OTIMIZAÇÃO DA MANUTENÇÃO INDUSTRIAL
Uso do Machine Learning em manutenções preditivas eficazes
DOI:
https://doi.org/10.31510/infa.v22i2.2312Palavras-chave:
Gestão, Indicadores, Machine LearningResumo
Este artigo tem como objetivo analisar, por meio de uma revisão bibliográfica, como o Machine Learning (ML) otimiza a manutenção preditiva industrial, impactando indicadores tradicionais (OEE, MTTR, MTBF) e custos operacionais (OPEX). A fundamentação teórica explora conceitos de manutenção preditiva, evolução dos indicadores e aplicações de algoritmos de aprendizado de máquina. Estudos de caso e aplicações no setor industrial evidenciam a eficácia da integração entre sensores IoT e algoritmos de Machine Learning na antecipação de falhas e otimização de recursos. A pesquisa adota abordagem mista, unindo análise qualitativa e quantitativa, com foco em indicadores como OEE, MTTR e MTBF. Os resultados apontam que o uso de ML contribui para reduzir custos, prolongar a vida útil dos equipamentos e elevar a eficiência produtiva. Conclui-se que, apesar dos desafios estruturais e culturais, a tendência é de cada vez mais adoção dessas tecnologias, exigindo capacitação técnica e mudança de mentalidade por parte dos gestores industriais e de todos os envolvidos.
Downloads
Referências
BARBOSA, J. D. M. Manutenção preditiva com recurso a Machine Learning. 2023. Dissertação (Mestrado Integrado em Engenharia Electrotécnica e de Computadores) – Universidade de Coimbra, Coimbra, 2023. Disponível em: //hdl.handle.net/10316/113099. Acesso em: 15 set. 2025.
BROMBERGER, D. A. et. al. Desenvolvimento de modelos de machine learning para manutenção preditiva de bombas hidráulicas. In: Encontro Nacional de Engenharia de Produção, 44., 2024, Porto Alegre. Anais […]. Porto Alegre: ABEPRO, 2024. Disponível em: //researchgate.net/publication/385635295. Acesso em: 13 set. 2025.
CAMPBELL, J. D.; REYES-PICKNELL, J. V.; KIM, S. Managing the lifecycle of facilities: strategic decision-making for long-term organizational advantage. Journal of Facilities Management, v. 13, n. 3, p. 234-247, 2015.
CARTA, F. et. al. Advancements in Forest Fire Prevention: A Comprehensive Survey. Sensors, v. 23, n. 14, p. 6635, 2023. Disponível em: //doi.org/10.3390/s23146635. Acesso em: 15 set. 2025.
CARVALHO, T. P. et. al. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, v. 137, p. 106024, 2019. Disponível em: //doi.org/10.1016/j.cie.2019.106024. Acesso em: 12 set. 2025.
CRUZ, A. R. S.; GALDAMEZ, E. V. C.; SAMED, M. M. A. Manutenção preditiva com Machine Learning na indústria: uma revisão sistemática da literatura. In: CONBREPRO – Congresso Brasileiro de Engenharia de Produção, 2023, Ponta Grossa. Anais […]. Ponta Grossa: Unicesumar, 2023. Disponível em: //aprepro.org.br/conbrepro/anais/2023/arquivos/11032023_111107_654500a799cf3.pdf. Acesso em: 23 set. 2025.
DALZOCHIO, J. et al. Machine learning and reasoning for predictive maintenance in Industry 4.0: Current status and challenges. Computers in Industry, v. 123, p. 103298, 2020. Disponível em: //doi.org/10.1016/j.compind.2020.103298. Acesso em: 1 dez. 2024
HOFFMANN, M. A.; LASCH, R. Unlocking the Potential of Predictive Maintenance for Intelligent Manufacturing: A Case Study on Potentials, Barriers, and Critical Success Factors. Schmalenbach Journal of Business Research, v. 77, p. 27–55, 2025. Disponível em: //doi.org/10.1007/s41471-024-00204-3. Acesso em: 22 set. 2025
KAMGBA, R. B. A Machine Learning Approach for Predictive Maintenance in Manufacturing Companies. Authorea, 2024. Disponível em: //doi.org/10.22541/au.172775864.48120288/v1. Acesso em: 17 set. 2025.
KHALED, A.; YOUNES, M. B.; TRAD, A. Deep learning for predictive maintenance: A comprehensive survey and taxonomy. Engineering Applications of Artificial Intelligence, v. 123, p. 106299, 2023. Disponível em: //doi.org/10.1016/j.engappai.2023.106299. Acesso em: 1 dez. 2024.
LEE, J.; LAPIRA, E.; BAGHERI, B.; KAO, H. Recent advances and trends in predictive manufacturing systems in big data environment. Manufacturing Letters, v. 1, n. 1, p. 38-41, 2013.
NAKAJIMA, S. Introduction to TPM: Total Productive Maintenance. Cambridge: Productivity Press, 1988.
NOVOCHADLO, C. A.; PALADINI, E. P. The application of real-time overall equipment efficiency indicator in a medium-sized company. Brazilian Journal of Operations & Production Management, v. 21, n. 1, p. 1-15, 2024. Disponível em: //bjopm.org.br/bjopm/article/view/2042. Acesso em: 9 set. 2025.
OLIVEIRA, A. S.; PACHECO, F. A.; MERCES, R. S. Aplicação do OEE em uma indústria metal-mecânica no interior do estado de São Paulo. Revista FOCO, v. 15, n. 4, p. 165-178, 2022. Disponível em: //researchgate.net/publication/366554674. Acesso em: 9 set. 2025.
SILVA, W. R. P. et. al. A utilização de redes neurais na previsão de falhas de equipamentos mecânicos. In: CONBREPRO – Congresso Brasileiro de Engenharia de Produção, 2023, Ponta Grossa. Anais […]. Ponta Grossa: Unicesumar, 2023. Disponível em: //aprepro.org.br/conbrepro/anais/2023/arquivos/10312023_221014_6541a5b2703cc.pdf. Acesso em: 13 set. 2025.
TRACTIAN. Tractian: Monitoramento Online e Gestão de Ativos. 2025. Disponível em: //tractian.com/. Acesso em: 25 ago. 2025.
ZARO, E. M.; WEBER, C. G. Estudo de caso de desenvolvimento de sistema para manutenção preditiva 4.0. Brazilian Journal of Operations & Production Management v. 22, n. 3, p. e4557, 2023. Disponível em: //doi.org/10.14488/1676-1901.v22i3.4557. Acesso em: 25 ago. 2025.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Revista Interface Tecnológica
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos publicados pertencem à revista Interface Tecnológica e seguem o padrão Creative Commons (CC BY 4.0), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.
1.png)
1.png)
