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

预测模型 25/02/2025

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。

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）。