
全面调查钢铁行业基于人工智能的预测性维护的现状和挑战
三个要点
✔️ 对 219 项有关预测性维护(PdM)的研究进行了分析,以确定钢铁行业使用人工智能的趋势和研究空白领域。
✔️ 利用深度学习进行异常检测和故障预测的研究取得了进展,特别是在高炉和热轧厂。
✔️ 在真实世界环境中的应用和提高可重复性被认为是未来的挑战,但缺乏实施实例。
Artificial Intelligence Approaches for Predictive Maintenance in the Steel Industry: A Survey
written by Jakub Jakubowski, Natalia Wojak-Strzelecka, Rita P. Ribeiro, Sepideh Pashami, Szymon Bobek, Joao Gama, Grzegorz J Nalepa
(Submitted on 21 May 2024)
Comments: Preprint submitted to Engineering Applications of Artificial Intelligence
Subjects: Artificial Intelligence (cs.AI)
code:![]()
本文所使用的图片要么来自论文、介绍性幻灯片,要么是参考这些图片制作的。
概述
本文总结了利用人工智能(AI)进行预测性维护(PdM)的 最新研究趋势,并对其应用,特别是在钢铁行业 的应用进行了全面调查。随着工业的不断数字化,作为工业 4.0(第四次工业革命) 的一部分,基于人工智能的设施管理正变得越来越重要。尤其是钢铁行业,使用大型设备并在恶劣的环境条件下运行,因此引入预测性维护可 在设备故障发生前加以预防,从而降低成本并提高安全性 。
本文基于以下五个研究问题(RQs),收集并分析了 219 篇关于人工智能驱动的项目管理(PdM)的研究论文。
- 哪些设备和设施需要进行预测性维护?
- 使用了哪些人工智能方法?
- 使用了哪些 PdM 方法?
- 使用了哪些数据?
- 这些方法对实体企业有何影响?
调查发现,有关高炉(Blast Furnace)和热轧机(Hot Rolling Mill)的研究尤为普遍 。此外,使用机器学习(ML)和深度学习(DL)进行异常检测和寿命预测也是主流 ,尤其是使用时间序列数据和传感器数据的方法得到了广泛研究。然而,研究也表明,这些方法在实际生产现场的应用仍然有限,要将研究成果投入实际应用,还需要克服更多的挑战。
相关研究
预测性维护(PdM)和智能工业
传统设备维护有三种方法
- 反应性维护
- 设备发生故障后进行维修的方法。出现意外停机,影响生产率。
- 预防性维护
- 提前进行定期检查,并按固定时间表更换部件。可以进行计划性维护,但可能会出现不必要的零件更换。
- 预测性维护 (PdM)
- 一种利用传感器数据和人工智能提前检测设备老化和异常的方法。可以在最佳时间进行维护,从而降低成本,提高效率。
基于人工智能的 PdM 方法
在人工智能技术的帮助下,PdM 采用了以下方法
- 异常检测
- 检测正常行为的偏差,并检测故障迹象。
- 故障诊断
- 找出故障原因并分析哪些组件受到影响。
- 剩余使用寿命 (RUL) 预测
- 预测设备可正常运行多长时间。
在这些任务中应用了各种机器学习方法,包括神经网络 (NN)、支持向量机 (SVM)、决策树 (Decision Trees) 和概率模型 (PRM) 。
建议方法
本文整理了现有的基于人工智能的 PdM 研究,并对钢铁行业的最新发展进行了系统分类 。主要分析方法包括
-
进行文献综述
- 219 篇文章来自Scopus、Web of Science、IEEE Xplore 和 ACM 数字图书馆 。
- 根据 PRISMA(系统综述和元分析首选报告项目)指南整理相关研究。
-
数据分类和分析
- 按设备类型分类(如高炉、轧机、连铸机等)。
- 人工智能方法分类(如 NN、SVM、决策树、概率模型)。
- 所用数据的特征(如时间序列数据、图像数据、传感器数据)。
具体来说,我们采用 PRISMA 指南对相关文献进行了系统性审查,确定了 219 项研究并对其进行了分类(见图 3)。
结果
使用 PdM 的设备
如图 9 所示,PdM 最常应用于以下设备。
- 高炉
- 热轧机
- 冷轧机
- 连铸机
人工智能方法的应用现状
- 使用最多的是 神经网络(NN)。特别是用于时间序列数据的LSTM 和 CNN 。
- 支持向量机(SVM )也被大量用于异常检测任务中。
- 决策树和随机森林 用于分类问题和异常检测。
预测性维护对业务的影响
- 减少停机时间:采用 PdM 后,设备停机时间可减少 20-50%。
- 节约成本:减少不必要的部件更换,每年可节约数百万美元。
结论
本文详细介绍了钢铁行业基于人工智能的预测性维护的研究趋势。特别是,它发现高炉和轧钢厂正在积极研究利用机器学习的预测性维护方法 。但也强调了以下问题
-
实际应用中的挑战
- 虽然在研究阶段已经达到了很高的精度,但在实际生产环境中的应用仍然有限。
- 数据质量控制和模型可解释性(可说明性)非常重要。
-
与新技术相结合
- 通过与物联网、边缘计算和云人工智能的整合,有望实现进一步优化。
我们认为这篇论文是一项非常有用的研究,因为它全面概述了钢铁行业的 PdM 现状。我们期待着未来的发展,因为在实际生产环境中引入 PdM 可以显著降低成本和提高安全性。
与本文相关的类别