각하는 것.
• 미래 연구를 이끄는 데 기여하기 위해 사업 중심 평가의 필요성과 유지보수 전략에의 통합을 강조하는 것.

제안 방법

• 2,000건 이상의 초기 결과에서 219편의 관련 논문을 선별하기 위해 PRISMA 방법론을 활용한 체계적 문헌 검토.
• AI, 예측 정비, 철강 산업 관련 용어를 조합한 키워드 기반 검색을 통해 분야 특이성을 확보.
• 독립적인 리뷰어 선별 및 데이터 정제를 통해 방법론의 엄밀성 확보 및 선별 편향 최소화.
• 장비 유형, AI 기법, 데이터 출처, 사업적 영향력 등의 차원에서 선택된 논문들을 주제별 및 정량적으로 분석.
• PdM에 관련된 비AI 연구(예: 신호 처리, 통계 모델)도 포함하여 철강 생산에서의 PdM에 대한 더 넓은 맥락 제공.
• 생성형 AI 도구를 사용하지 않고, 데이터 처리 및 조직화를 지원하기 위한 맞춤형 자동화 스크립트를 활용한 수동 분석.

실험 결과

연구 질문

• RQ1 철강 산업에서 인공지능 기반 예측 정비 연구가 가장 자주 대상으로 삼는 장비와 생산 공정은 무엇인가?
• RQ2 주로 사용되는 AI 및 머신러닝 기법은 무엇이며, 시간이 지남에 따라 어떻게 변화해 왔는가?
• RQ3 이 연구들에서 가장 흔히 사용되는 데이터 출처(예: 센서 데이터, 이미지, 텍스트)는 무엇이며, 그 특성은 어떠한가?
• RQ4 제안된 PdM 솔루션의 실질적 구현 및 실제 산업 환경에서의 사업적 영향력은 어느 정도로 나타나는가?
• RQ5 현재 연구 분야의 주요 과제와 연구 격차는 무엇인가, 특히 재현성, 협업, 산업 통합 측면에서?

주요 결과

• 대부분의 연구는 고로와 핫롤링 밀이라는 두 핵심 철강 생산 단계를 중심으로 집중되어 있어, 이들가 고장 위험이 크고 유지보수가 중요시됨을 시사한다.
• 딥러닝이 주로 사용되는 AI 접근 방식으로, 고장 예측을 위한 복잡한 데이터 기반 모델로의 추세가 뚜렷하다.
• 90퍼센트 이상의 연구가 산업 장비에서 수집한 센서 데이터에 의존하고 있으나, 이미지나 텍스트의 사용은 제한적이며, 이는 다중모달 PdM 시스템 잠재력과는 대비된다.
• 강력한 기술적 발전에도 불구하고, 실제 생산 환경에서 실질적 구현이나 측정 가능한 사업적 영향력을 보고한 연구는 소수에 불과하다.
• 연구 성과와 산업 현장 적용 사이에 뚜렷한 격차가 존재하며, 대부분의 방법이 유지보수 계획이나 운영 워크플로우에 통합되지 못하고 있다.
• 연구는 대부분 고립된 팀에서 이루어져 협업이 부족하여 재현성이 낮고 산업 현장 적용으로의 진전이 느리다.