基于人工智能的预测性维护对钢铁行业具有重要意义，通过使用来自工业传感器的数据，可以提高操作效率、减少停机时间、延长设备寿命并预防故障。调查与钢铁行业中基于人工智能的预测性维护相关的文章，研究设备和设施，确定常见的预测性维护方法，并了解使用这些解决方案开发的人工智能方法的趋势。最主要的挑战包括将提出的方法应用于生产环境、将其纳入维护计划中，并提高研究的可访问性和可复现性。

May, 2024

在计算连续体系统中，维护领域正随着人工智能（AI）的整合而快速发展。本文重点调查了计算连续体中预测性维护（Pd.M.）的当前状态，并注重可扩展 AI 技术的结合。通过综合研究领域内最新进展的发现，本文提供了实施基于 AI 的预测性维护的效果和挑战的见解，强调了在 AI 时代需要继续研究和发展更智能、高效和经济的维护解决方案的趋势。

Apr, 2024

通过使用人工智能和机器学习来预测最佳维护时间，预测性维护是一套经过深入研究的技术集合，旨在延长机械系统的使用寿命。当这些方法被应用于更为严重且潜在危及生命的应用时，人类操作员需要对预测系统产生信任，这就引入了可解释的人工智能 (XAI) 领域，以提高用户对预测系统的信任度和性能.

Jan, 2024

提出一种端到端的方法，通过分析不同类型的对抗攻击并提出新的对抗性防御技术，设计对抗性强的预测性维修系统，利用 NASA 的 turbofan 引擎数据集进行评估，表明近似对抗性训练可以显著提高预测性维修模型的鲁棒性，同时提供比现有最先进的预测性维修防御方法多出 3 倍的鲁棒性。

Jan, 2023

在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

Jan, 2024

通过评估现有的预测性维护方法并提出创新性框架，本研究介绍一种基于人工智能和工业互联网的智能化维护框架，包括概率可靠性建模和深度学习等最新机器学习算法，并利用涡轮风扇引擎退化数据集验证了新颖的概率深度学习可靠性建模方法。

Sep, 2020

本文旨在利用 PRISMA 的方法对使用数据驱动的方法提高冷轧机多故障诊断的工业旋转机器进行系统文献综述，涉及传感器选择、数据获取、特征提取、多传感器数据融合等方面，探讨人工智能技术的应用及其面临的主要挑战和研究空白，并提出了未来研究的方向。

May, 2022

本文强调了现有可解释人工智能的方法与行业应用之间的鸿沟，并探讨了特定于预测维护领域的解释方案的需求和不同目的，列举和描述了通常在文献中使用的可解释人工智能技术，最后展示了四个特定的工业用途案例。

Jun, 2023

在预测健康管理领域，本文提供了关于利用 PHM 数据挑战竞赛的开源数据集进行工业系统诊断和预测的机器学习方法的综述，并总结了一个统一的机器学习框架，强调了传统机器学习和深度学习在解决复杂工业任务方面的作用和挑战。

Dec, 2023

这篇论文提出利用数字孪生解决预测性维护（PMx）面临的挑战，并促进大规模的自动化 PMx 应用，为此提供了一个基于需求的路线图，包括信息需求和功能需求的系统方法，并进行了文献综述以确定进一步的研究方向。

Nov, 2023