[论文解读] 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 3

一句话总结

本综述综合分析了219项关于钢铁行业中基于人工智能的预测性维护（PdM）的研究，分析了人工智能方法、数据类型及实施挑战。研究发现，深度学习在高炉和热轧生产线中的PdM应用日益增多，尽管技术进展显著，但实际部署有限，且在工业实践中影响较小。

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.

研究动机与目标

• 为钢铁行业中基于人工智能的预测性维护（PdM）研究提供全面综述，填补现有文献中的关键空白。
• 识别工业PdM应用中关键设备类型、人工智能方法、数据特征及实际实施挑战。
• 评估所提出的基于人工智能的PdM解决方案在钢铁制造中的商业影响与实际适用性。
• 突出研究空白，包括可复现性低、工业部署有限以及研究人员与实践者之间协作不足。
• 通过强调面向业务的评估需求与维护策略整合，为未来研究提供指导。

提出的方法

• 采用PRISMA方法论的系统性文献综述，从超过2,000项初步结果中筛选并确定219篇相关文献。
• 基于关键词搜索，结合人工智能、预测性维护与钢铁行业相关术语，确保研究领域特异性。
• 由独立评审员进行筛选与数据整理，确保方法严谨性并减少选择偏差。
• 对选定文献从设备类型、人工智能技术、数据来源与商业影响等维度进行主题分析与定量分析。
• 纳入非人工智能但相关的研究（如信号处理、统计模型），以提供钢铁生产中PdM的更广泛背景。
• 采用人工分析，未使用生成式AI工具，辅以自定义自动化脚本进行数据处理与组织。

实验结果

研究问题

• RQ1 钢铁行业中哪些设备与生产流程最常成为基于人工智能的PdM研究对象？
• RQ2 主要使用哪些人工智能与机器学习方法？这些方法随时间如何演变？
• RQ3 这些研究中最常使用的数据来源（如传感器数据、图像、文本）是什么？其特征如何？
• RQ4 所提出的PdM解决方案在真实工业环境中的实际部署与商业影响程度如何？
• RQ5 当前研究工作中的主要挑战与研究空白是什么，特别是在可复现性、协作与工业集成方面？

主要发现

• 大多数研究聚焦于钢铁生产的两个关键阶段：高炉与热轧生产线，表明其具有较高的故障风险与维护重要性。
• 深度学习是主导的人工智能方法，反映出向复杂、数据驱动模型用于故障预测的趋势日益增强。
• 超过90%的研究依赖工业设备的传感器数据，而图像或文本的使用有限，尽管它们在多模态PdM系统中具有潜力。
• 尽管技术发展强劲，仅有极少数研究报道了在真实生产环境中的实际部署或可衡量的商业影响。
• 研究产出与工业部署之间存在显著差距，大多数方法未集成至维护规划或操作流程中。
• 研究多由孤立团队开展，协作有限，导致可复现性低，且阻碍了向工业应用的推进。