Artificial Intelligence Approaches for Predictive Maintenance in the Steel Industry: A Survey

预测性维护（PdM）作为工业4.0的支柱之一崭露头角，成为提高运营效率、最小化停机时间、延长设备寿命和防止故障的关键。人工智能（AI）方法可以执行广泛的PdM任务，通常使用工业传感器生成的数据。钢铁行业是全球经济的重要分支，是这一趋势的潜在受益者之一，因为其具有巨大的环境足迹、全球化市场和苛刻的工作条件。本文综合了钢铁行业基于AI的PdM领域的当前知识状态，面向研究人员和实践者。我们确定了219篇与此主题相关的文章，并制定了五个研究问题，使我们能够全面了解当前趋势和主要研究空白。我们检查了受PdM影响的设备和设施，确定了常见的PdM方法，并确定了用于开发这些解决方案的AI方法的趋势。我们探索了在调查文章中使用的数据的特征，并评估了所呈现的研究的实际影响。大多数研究集中在高炉或热轧上，使用来自工业传感器的数据。目前的趋势显示出对该领域的越来越多的兴趣，特别是对深度学习的使用。主要挑战包括在生产环境中实施所提出的方法，将其纳入维护计划，并增强研究的可访问性和可重复性。

本论文旨在综述钢铁工业中基于人工智能的预测性维护（PdM）的研究现状和趋势，以及存在的挑战和问题。

通过对219篇相关论文的分析，总结出当前钢铁工业中PdM的常用方法和AI技术的应用趋势，发现深度学习成为研究热点。同时，论文指出实现这些方法的挑战包括将其应用于生产环境、纳入维护计划以及提高研究的可重复性等。

论文主要关注高炉和热轧这两种设备，使用工业传感器产生的数据进行研究。实验设计多样，研究数据集和开源代码也有所提及。值得深入研究的是如何将这些方法应用于实际生产中，以及如何提高研究的可重复性。

最近的相关研究包括： 1. A Review of Machine Learning and Artificial Intelligence for Smart Manufacturing: Challenges and Opportunities 2. An Overview of Machine Learning Applications in Industry 4.0: A Systematic Review and Future Directions 3. A Survey on Predictive Maintenance and its Industrial Applications