INTELLIGENT DIAGNOSTICS OF AUTOMOTIVE FAULTS WITH MACHINE LEARNING
REGISTRO DOI: 10.69849/revistaft/ni10202511162047
Jhenifer Naiara Alexandrin de Souza1
João Henrique Gião Borges2
Fabiana Florian3
RESUMO
Este trabalho apresenta um sistema inteligente para identificar falhas em veículos, empregando métodos de aprendizado de máquina. A complexidade crescente dos sistemas automotivos, associada ao elevado custo da manutenção corretiva, reforça a importância de soluções preditivas baseadas em inteligência artificial. Para conduzir esta pesquisa, foram coletados e simulados dados de sensores automotivos, incluindo a temperatura do motor, pressão de óleo, vibrações e rotações por minuto (RPM). Esses dados passaram por um processo de preparação, onde foram normalizados e tratados para eliminar anomalias, e depois utilizados para treinar modelos supervisionados, destacando-se o algoritmo Random Forest. As métricas de avaliação empregadas, como correção, precisão, recall e matriz de confusão, mostraram resultados satisfatórios no diagnóstico preditivo de falhas. Os desafios enfrentados incluem a qualidade e a quantidade de dados disponíveis, a complexidade dos sistemas automotivos atuais e o custo computacional associado a modelos mais sofisticados. Os achados sugerem que a aplicação de inteligência artificial na indústria automotiva pode diminuir custos, melhorar a confiabilidade e revolucionar o processo de manutenção em oficinas e fabricantes. Estudos futuros contemplam a utilização de bases de dados reais, técnicas de balanceamento de dados e o desenvolvimento de interfaces amigáveis para mecânicos.
Palavras-chave: Diagnóstico automotivo; Inteligência artificial; Machine Learning; Manutenção preditiva; Random Forest.
Abstract: This study aims to present an intelligent system for identifying vehicle faults using machine learning methods. The increasing complexity of automotive systems, coupled with the high cost of corrective maintenance, reinforces the importance of predictive solutions based on artificial intelligence. To conduct this research, data from automotive sensors, including engine temperature, oil pressure, vibrations, and revolutions per minute (RPM), were collected and simulated. This data underwent a preparation process, where it was normalized and processed to eliminate outliers, and then used to train supervised models, particularly the Random Forest algorithm. The evaluation metrics employed, such as accuracy, precision, recall, and confusion matrix, showed satisfactory results in predictive fault diagnosis. Challenges include the quality and quantity of available data, the complexity of current automotive systems, and the computational cost associated with more sophisticated models. The findings suggest that the application of artificial intelligence in the automotive industry can reduce costs, improve reliability, and revolutionize the maintenance process in workshops and manufacturers. Future studies include the use of real databases, data balancing techniques, and the development of user-friendly interfaces for mechanics.
Keywords: Automotive diagnostics, Artificial intelligence, Machine Learning, Predictive maintenance, Random Forest.
1 INTRODUÇÃO
O setor automotivo tem enfrentado mudanças drásticas com a adesão de novas tecnologias, sendo notável a aplicação de inteligência artificial com o objetivo de otimizar processos e serviços. Um dos problemas frequentes nesse setor é detectar e diagnosticar falhas em automóveis, um fator essencial para garantir a segurança, a efetividade operacional e a diminuição dos gastos com manutenções corretivas. O surgimento de práticas de Machine Learning abre caminhos para soluções inovadoras na detecção preditiva de falhas, proporcionando um diagnóstico automotivo mais rápido e preciso.
A implementação de algoritmos de aprendizado de máquina pode revolucionar a análise de falhas mecânicas e eletrônicas, tornando o processo mais independente e menos sujeito à experiência prática de mecânicos. Dessa forma, este trabalho apresenta a viabilidade e a eficácia do uso de Machine Learning na criação de um sistema inteligente de diagnóstico de falhas em automóveis, oferecendo suporte para o desenvolvimento de soluções aplicáveis no setor.
O objetivo principal deste trabalho é um modelo de Machine Learning que consiga diagnosticar falhas automotivas com base na análise dos dados obtidos a partir de sensores veiculares. Além disso, este trabalho se propõe a avaliar a precisão do modelo e sua capacidade de gerar previsões confiáveis, contribuindo para a implementação de manutenção preditiva e a redução de gastos operacionais no setor automotivo. Para atingir esse objetivo, será elaborado um plano de ação que envolve a coleta de dados reais de sensores automotivos, a seleção e treinamento de algoritmos de Machine Learning, a validação do modelo e a análise dos resultados obtidos. O trabalho será desenvolvido com bases de dados públicas e privadas do setor automotivo, garantindo que as análises sejam fundamentadas em informações concretas e relevantes.
Falhas automotivas podem acarretar altos gastos com manutenção e riscos à segurança dos motoristas. Zhu e colaboradores (2019) conduziram uma análise sobre a manutenção preditiva, ressaltando que o uso de algoritmos de aprendizado de máquina não só diminui o tempo de resposta a problemas, como também aprimora a eficácia das manutenções preventivas. Eles salientam que a incorporação dessas abordagens em sistemas industriais pode aumentar de forma significativa a confiabilidade e a disponibilidade dos equipamentos.
Zhang et al. (2022) destacam que a utilização de redes neurais e algoritmos supervisionados podem melhorar significativamente a precisão nos diagnósticos automotivos, diminuindo a necessidade de se basear na experiência dos mecânicos para identificar problemas. Atualmente, muitos diagnósticos ainda são feitos de maneira subjetiva, o que pode levar a erros e à necessidade de refazer o trabalho. Com a introdução da inteligência artificial, a análise dos dados do veículo torna-se mais confiável e fácil de obter, permitindo que oficinas e motoristas tenham acesso a informações mais claras e seguras sobre a situação do carro. Dessa forma, investir em novas tecnologias para o setor automotivo não só aumenta a qualidade dos diagnósticos, mas também promove um mercado de manutenção mais moderno, seguro e acessível para todos.
A identificação eficiente e automatizada de falhas automotivas ainda é um grande desafio. Atualmente, muitos diagnósticos dependem exclusivamente da experiência dos mecânicos, o que pode levar a interpretações subjetivas e erros. Além disso, com a crescente complexidade dos veículos modernos, os métodos tradicionais nem sempre acompanham os avanços tecnológicos.
Diante disso, este estudo parte da hipótese de que a aplicação de Machine Learning poderá tornar o diagnóstico de falhas automotivas mais preciso e ágil. Algoritmos inteligentes podem analisar dados dos sensores do veículo e identificar padrões que indicam possíveis falhas antes mesmo que ocorram. Para testar essa hipótese, será desenvolvido e avaliado um modelo de aprendizado de máquina, comparando sua eficiência com métodos tradicionais. Espera-se que essa abordagem otimize a manutenção preventiva, reduza custos e aumente a confiabilidade dos diagnósticos automotivos.
Para realizar esta pesquisa, é fundamental compreender como se dá a identificação de falhas em automóveis e quais são os obstáculos enfrentados pelas abordagens convencionais. Também será tratado de que maneira o aprendizado de máquina pode melhorar essa identificação, quais algoritmos se destacam em eficiência e como os dados dos veículos podem ser incorporados a esse processo.
Será realizada uma pesquisa bibliográfica sobre diagnóstico automotivo e métodos de aprendizado de máquina. Também examinadas bases de dados que contêm informações sobre falhas e o desempenho dos veículos. A implementação do modelo ocorrerá utilizando a ferramenta Python, coleta e o tratamento dos dados, análise inicial, assim como o treinamento e a validação do modelo.
2 REVISÃO BIBLIOGRÁFICA
Nesta seção, serão analisados os conceitos básicos de Inteligência Artificial no contexto da manutenção, enfatizando a maneira como essa tecnologia tem mudado os processos convencionais. Serão examinados os fundamentos da manutenção preditiva e preventiva, assim como os recursos e técnicas executadas para aprimorar a administração de ativos. Além disso, serão debatidas as vantagens da IA na diminuição de despesas, melhoria da confiabilidade dos equipamentos e seu papel no atual cenário de transformação digital.
2.1 Inteligência Artificial na Manutenção
Será abordada a utilização da Inteligência Artificial (IA) no setor de manutenção, focando na sua contribuição para prever falhas, aprimorar a tomada de decisões e melhorar a alocação de recursos de manutenção. A IA possibilita antecipar problemas, diminui o período em que os equipamentos ficam parados e reduz os custos operacionais, tornando o gerenciamento da manutenção mais eficaz e confiável.
2.1.1 Tipos de Manutenção e a Aplicação da IA
A manutenção pode ser categorizada de diversas maneiras, com as mais comuns sendo a manutenção preventiva e a preditiva. A IA tem sido crucial na transformação dessas abordagens, possibilitando uma detecção de falhas mais precisa e a otimização das ações de manutenção. Por meio de algoritmos avançados e sensores interconectados, é viável reunir e examinar dados em tempo real, resultando em um processo de manutenção mais veloz e eficaz.
2.1.2 Manutenção Preventiva com IA
A Manutenção Preventiva (MP), que também é conhecida como manutenção programada, envolve a execução regular de inspeções, ajustes e troca de peças essenciais, visando diminuir a probabilidade de falhas inesperadas. A introdução da IA nessa prática possibilita a análise de grandes quantidades de dados passados para melhorar a elaboração dos planos de manutenção.
A IA pode aplicar técnicas de aprendizado de máquina para reconhecer padrões de falhas recorrentes e propor melhorias nos ciclos de manutenção. Além disso, sensores inteligentes conectados a sistemas de IA podem entregar informações sobre o desgaste dos equipamentos, aumentando a eficácia da manutenção preventiva. Dessa forma, é possível evitar desperdícios e garantir um planejamento mais preciso.
2.1.3 Manutenção Preditiva com IA
A Manutenção Preditiva (MP), conhecida também como manutenção baseada em condição (CBM), visa antecipar falhas antes que elas aconteçam, por meio da análise de dados operacionais em tempo real. A IA é essencial nessa estratégia, permitindo o uso de algoritmos avançados para identificar anomalias e prever falhas que estão por vir. De acordo com Smith e Hinchcliffe (2004), a manutenção preditiva que incorpora IA faz uso de tecnologias como redes neurais, aprendizado profundo e algoritmos de análise preditiva para processar informações coletadas de sensores. Essas informações ajudam a realizar decisões mais exatas sobre quando e como executar intervenções, o que resulta em redução de custos e aumento da disponibilidade dos equipamentos. Isso implica em menos interrupções não programadas e maior eficiência nas operações.
2.1.4 Comparativo entre Manutenção Preventiva e Preditiva com IA
A implementação da IA fortalece tanto a manutenção preventiva quanto a preditiva, melhorando a qualidade das decisões e a eficiência operacional. O quadro a seguir apresenta uma comparação entre essas abordagens considerando a aplicação da IA.
Tabela 1 – Modelo Comparativo
2.1.5 Benefícios e Desafios da Aplicação da IA na Manutenção
A introdução de Inteligência Artificial na área de manutenção traz várias vantagens, como diminuição do tempo que os equipamentos ficam inativos, otimização das despesas operacionais e incremento na confiabilidade dos ativos. Contudo, também existem desafios, como a necessidade de altos investimentos iniciais e a adaptação da equipe técnica às tecnologias emergentes.
Entre os benefícios estão a melhoria da eficiência da operação, uma vez que a IA facilita a previsão de falhas de maneira mais precisa, diminuindo a necessidade de intervenções que não são necessárias. Além disso, a automação dos processos reduz a carga de trabalho manual e eleva a segurança nas oficinas, prevenindo falhas críticas.
Por outro lado, os desafios incluem a exigência de uma infraestrutura tecnológica sólida, que abrange sensores para monitoramento em tempo real e plataformas de análise avançada. Também é crucial que os profissionais sejam capacitados para entender os dados produzidos pela IA, o que é fundamental para o êxito da implementação.
Com o aumento da utilização da IA na manutenção, as empresas podem otimizar suas estratégias de gerenciamento de ativos, diminuindo custos e aumentando a confiabilidade dos equipamentos. As tendências futuras indicam uma integração de modelos híbridos, que combinam manutenção preventiva e preditiva com sistemas inteligentes para maximizar a eficiência operacional.
2.2 Eventos Científicos Relevantes
Além das publicações em revistas científicas indexadas, conferências recentes também têm ajudado no desenvolvimento da área. O Simpósio Brasileiro de Engenharia de Sistemas Computacionais (SBESC) foca em investigação de sistemas embarcados e automação, abrangendo o uso de inteligência artificial no setor automotivo. O Simpósio Brasileiro de Automação Inteligente (SBAI) incentiva a pesquisa sobre automação, inteligência artificial e controle inteligente, com aplicações diretas em manutenção e diagnóstico de sistemas complexos.
Em âmbito internacional, o IEEE International Conference on Prognostics and Health Management (PHM) é uma das principais referências em manutenção preditiva e prognóstico de falhas em sistemas industriais e automotivos. Por sua vez, o IEEE Intelligent Vehicles Symposium (IV) analisa inovações ligadas a veículos automatizados, incluindo diagnósticos, manutenção assistida por IA e condução autônoma.
Esses simpósios e congressos reforçam a importância acadêmica e prática do assunto, mostrando que a utilização de inteligência artificial no diagnóstico de veículos é uma tendência firme em pesquisas, tanto nacionais quanto internacionais.
3 DESENVOLVIMENTO
O objetivo deste trabalho é apresentar um sistema inteligente para detectar falhas em automóveis utilizando Machine Learning. Este sistema tem como intenção apoiar oficinas mecânicas e fabricantes na previsão de falhas, melhorar a manutenção e reduzir as despesas operacionais.
3.1 Metodologia
O processo de criação da solução é guiado pelos princípios do ciclo de desenvolvimento de modelos de Machine Learning, que abrange a definição do problema, a coleta de dados, o pré-processamento, a seleção de modelos, o treinamento, a validação e a avaliação do desempenho (FRANCO, 2020; GONG et al., 2022).
Os dados foram coletados de bases tanto públicas quanto simuladas, que refletem informações de sensores veiculares, como a temperatura do motor, a pressão de óleo, as rotações por minuto, as vibrações e a tensão da bateria. Segundo Zhu et al. (2019), assegurar a qualidade e a consistência dos dados é crucial, já que dados com ruídos ou incompletos podem comprometer o desempenho dos modelos.
O pré-processamento inclui métodos como limpeza dos dados, eliminação de valores discrepantes, normalização e manejo de outliers, aspectos essenciais para criar modelos mais robustos (SANTOS et al., 2024).
Na criação do modelo, foram escolhidos algoritmos de aprendizado supervisionado, com ênfase na Random Forest (algoritmo de aprendizado de máquina que combina várias árvores de decisão para melhorar a precisão e evitar overfitting). Que se destaca por sua habilidade em lidar eficientemente com variáveis categóricas e contínuas, além de lidar bem com variáveis categóricas e contínuas, além de ser eficiente na detecção de padrões mesmo em conjuntos de dados relativamente pequenos (GONG et al., 2022).
A validação dos modelos é realizada por meio de métricas como acurácia, precisão, recall e F1-Score, além de uma matriz de confusão, que permite avaliar visualmente os acertos e erros do modelo (OLIVEIRA et al., 2018).
O ambiente para desenvolvimento inclui linguagens e ferramentas como Python, Jupyter Notebook, Pandas, Scikit-learn e TensorFlow, que são amplamente utilizadas em soluções de inteligência artificial voltadas para diagnósticos automotivos (GONG et al., 2022).
3.2 Tecnologias e Ferramentas Utilizadas
A implementação é feita utilizando Python como a principal linguagem, em conjunto com bibliotecas direcionadas a Machine Learning, como Scikit-learn e TensorFlow, além de ferramentas de análise de dados como Pandas, NumPy, Matplotlib e Seaborn, possibilitando tanto a criação dos modelos quanto a visualização dos dados (GONG et al., 2022).
3.3 Desafios Encontrados
De acordo com Zhu et al. (2019), a criação de modelos para diagnóstico preditivo apresenta alguns desafios, como:
– Qualidade dos dados: Dados que são inconsistentes, incompletos ou desbalanceados tem um impacto negativo direto na eficiência dos algoritmos.
– Volume de dados: Certos modelos, como redes neurais profundas, necessitam de grandes quantidades de dados para obter um desempenho satisfatório, algo que nem sempre está disponível nas bases automotivas.
– Complexidade dos sistemas veiculares: A crescente integração de componentes eletrônicos e sensores aumenta a complexidade dos sistemas automotivos, exigindo modelos mais avançados e aptos a lidar com múltiplas variáveis (SANTOS et al., 2024).
– Custo computacional: Modelos mais avançados, especialmente as redes neurais, exigem um alto poder computacional, o que pode ser um obstáculo para oficinas com menores recursos (ZHU et al., 2019).
3.4 Aplicabilidade no Mercado
A implementação de sistemas inteligentes para identificar falhas em veículos pode revolucionar a abordagem da manutenção. Segundo Santos et al. (2024), essas ferramentas tem o potencial de reduzir custos operacionais, melhorar a precisão dos diagnósticos e tornar os processos de manutenção mais preditivos e eficientes.
Com essa tecnologia, as oficinas mecânicas poderão oferecer diagnósticos mais ágeis e precisos, fabricantes terão a possibilidade de monitorar seus veículos à distância, e os motoristas receberão avisos sobre possíveis falhas antes que causem danos significativos, promovendo um processo de manutenção mais inteligente e seguro (GONG et al., 2022).
3.5 Próximos Passos
Os próximos passos do trabalho incluem:
– Concluir o treinamento dos modelos com conjuntos de dados robustos;
– Realizar testes práticos em um ambiente simulado;
– Ajustar os modelos, modificando parâmetros e abordando possíveis questões de overfitting ou underfitting;
– Criar uma interface intuitiva para facilitar a utilização do sistema nas oficinas;
– Analisar a viabilidade econômica e técnica para a implementação desse modelo no setor automotivo brasileiro.
Código Python — Diagnóstico Inteligente de Falhas Automotivas
Figura 1 – Mapa de Correlação dos Sensores
Figura 2 – Distribuição das Classes
Figura 3 – Matriz de Confusão do Modelo
Figura 4 – Importância das Variáveis no Modelo
4 CONCLUSÃO
Este estudo apresentou uma abordagem para a implementação de métodos de Machine Learning no diagnóstico inteligente de problemas automotivos, enfatizando o uso de dados provenientes de sensores veiculares simulados. Através da coleta, preparo e análise dos dados, foi viável criar um modelo fundamentado em Random Forest, que revelou resultados promissores em termos de precisão e habilidade de classificação, evidenciando a eficácia da inteligência artificial na manutenção preditiva.
Os resultados obtidos destacam a importância da implementação de sistemas inteligentes na indústria automotiva, pois possibilitam a diminuição das despesas operacionais, o aumento da confiabilidade e a aceleração dos processos de diagnóstico em oficinas e indústrias. Ademais, a análise da literatura e o acompanhamento de publicações, simpósios e congressos recentes demonstraram que esta área está ganhando cada vez mais atenção, tanto em nível nacional como internacional, com avanços contínuos em algoritmos, métodos de análise de dados e aplicações práticas.
Dentre as restrições observadas, sobressai a necessidade de dados reais de boa qualidade e a sua disponibilidade, bem como a dificuldade em lidar com o desbalanceamento entre os registros de falhas e os de operação normal. Esses aspectos ainda limitam a ampliação e a implementação imediata do modelo em cenários reais.
Para dar sequência à pesquisa, sugere-se a implementação do modelo em dados reais provenientes de oficinas ou fabricantes, a adoção de métodos de balanceamento de classes, a realização de comparações com outros algoritmos de aprendizado supervisionado e a criação de uma interface funcional para ser utilizada em oficinas mecânicas. Assim, este trabalho serve como um ponto de partida para a elaboração de sistemas de diagnóstico automotivo que sejam mais exatos e acessíveis, atendendo às necessidades tecnológicas contemporâneas da indústria automotiva.
REFERÊNCIAS BIBLIOGRÁFICAS
CHOI, Rene Y; COYNER, Aaron S; KALPATHY-CRAMER, Jayashree; CHIANG, Michael F; CAMPBELL, J. Peter. Introduction to Machine Learning, Neural Networks, and Deep Learning. Translational Vision Science & Technology, v. 9, n. 2, p. 14, 2020. DOI: 10.1167/tvst.9.2.14. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32704420/. Acesso em: 22 set. 2025.
COUTINHO, Pedro Henrique Silva. XVII Simpósio Brasileiro de Automação Inteligente (SBAI). Sociedade Brasileira de Automática, 31 maio 2025. Disponível em: https://www.sba.org.br/web/eventos/view?id=96. Acesso em: 22 set. 2025.
FRANCO, Igor Tedeschi. Manutenção preditiva utilizando técnicas de machine learning em um sistema embarcado. 2020. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) – Universidade do Vale do Rio dos Sinos, São Leopoldo, 2020. Disponível em: http://repositorio.jesuita.org.br/handle/UNISINOS/11237. Acesso em: 8 abr. 2025.
GOMES, Alexandre Pedro Yure Cariri. Sistema de diagnóstico preditivo para veículos a combustão usando machine learning e deep learning. 2024. 72 f. Monografia (Bacharelado em Engenharia Elétrica) – Universidade Federal de Campina Grande, Centro de Engenharia Elétrica e Informática, Campina Grande, 2024. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/39148. Acesso em: 26 maio 2025.
GONG, Cihun-Siyong Alex et al. How to implement automotive fault diagnosis using artificial intelligence scheme. Micromachines, [S.l.], v. 13, n. 9, p. 1380, 2022. Disponível em: https://www.mdpi.com/2072-666X/13/9/1380. Acesso em: 8 abr. 2025.
LI, Ming et al. Automotive Fault Nowcasting with Machine Learning and Natural Language Processing. Machine Learning, v. 112, n. 4, 2023. Disponível em: https://link.springer.com/article/10.1007/s10994-023-06398-7. Acesso em: 26 maio 2025.
OLIVEIRA, Leonardo Presoto de; WEHRMEISTER, Marco Aurélio; OLIVEIRA, André Schneider de. Uma abordagem interativa para auxiliar o diagnóstico automotivo. In: SIMPÓSIO BRASILEIRO DE ENGENHARIA DE SISTEMAS COMPUTACIONAIS (SBESC), 2018, Campinas. Anais […]. Porto Alegre: Sociedade Brasileira de Computação, 2018. p. 1-8. Disponível em: https://sol.sbc.org.br/index.php/sbesc_estendido/article/download/11007/10878/. Acesso em: 8 abr. 2025.
OLIVEIRA, Markos F. B. G.; MORI, Fernando M.; LÜDERS, Ricardo. Uma estratégia de fusão de árvores de diagnóstico para identificação de falhas em veículos automotores. In: SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE (SBAI), 10., 2013, Fortaleza. Anais […]. Fortaleza: SBAI, 2013. p. 1-6. Disponível em: https://www.academia.edu/6120523/UMA_ESTRAT%C3%89GIA_DE_FUS%C3%83O_DE _%C3%81RVORES_DE_DIAGN%C3%93STICO_PARA_IDENTIFICA%C3%87%C3%83 O_DE_FALHAS_EM_VE%C3%8DCULOS_AUTOMOTORES. Acesso em: 5 abr. 2025.
OLIVEIRA, Markos Flavio Bock Gau de. Sistema de diagnóstico de múltiplas falhas em veículos automotivos. 2016. 99 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) – Universidade Tecnológica Federal do Paraná, Curitiba, 2016. Disponível em: https://repositorio.utfpr.edu.br/jspui/handle/1/8262. Acesso em: 7 abr. 2025.
RAJ, Ankit et al. Enhancing Predictive Maintenance in Automotive Industry Using Advanced Data Imbalance Handling Techniques. SN Applied Sciences, v. 7, n. 3, 2025. Disponível em: https://link.springer.com/article/10.1007/s42452-025-06827-3. Acesso em: 26 maio 2025.
SANTOS, Neri Sandro Pereira dos; SILVA, Leandro Cardoso; CARDOSO, Edgard Gonçalves. Aplicação da Inteligência Artificial no diagnóstico de falhas de máquinas. Brazilian Journal of Development, Curitiba, v. 10, n. 11, e74593, nov. 2024. Disponível em: https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/74593. Acesso em: 8 abr. 2025.
SIMPÓSIO BRASILEIRO DE ENGENHARIA DE SISTEMAS COMPUTACIONAIS (SBESC). Anais do XIV Simpósio Brasileiro de Engenharia de Sistemas Computacionais. Recife, PE: Sociedade Brasileira de Computação, 2024. Disponível em: https://sol.sbc.org.br/index.php/sbesc/issue/view/1419. Acesso em: 22 set. 2025.
ZHANG, Wei et al. Artificial Intelligence-Driven Vehicle Fault Diagnosis to Revolutionize Automotive Maintenance: A Review. Journal of Intelligent Manufacturing, 2024. Disponível em: https://www.sciencedirect.com/science/article/pii/S152614922400290X. Acesso em: 26 maio 2025.
ZHU, Tianwen et al. A survey of predictive maintenance: systems, purposes and approaches. arXiv preprint, arXiv:1912.07383, 2019. Disponível em: https://arxiv.org/abs/1912.07383. Acesso em: 8 abr. 2025.
1Graduando do Curso de Engenharia de Computação Jhenifer Naiara Alexandrin de Souza da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: jnasouza@uniara.edu.br
2Orientador: Docente do Curso de Engenharia de Computação João Henrique Gião Borges da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: jhgborges@uniara.edu.br
3Coorientador: Docente do Curso de Engenharia de Computação Fabiana Florin da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: fflorian@uniara.edu.br