REGISTRO DOI: 10.69849/revistaft/ch10202511300457
Deocleciano Reis Martins1
João Claudio dos Santos2
Lucas Silva Soares3
Resumo
A quarta Revolução Industrial desencadeou diversos avanços primordiais na manutenção industrial que por sua vez desenvolveu ainda mais as formas de otimização de processos que visam reduzir custos e maximizar a eficiência de ativos industriais. A manutenção preditiva é um pilar fundamental da indústria 4.0 devido a alta complexidade de processos produtivos e a necessidade de disponibilidade de equipamentos. Nesse tipo de manutenção a gerência correta de recurso é indispensável e deve ser cuidadosamente programada. Um ativo fixo com baixa confiabilidade causa perda de produção e ineficiência do processo. A falha é um ponto crucial na indústria e passou a ser enxergadas como ponto de partida para estudos de causas raiz e alimentação de banco de dados que auxiliam na predição. Para isso, ferramentas de monitoramento e armazenamento de dados além de aprendizado e linguagem de máquina serão abordados neste estudo, sobretudo, como a Inteligência Artificial reúne todas essas ferramentas no auxílio da manutenção preditiva, dada sua importância uma vez que a ocorrência de falhas inesperadas resulta em horas perdidas, paradas não planejadas e custos desnecessários. A fim de apresentar técnicas de manutenção, ferramentas de monitoramento e sistemas de previsão de possíveis falhas utilizadas na indústria atual. Este trabalho tem por objetivo realizar uma revisão bibliográfica destacando o papel que a Inteligência Artificial desempenha em processos de manutenção preditiva e ressaltando sua eficiência por meio de exposição de casos reais aplicados em empresas que aderiram essa tecnologia.
Palavras-chave: Manutenção preditiva. Inteligência Artificial (IA). Otimização de processos. Indústria 4.0. Eficiência de ativos.
Abstract
The fourth Industrial Revolution unleashed several primordial advances on industrial maintenance which developed lots of ways to optimize processes that look forward to reduce costs and maximize the efficiency of industrial activities. The predictive maintenance is a fundamental pillar of the industry 4.0 due to the high complexity of the production process and the need of availability of equipment. In this type of maintenance the correct manages of recourse is a indispensable and has to be carefully programmed. A fixed asset with low reliability causes some production losses and inefficiency of the process. The flaw is a crucial point in the industry and began to be seen as a head start for studies of root causes and database feed that help on rhe prediction. For that, the data monitoring and storage tools in addition to learning and machine language will be addressed in this study, above all, as Artificial Intelligence gather all the tools mentioned the aid of predictive maintenance, given its importance once the occurrence of unexpected failures results in hours lost, unplanned stops and unnecessary costs. In order to present maintenance techniques, monitoring tools and forecasting systems of possible failures utilized in the current industry. This study has the objective to carry out a bibliographic review highlighting the role of Artificial Intelligence performs in predictive maintenance processes and highlighting its efficiency through the exhibition of real cases applied in companies that joined this technology.
Keyword: Predictive Maintenance. Artificial Intelligence (AI). Process optimization. Industry 4.0. Asset Efficiency.
1 Introdução
A Indústria moderna tem tido avanços significativos no tratante da automatização e assertividade da manutenção de ativos fixos em processos produtivos. As tomadas de decisões do profissional de manutenção estão cada vez mais assertivas sobretudo por conta da implementação de IAs responsáveis pelo monitoramento e armazenagem de dados. Com os dados corretos, histórico de manutenção e programação adequada uma vez estabelecidos, inteligências artificiais conseguem criar diagnósticos detalhados, prever e classificar possíveis falhas, além de possibilitar a consulta em tempo real da situação de um ativo. A alta produtividade e o enxugo de custos se atrelam ao aumento da confiabilidade em indústrias que adotam sistemas de inteligência artificial para auxílio de um pilar fundamental da indústria, a manutenção preditiva. Nesse contexto, o presente estudo se dedica a explorar como a inteligência artificial e seus fragmentos auxiliam na antecipação de falhas possibilitando maior vida útil de equipamentos e a mitigação de paradas não planejadas no que lhe concerne eficiência operacional. Ademais, discutir como a Inteligência Artificial tem se tornado essencial no auxílio da análise de dados e apresentar casos de sucesso de modo a afirmar seu papel fundamental na manutenção preditiva.
A cobrança exponencial das indústrias no que se refere a disponibilidade e confiabilidade de equipamentos e a redução de custos, é um fator resultante das mudanças necessárias que a manutenção sofreu com o tempo. Tais mudanças se deram por conta da fabricação de projetos mais complexos e uma maior conscientização de segurança, meio ambiente e eficiência do processo produtivo quando uma falha ocorre. (Baldissarelli; Fabro, 2016).
Desde os surgimentos dos primeiros tornos relatados pela literatura, processos de manutenção já eram utilizados de maneira corretiva em situações de falha. Tais processos sofreram alterações quando a partir da Segunda Guerra Mundial, sistemas de produção em massa eram diretamente impactados com a ocorrência de falhas, uma vez que as manutenções ocorriam de forma corretiva e demorada. Estudos aprofundados da manutenção de equipamentos surgiram no período pós-guerra com a crise gerada pela escassez do petróleo visando melhoria da forma de manutenção e necessidade de redução de custos (José Simonetti, 2023). A manutenção corretiva se caracteriza pela forma mais primitiva e “atua quando a capacidade produtiva de um equipamento ou instalação tenha cessado ou diminuído sua capacidade de exercer as funções às quais foi projetado“ (José Simonetti, 2023 p. 12).
Os avanços tecnológicos contribuíram para a continuidade e aprofundamento de estudos da manutenção conceituando outras técnicas usadas até hoje, tendo sempre por objetivo principal reduzir ao máximo a ocorrência de falhas nos equipamentos de produção. Um dos principais desafios a serem superados na manutenção corretiva é a necessidade de estoque, maior tempo de parada, e transtornos ocasionados pela falha. Para isso, a manutenção preditiva tomou um importante espaço nas indústrias, uma vez a mesma “privilegia a disponibilidade à medida que não promove a intervenção nos equipamentos ou sistemas, pois as medições e verificações são efetuadas com o equipamento produzindo“ (Kardec e Nascif 2009 p. 45). Para evitar falhas catastróficas altamente impactante no sistema produtivo, é importante que a falha seja prevista ou descoberta em sua origem. Para isso, a manutenção preditiva tem por característica a utilização de uma manutenção corretiva planejada, ou seja, a decisão de intervenção é pensada no momento que indicadores informam o grau de degradação de um equipamento se aproximando limite permitido. Ou seja, parâmetros de funcionamento ideal são previamente registrados em sistemas de controle que utilizam de ferramentas de monitoramento que , produzem dados da situação do ativo permitindo assim uma análise constante. (Kardec e Nascif 2009)
A fim de se adequar à Indústria 4.0, onde a competitividade e os constantes avanços das tecnologias tomam conta do mercado, empresas estão utilizando de ferramentas da inteligência artificial para otimizar processos da manutenção preditiva. A Associação Brasileira de Manutenção e Gestão de Ativos (ABRAMAN) afirma que a IA está redefinindo o papel dos técnicos de manutenção, que passam a atuar como analistas de dados, interpretando informações geradas em tempo real por sensores e sistemas conectados que transformam a manutenção não só mais efetiva mas também autônoma.
2 Metodologia de Pesquisa
Este estudo foi desenvolvido com base em pesquisas bibliográficas e segue os preceitos de um artigo científico de revisão sistemática. Diversos artigos científicos de revistas e estudos acadêmicos, normas regulamentares e livros base, pertinente ao assunto, foram consultados, analisados e reunidos para construção de uma visão ampla do uso de IA na manutenção preditiva em indústrias. Para os casos de sucessos os mesmos modelos foram utilizados além de entrevistas públicas de representantes empresariais que forneceram dados e informações relevantes para constituir o qualitativo do presente estudo.
3 Fundamentação Teórica
Kardec e Nascif (2009) afirmam que a evolução da manutenção se divide em quatro gerações:
Após a primeira geração se caracterizar pela manutenção simples pós-quebra sem priorizar a produtividade, manutenção predominante no período que antecedeu a segunda guerra, a segunda geração deu início através do aumento da mecanização proveniente do pós-guerra, máquinas mais complexas e sistemas de produção maiores promoveram a manutenção planejada, que diferente do primeiro período possuía manutenções periódicas, uma vez que a indústria aumentava sua dependência da disponibilidade e confiabilidade. A terceira gera ção intensificou a importância da confiabilidade sobretudo pela automação que aumentou a ocorrência de falhas devido à alta produção da época, gerando assim exigências quanto à segurança, meio ambiente e planejamento de processos, uma vez que paralisações por falhas ou incidentes foram intendidos como fatores relevantes na indústria. Esse aumento de falhas se tornou o ponto de partida para surgimento da manutenção preditiva. A partir daí, iniciou-se a quarta geração que , intensificou estudos de análises falhas, ensaios não destrutivos, engenharia da manutenção, técnicas de confiabilidade e controle de dados.
Apesar dessa divisão ser a base teórica da literatura, existem outras repartições que surgiram em estudos mais recentes que revelam outros patamares de manutenção seguindo a linha da técnica preditiva. A crescente evolução da tecnologia promoveu conceitos de manutenção avançada presentes na chamada indústria 4.0. A manutenção centrada em confiabilidade, definida por Pintado (2019) como conjunto de planejamento administrativo que têm por finalidade garantir o número mínimo de intervenções de ativos, desencadeou na manutenção industrial contemporânea uma forma evoluída da manutenção preditiva visando maior conexão entre planejamento, operação e produto. A Manutenção Prescritiva definida por Miklovik (2016) como a junção das manutenções corretivas, preventivas e preditivas, usa de tecnologias como algoritmos de previsão através de monitoramento para prever possíveis falhas futuras e sugerir tratativas imediatas.
A notória mudança de interpretação ao longo da história permite enxergar a empregabilidade de cada técnica para diferentes necessidades. A evolução da eficiência desde os modelos reativos da manutenção corretiva até a abordagem preditiva ao decorrer de sua história, evidência a importância do controle de falhas através do monitoramento constante e da estratégia de manutenção adotada para uma boa gestão de ativos, confiabilidade e produção.
3.1 Monitoramento
O monitoramento utilizado na manutenção preditiva inicia-se no uso de sensores que geram dados e gráficos interpretados por um profissional de manutenção. Segundo Thomazini e Albuquerque (2020 p. 17) sensores são “dispositivos sensíveis a alguma forma de energia do ambiente que pode ser luminosa, térmica, cinética, relacionando informações sobre a grandeza que precisa ser medida“. Dentre as formas de monitoramento ,são os mais usados na indústria os tipos de sensores de vibração, temperatura e ultrassônicos, pressão, movimento, capacitivo e indutivo.
Uma das análises mais utilizadas no monitoramento de ativos industriais é a de vibração. Jean – Baptiste Joseph Fourier (1768 – 1830) foi o responsável pelo que se chama hoje, em sua homenagem, de transformada de Fourier. Essa transformada se baseia na integral de um de sinal decompondo todos seus componentes e revelando suas intensidades e frequências individualmente. Isso permitiu com que sensores de vibração instalados em máquinas revelem uma possíveis anomalias na frequência característica dos componente do equipamento como, desbalanceamento, desalinhamento, falhas em rolamentos, mancais, e engrenagens. O monitoramento é possível, pois a análise de vibração pode ser regularmente atualizada e comparada detectando algum início de falha ou desgaste, permitindo assim uma manutenção otimizada e eficaz.
Figura 1 – Decomposição de sinais (Fourier)
Fonte: Revista Manutenção ed. 4
3.2 IoT
A análise de sinais característicos, como às supracitados, dependem de um profissional de manutenção com alta experiência de interpretação para uma tomada de decisão precisa. A demorada avaliação e realização de relatórios são alguns dos problemas da forma manual de monitoramento que a IoT (Internet das Coisas) pode resolver. Segundo Mittelstädt, chefe do grupo de pesquisas em IA da Siemens, “Detectar falhas com base em dados de sensores significa analisar infinitas cadeias de dados (ou gráficos) e encontrar anomalias” (Aenne Barnard, 2021). Para isso, ferramentas auxiliares como Big Data e Cloud Server são indispensáveis nesse processo uma vez que têm por objetivo a armazenagem de uma alta volumetria de dados. A centralização de dados com consultas em tempo real e a interconexão entre os sensores de diversas máquinas com um único sistema online de controle, são características da IoT, que por fim, a transforma essa ferramenta de otimização em um sistema de monitoramento rápida e eficaz para uma enorme quantidade e variedade de dados e uma interação fundamental entre sensores e internet.
3.3 Aprendizado de Máquina
Uma vez interligados e armazenados, os dados obtidos por sensores são finalmente analisados por uma ferramenta alicerce da Inteligência Artificial, a Machine Leanirng, ou aprendizado das máquinas. Segundo Carolina Monard e Augusto Baranauskas (2003), aprendizado de máquina se define em técnicas computacionais que tem por objetivo construir formas de conhecimento automática almejando soluções baseadas em, a partir de dados, um acúmulo de experiencias anteriores. Ou seja, a Machine Learning se baseia em uma análise já resolvida (exemplos) e, baseado em casos semelhantes, relaciona-os de forma automática. Seu aprendizado automático se dá pela constante análise de dados gerados durante o funcionamento da máquina, o que permite inúmeras possibilidades de soluções de acordo com cada diagnóstico gerando assim um vasto histórico de experiências.
A Machine Learning usa de algoritmos de predição como base de aprendizagem que, serão posteriormente transcritos pela IA através da linguagem natural. Segundo Madureira Junior e Cusin Sacilotti (2022) o PLN (processamento de linguagem natural) , são técnicas de análise e representação de textos que permitem a interação de homem e máquina. Essa interação torna a respostas desses algoritmos mais fluida e rápida uma vez que a linguagem computacional como a programação e os dados coletados, sejam transcritos, por exemplo, em forma de relatórios atualizados em linguagem natural. As LN’s são usadas ainda na alimentação de dados prévios em máquinas como, histórico de manutenção, tempo de funcionamento e condições ideias de uso. Cada algoritmo possui uma função na análise de dados e podem ser utilizados de forma simultânea para maior eficiência. Esses dados são importantes para dar início ao ML e otimizados através da IA. O uso de algoritmos como RNA (Redes neurais artificiais), DL (Aprendizado profundo) , SVM (Máquina de vetores de suporte), k-NN (K – Vizinhos mais próximos) e RF (Florestas aleatórias) estão sendo altamente utilizados na previsão de falhas e classificação de falhas na manutenção industrial.
3.4 IA e Manutenção
Segundo Almeida Souza e Nunes da Silva (2024):
“A aplicação de técnicas como redes neurais e algoritmos de aprendizado de máquina são particularmente eficazes em cenários de manutenção preditiva, onde a análise de dados históricos e em tempo real permite antecipar falhas com alta precisão“.
A IA abrange todas as técnicas mencionadas neste estudo e vem se destacando são só por apontar o reconhecimento de padrões, com os algoritmos de previsão que antecedem a falha, mas também por sugerir tomadas de decisões se tornando assim uma forma inicial manutenção autônoma. (Oliveira Machado; Monteiro Junior; Silva Calestino; Bento de Andrade e Rodrigues Junior, 2023). Porém, é de extrema importância a interferência humana tanto na intervenção quanto na alimentação de dados, uma vez que o último é um fator crítica em ferramentas de IA, dados incorretos ou manipulados geram tomadas de decisões equivocadas. Nesse sentido Associação Brasileira de Manutenção e Gestão de Ativos ( ABRAMAN ) afirma um conceito de “Human in the loop“ ou, humanos no ciclo o que afirma a necessidade de intervenções humanas até em processos autônomos.
A Inteligência Artificial em concordância com todas outras técnicas abordadas desempenha um papel fundamental na tomada de decisões de técnicos manutentores. ABRAMAN destaca o poder de fornecimento de informações e alertas incluído, ordem de serviço, tendencia de falha, sugestão de checklist especifico de cada máquina e ainda afirma “O uso da Manutenção Assistida por IA na indústria eleva a eficiência, produtividade tanto da equipe quanto da companhia, reduz custos e a destaca no mercado como diferencial competitivo.“
Figura 2 – IA na Gestão da Manutenção
Fonte: ABRAMAN
A Inteligência Artificial na manutenção preditiva fornece um dinamismo muito interessante nos processos de manutenção, otimiza processos e reduz tempo de análise. No entanto, essas são características segundarias no que se se refere a finalidade implementação nesse tipo de tecnologia. A disponibilidade e a economia no gerenciamento industrial são as reais finalidades de um investimento tecnológico como sensores e IA´s gerenciadoras de acesso remoto.
A Manutenção iniciou sua história uma vez que ferramentas, máquina e sistemas de produção começaram a apresentar falhas que afetavam diretamente na disponibilidade e na produção. De acordo com a NBR 5462-1994:
Falha é o término da capacidade de um item desempenhar a função requerida. É a diminuição total ou parcial da capacidade de uma peça, componente ou máquina de desempenhar sua função durante um período de tempo, quando item será reparado ou substituído.
Xenos (1998) separa os tipos de falhas em falha crescente, falha decrescente e falha aleatória como ilustrado na modelo banheira do mesmo autor . A ocorrência de falhas é um fator inerente, ou seja, todos os componentes de um equipamento possui uma vida útil. A previsão de vida útil através de ferramentas de IA é o ponto que separa a manutenção reativa da pró-ativa que preserva a alta eficiência dos componentes até seu desgaste.
Figura 3 – Modelo de Falhas
Fonte: Xenos (1998)
A manutenção preditiva em suma se baseia na substituição ou manutenção de um equipamento em sua fase inicial de falha, as chamadas falhas prematuras. Esse tipo de manutenção extingue um tipo de falha muito encontrada na manutenção corretiva, a falha crescente. Sistemas de sensoriamento ministrados por IA e técnicas de ML uma vez conectados ao equipamento, detectam a falha em seu estado inicial. São capazes ainda de até mesmo detectar a probabilidade de inicial falha por fatores externos, não permitindo assim o aumento de sua criticidade.
Os sistemas utilizados na manutenção preditiva para previsão de falhas e vida útil de cada componente do ativo, são impulsionados pela IA uma vez que a mesma promove a eficiência e otimização de processos. A IA tem por finalidade desenvolver uma intercomunicação entre a produção automatizada, equipamentos e profissionais de forma rápida e assertiva. No processo produtivo cada falha é atrelada à perda. Essas perdas estão ligadas a lotes descartados, planos de manutenção alterados e paradas não planejadas. No cenário da indústria 4.0 a IA não só evita perdas e aumenta a eficiência da manutenção, mas também prevê impacto financeiro pontual e remonta estratégia de manutenção realocando profissional e redefinindo criticidade de forma automatizada.
3.5 Estudos de casos e Aplicação prática
Segundo diretor de manutenção e automação da INPASA, Itiel Cerkunvis (2022), a importância principal do uso de novas tecnologias como a IA na manutenção preditiva se resumo em custo e disponibilidade de ativos, que por fim é o que mantém a produção e o lucro. Essa fala valida parágrafo supracitado, porém, não diminui os benefícios da praticidade que IA oferece na manutenção. Para isso, Cerkunvis reforça:
“Hoje temos a IA (Inteligência Artificial) que, por meio de uma mensagem de WhatsApp, avisa a equipe de manutenção sobre comportamentos inesperados em nossos equipamentos, dando foco total, com a capacidade de prever as falhas e alta eficiência das atividades de manutenção”
A INPASA é uma das empresas pioneiras na América Latina em transformar milho em outros derivados como o etanol. A empresa alcançou índices de disponibilidade de mais de 99%. Através do monitoramento de vibração por sensores, a empresa revela pelo menos três manutenções corretivas não planejadas evitadas com o auxílio da IA. Também foi constatada uma redução no tempo de planejamento e na emissão de O.S’s por dia, resultando em um queda de 80h de tempo de inatividade. Cerkunvis afirma ainda que possuía sistemas preditivos comuns com rotas de inspeção periódicas, porém alega que a curva de identificação não acompanhava o intervalo das rotas.
O aumento de ruídos por sensores de vibração revelaram uma falta de lubrificação em um rolamento de uma bomba de vácuo da planta. A IA mostra ainda um aclive para a ruptura indicada pela alteração do sinais padrão de BPFI indicando desgaste do componente. José Bastos e Borges Junior (vol. 14, 2010) defini a BPFI por frequência de passagem de elementos rolantes (esferas ou rolos) por um ponto da pista interna, em suma, se refere a defeitos da pista interna os rolamentos.
Figura 4 – Diagnóstico de Pista Externa
Fonte: Tractian
Em uma bomba booster para liquefação presente na planta da empresa foi diagnosticado uma alteração nos sinais de vibração do ativo. Após alarme da IA percebeu-se a diminuição de vazão por conta da presença de corpos estranhos dentro do equipamento gerando cavitação. O técnico alimentou a IA com o serviço realizado e confirmou o sinal realizando a limpeza evitando um falha maior. A cavitação se caracteriza pela formação de bolhas de vapor em sistemas hidráulicos por conta da queda de pressão dentro do sistema comparado a pressão do líquido, esse fenômeno causa colapso e danos irreversíveis na máquina. (Buchedid Vasquez e Pavanelli Jacinto, 2024).
Figura 5 – Diagnóstico de Pista Externa
Autor: Tractian
Uma trinca no mancal de LA (lado acoplado) do motor do ventilador de ar primário foi detectado pelo sistema de IA que alertou a fratura por conta da fadiga gerada pelas vibrações. Casos como esses são tratados de forma mais crítica, pois afeta a segurança da produção e dos operadores uma vez que compromete a estrutura inteira do equipamento. Ou seja, em caso de desestruturação, uma parada generalizada de um setor inteiro ou até da fábrica seria necessária para a realização da corretiva. Além disso, sistemas acoplados poderiam ser prejudicados se não houvesse a identificação da trinca.
Figura 6 – Trinca em mancal
Autor: Tractian
A empresa Tramontina Multi foi alvo de estudo em um monitoramento via sensores de vibração através de conexão IoT realizado minuto a minuto por um período de 60 dias. O estudo teve por objetivo provar ganhos significativos na manutenção preditiva através de ferramentas da inteligência artificial como a Machine Learning.
A análise do estudo foi concentrada no equipamento denominado espirradeira responsável por realizar tranças de fio de nylon para fabricação da segunda camada de mangueiras de jardim. Seu processo de fabricação possuía muitos desbalanceamentos gerando vibrações no equipamento. A manutenção preventiva utilizada antes da proposta de implementação foi comparada à manutenção preditiva realizada através do sensoriamento. Destacaram-se vantagens da utilização de técnicas de inteligência artificial como, por exemplo, a utilização de plataformas que apontam possíveis falhas em tempo real alertando os profissionais antecipadamente. (Marcio Zaro, Getruldes Webber, 2022). Para ressaltar a necessidade de tal aplicação os autores da pesquisa deste estudo de caso afirmam que cerca de 40% das paradas realizadas no equipamento se resumem em troca de fio e regulagem da máquina. Em tempo de parada e gastos orçamentários respectivamente isso representa 107 horas paradas e R$48.792,00/ano perda.
Após alimentação de dados e ocorrência de falhas o sistema de monitoramento detectou anomalia no parâmetro que analisa picos e vibração de rolamentos acima da atividade normal e comunicou operadores através de alerta crítico. A figura a seguir mostra um segundo dado adicionado pelo estudo mencionado para confirmar o excesso de vibrações alertado anteriormente. A comparação do parâmetro que medem os neveis de rotação com os neveis de vibração indica a causa da falha e o momento de desiquilíbrio destacando a assertividade dessa técnica.
Figura 7 – Análise pontual de falha no equipamento identificado pelo sistema implementado
Revista Produção Online, Vol. 22
O sistema implementado na empresa em questão, segundo os autores do estudo, resultou em uma redução de tempo de parada de 23% ao decorrer do período de teste o que, por consequência, gerou uma perspectiva de economia de R$11.222,00/ano.
4 Considerações Finais
O presente estudo assegura a visão de que o uso da inteligência artificial na manutenção preditiva não se limita em um sistema de otimização de processos de manutenção, mas também em um sistema completo e inteligente de gerenciamento. A facilitação do pleno conhecimento do estado de um ativo em tempo real é um fator que torna esse gerenciamento eficaz no que se refere a projeções futuras tanto de confiabilidade quanto de lucros nos sistemas de produção. Ademais, vale ressaltar a economia de custo de reparo na identificação precoce diante do potencial de falha. O constante funcionamento do equipamento monitorado é um diferencial da IA na manutenção preditiva uma vez que o tempo de parada é mitigada não só por conta da análise pró-ativa mas também pelo conhecimento da vida útil da cada componente garantindo maior eficiência do ativo.
A importância do papel na IA na manutenção industrial está cada vez maior no que sito competitividade do meio industrial. Contudo, é importante destacar que o gerenciamento e monitoramento eficaz proporcionado pelas ferramentas de IA não são autocontrolados. Os técnicos de manutenção possuem uma importância ainda maior no uso de novas tecnologias uma vez que é preciso conhecimentos específicos para uma alimentação de dados confiável além de interpretação extra-programa.
A assertividade na tomada de decisão dos profissionais de manutenção em uma parada programada, por exemplo, é diretamente proporcional a fatores como histórico de manutenção e horas de funcionamento do ativo na manutenção preditiva. No caso do uso da IA, sistemas alimentados com alta taxa de fiabilidade dos dados preliminares do equipamento e dos recorrentes em todo período de machine learning é de extrema importância para relatórios e alertas gerados por ferramentas de IA.
As análises de caso expostas neste estudo ressaltam benefícios consequentes da aplicabilidade de inteligência artificial na manutenção preditiva que majora a importância dessa ferramenta na competitividade da indústria 4.0, praticidade na manutenção e automatização na descoberta de princípios de falha.
O estudo bibliográfico aqui apresentado definiu conceitos importantes para o entendi mento da importância da manutenção preditiva na constância operacional e principalmente como as ferramentas da Inteligência Artificial favorece sua assertividade. Esses conceitos foram provados diante de análises e alertas expostos nos casos práticos afirmando a base sólida desse sistema de gerenciamento e reafirma seu constante crescimento e abrindo espaço para melhorias e novos estudos nessa temática.
5 Referências
SIEMENS. Inteligência artificial: uma jovem aprendiz (de dados). Aenne Barnard, 2021. Disponível em: https://www.siemens.com/br/pt/empresa/stories/industria/siemens-ai.h tml. Acesso em: 28 set. 2025.
ALMEIDA SOUZA, A.C; Nunes da Silva, P.R. Aplicação da Inteligência Artificial na engenharia de confiabilidade e manutenção preditiva: um estudo de caso na indústria de mineração. Revista Ibero-Americana de Humanidades, Ciências e Educação. São Paulo, v. 10, n. 10, out. 2024. Disponível em: https://periodicorease.pro.br/rease/article/view/16252/ 8891. Acesso em: 2 out 2025.
THOMAZINI, D; Albuquerque, P.U.B. Sensores Industriais – Fundamentos e Apli cações, São Paulo: Ed Érica.
OLIVEIRA MACHADO, C; Monteiro Junior, S.C; Yuri Vinicius e Silva Celestino; Bento de Andrade, J.A; Rodrigues Junior, A.S. Manutenção Prescritiva: a evolução da manutenção na industria 4.0. Revista Ibero-Americana de Humanidades, Ciências e Educação. São Paulo, v.9.n.09. set. 2023. Disponível em: https://periodicorease.pro.br/reas e/article/view/11476/5183. Acesso em: 26 set 2025.
ABNT. NBR 5462: Confiabilidade e mantenabilidade. Rio de Janeiro, 1994. Norma Brasileira Registrada.
PINTADO, João Pedro Menezes Soares. Análise e Projeto de Implementação de Gestão da Manutenção de Acessórios de Operação de Navios do tipo PLSV. Rio de Janeiro: UFRJ/ Escola Politécnica, 2019. Disponível em: http://www.monografias.poli.ufrj.br/. Acesso em: 22 jul 2025.
KARDEC, A., Nascif, J. (2009). Manutenção: Função Estratégica (3ª ed. ver. e amp.). Qualitymark ed.
MIKLOVIC, D. (17 de março de 2016). “What Comes After Predictive Mainte nance?” Disponível em: https://blog.lnsresearch.com/what-comes-after-predictive-maintena nce. Acesso em: 19 set. 2025.
ABRAMAN. Manutenção assistida por IA: como o uso de inteligência arti ficial redefine processos na manutenção industrial. ABRAMAN, 2024. Disponível em: https://abramanoficial.org.br/publicacoes/noticias/pmanutencao-assistida-por-ia-como -o-uso-de-inteligencia-artificial-redefine-processos-na-manutencao-industrialp. Acesso em: 11 out. 2025.
CAROLINA , D; Augusto, B. (2003). Conceitos sobre Aprendizado de Máquinas Sistemas Inteligentes. (Cap 4).
MADEIRA JUNIOR, J.R; Cusin Sacilotti, A; Sacilotti, R. Processamento de Lingua gem Natural (PLN): Evolução, desafios e Perspectivas futuras para os chatbots. São Paulo / Fatec Jundiaí, 2022. Disponível em: http://www.pos.cps.sp.gov.br/files/artigo/file/120 4/6430cc1b53c5ca0588eb44a65026919b.pdf. Acesso em: 19 set. 2025.
XENOS, H. G. Gerenciando a manutenção produtiva: o caminho para eliminar falhas nos equipamentos e aumentar a produtividade. Belo Horizonte: Editora DG, 1998.
TRACTIN. Como a maior indústria de etanol de milho da América Latina gera Disponibilidade através do monitoramento e gestão. Disponível em: https://tractian.com/casos-de-estudo/inpasa. Acesso em: 22 set. 2025.
BUCHEDID VASQUEZ, F.J; Pavanelli Jacinto, J.C. Problemas de cavitação e estra tégias de prevenção. São Paulo. Datset Reports, 2024. Disponível em: https://doi.org/10. 58951/dataset.2024.040. Acesso em: 23 set. 2025.
MARCIO ZARO, E; Getruldes Webber, C. Estudo de caso de desenvolvimento de sistema para Manutenção Preditiva 4.0. Revista Produção Online. Florianópolis, SC, v. 22, n.3, p. 3418-3340, 2022. Disponével em: https://www.producaoonline.org.br/rpo/article/v iew/4557/2227, Acesso em 12 set. 2025.
1Faculdade de Tecnologia Prefeito Hirant Sanazar (Fatec Osasco) – deocleciano.martins@fatec.sp.gov.br
2Faculdade de Tecnologia Prefeito Hirant Sanazar (Fatec Osasco) – joao.santos435@fatec.sp.gov.br
3Faculdade de Tecnologia Prefeito Hirant Sanazar (Fatec Osasco) – lucas.soares58@fatec.sp.gov.sp