광업 AI 예측 정비: 결함 탐지 및 자산 관리

광업은 높은 생산성을 유지하면서도 예기치 않은 고장과 운영 비용을 최소화해야 하는 과제에 직면해 있습니다. 분쇄기, 컨베이어 벨트, 제분기, 환기 시스템 등 핵심 자산은 극한 환경에서 작동하여 마모와 고장 위험이 가속화됩니다. 기존 유지보수 전략은 예상치 못한 가동 중단, 안전 위험 및 경제적 손실을 방지하는 데 한계가 있습니다. 이러한 문제를 해결하기 위해 산업계는 머신러닝, 사물 인터넷, 디지털 트윈을 포함한 예측 모니터링 기술을 통합하여 초기 결함 감지 및 유지보수 전략을 최적화하고 있습니다. 본 체계적 문헌 검토는 Scopus 및 Web of Science에서 선별된 166개의 영향력 있는 연구를 분석하여 결함 감지 알고리즘, 하이브리드 AI 모델 및 실시간 모니터링 기술의 주요 동향을 파악했습니다. 연구 결과, 딥러닝, 강화 학습 및 디지털 트윈이 이상 감지 및 공정 최적화를 위해 점차 채택되고 있음이 확인되었습니다. 또한, AI 기반 방법은 센서 기반 데이터 수집 및 자산 관리를 개선하여 장비 수명을 연장하고 고장을 줄이는 데 기여하고 있습니다. 데이터 표준화, 모델 확장성, 시스템 상호 운용성과 같은 과제는 여전히 남아 있어 추가 연구가 필요합니다. 향후 연구는 실시간 AI 애플리케이션, 설명 가능한 모델, 그리고 학계-산업계 협력에 초점을 맞춰 지능형 유지보수 솔루션 구현을 가속화하고 광업 운영의 신뢰성, 효율성 및 지속 가능성을 높여야 할 것입니다.