Abstract
<jats:p>На сталелитейных предприятиях генерируются непрерывные многомерные данные с датчиков, работающих с термомеханически сложным оборудованием, однако доля этих данных, преобразуемых в полезную информацию для технического обслуживания с помощью машинного обучения, остается низкой. В данном систематическом обзоре рассматривается технологическая зрелость решений по прогнозируемому техническому обслуживанию на основе машинного обучения, применяемых во всей цепочке производства стали, с использованием структуры уровней готовности технологий машинного обучения (MLTRL) в качестве структурированной оценочной основы. В общей сложности было найдено 219 исследований путем систематического поиска в базах данных Scopus, Web of Science, IEEE Xplore и ACM Digital Library; после полнотекстового анализа 87 исследований были подвергнуты оценке готовности. Распределение оцененных исследований показывает выраженную концентрацию на уровнях MLTRL от 3 до 5, соответствующих проверке концепции на реальных промышленных данных без внедрения в производственных условиях. Менее 12% рассмотренных работ описывают интеграцию в рабочие процессы оперативного технического обслуживания с мониторингом после внедрения. В методологии оценки остаточного срока службы доминируют рекуррентные и сверточные архитектуры глубокого обучения, в то время как подходы на основе автокодировщиков получили распространение для обнаружения аномалий в условиях несбалансированности классов. Основные препятствия на пути повышения готовности определяются следующим образом: отсутствие общедоступных эталонных наборов данных, специфичных для сталелитейной промышленности; ограничения воспроизводимости, возникающие из-за проприетарных сред данных; и недостаточное соответствие между целями разработки алгоритмов и требованиями промышленной интеграции</jats:p> <jats:p>Steelmaking facilities generate continuous high-dimensional sensor data across thermomechanically demanding equipment, yet the proportion of that data translated into actionable maintenance intelligence through machine learning remains low. This systematic review examines the technological maturity of machine learning-based predictive maintenance solutions applied across the steel production chain, using the Machine Learning Technology Readiness Level (MLTRL) framework as a structured evaluative basis. A total of 219 studies were retrieved through systematic database search across Scopus, Web of Science, IEEE Xplore, and ACM Digital Library; after full-text screening, 87 were subjected to readiness assessment. The distribution of assessed studies reveals a pronounced concentration at MLTRL levels 3 through 5, corresponding to proof-of-concept validation on real industrial data without production-grade deployment. Fewer than 12% of reviewed contributions document integration into operational maintenance workflows with post-deployment monitoring. Recurrent and convolutional deep learning architectures dominate the methodological landscape for remaining useful life estimation, while autoencoder-based approaches have gained traction for anomaly detection under class-imbalanced conditions. The principal barriers to readiness advancement are identified as follows: absence of publicly accessible steel-specific benchmark datasets; reproducibility constraints arising from proprietary data environments; and insufficient alignment between algorithmic development objectives and industrial integration requirements</jats:p>