ANÁLISE DO SISTEMA DE MONITORAMENTO INTELIGENTE PARA CONTROLE DE QUALIDADE INDUSTRIAL USANDO INTELIGÊNCIA ARTIFICIAL E INFERÊNCIAS ESTATÍSTICAS

Autores

DOI:

https://doi.org/10.31510/infa.v22i2.2361

Palavras-chave:

Sistema de Monitoramento Inteligente, Controle de Qualidade, Inteligência Artificial, IoT, Estatística Preditiva

Resumo

Com a intensificação da digitalização dos processos industriais e a alta demanda por eficiência e rastreabilidade, tornou-se indispensável o uso de tecnologias avançadas capazes de elevar os padrões de qualidade na produção. Nesse sentido, o sistema de Monitoramento Inteligente para Controle de Qualidade (SMICQ) surgiu como uma alternativa estratégica, ao integrar Inteligência Artificial, Internet das Coisas (IoT) e métodos estatísticos preditivos. Essa necessidade se revelou ainda mais palpável perante o incremento da complexidade produtiva e da pressão por redução de falhas, desperdícios e custos operacionais. Com isso, verifica-se que a capacidade de acompanhar variáveis em tempo real fortalece a confiabilidade dos processos e garante maior aderência às normas de qualidade e competitividade em alta escala. Desse modo, o presente estudo foi desenvolvido com base em evidências práticas e no levantamento bibliográfico da área, reunindo contribuições de pesquisas científicas, relatórios técnicos e aplicações industriais já consolidadas. No decorrer deste artigo, são discutidos aspectos como o funcionamento do SMICQ, suas vantagens em comparação aos métodos tradicionais de inspeção, bem como os impactos da sua adoção no contexto da Indústria 4.0. Por conseguinte, com a pesquisa, evidencia-se o papel do SMICQ como solução tecnológica, destaca-se seu potencial estratégico na transformação digital da indústria e na construção de processos produtivos mais autônomos, precisos e sustentáveis.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

AHMED, N., ALI, S., & KHAN, M. (2021). Predictive Maintenance in Smart Manufacturing Using IoT and Machine Learning. Computers in Industry, 129, 103–119.

GIL, ANTONIO CARLOS. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2010.

LEE, JAY; BAGHERI, BEHRAD; KAO, HUNG-AN. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, v. 3, p. 18-23, 2015. DOI: https://doi.org/10.1016/j.mfglet.2014.12.001. Acesso em: 22 de maio de 2025

MACIEL, J. O., SILVA, L. B. P., TREINTA, F. T., & PONTES, J. (2023). Qualidade no contexto da Indústria 4.0. Canais do Encontro Nacional de Engenharia de Produção. Disponível em: https://www.abepro.org.br/biblioteca/TN_ST_402_1976_46575.pdf

OLIVEIRA, T. M. Big Data no controle de qualidade industrial. Revista Brasileira de Tecnologia, v. 10, n. 5, p. 112-125, 2021.

PEREIRA, A. F., SANTOS, M. R., & LIMA, J. P. (2022). Aplicações da Indústria 4.0 no monitoramento inteligente da produção industrial. Revista de Engenharia de Produção, 12(3), 45-58.

PEREIRA, R. G.; ARAÚJO, J. F. Uso de IoT e IA no monitoramento de processos produtivos: Desafios e oportunidades. In: CONGRESSO BRASILEIRO DE AUTOMATIZAÇÃO INDUSTRIAL, 2022, São Paulo: SBA, 2022. p. 102-118.

ROMERO, Marcos L.; SUYAMA, Ricardo. Garantia de qualidade em tempo real de dados de Internet das Coisas via aprendizado de máquina. Canais do XLII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais, 2024. Disponível em: https://www.ufabc.edu.br/divulgacao-cientifica/artigos/garantia-de-qualidade-em-tempo-real-de-dados-de-internet-das-coisas-via-aprendizado-de-maquina. Acesso em: 24 abr. 2025.

SANTOS, M. C., LIMA, A. F., & RODRIGUES, J. P. (2020). Real-Time Quality Monitoring in Pharmaceutical Production Using NIR Spectroscopy and Multivariate Analysis. Journal of Quality in Pharmaceutical Sciences, 25(3), 135–144

SILVA, E. P.; MENEZES, M. C. Análise estatística e algoritmos de aprendizado de máquina no controle de qualidade industrial. Jornal de Engenharia Industrial, v. 15, n. 3, p. 34-47, 2020.

SILVA, J. R.; OLIVEIRA, M. L. A evolução do controle de qualidade na era da Indústria 4.0. Revista de Engenharia e Tecnologia, v. 14, n. 2, p. 45-60, 2022.

STRAAT, L.; LEE, H.; PALMER, T.; DECKERS, J.; VERSTEEG, G. Real-Time Prediction of Mechanical Properties in Steel Manufacturing Using AI. arXiv, 2022. Disponível em: https://arxiv.org/abs/2206.05818. Acesso em: 22 maio 2025.

SILVA, R. M., & OLIVEIRA, F. L. (2022). Integração de inteligência artificial e estatística para aprimoramento do controle de qualidade industrial. Revista Brasileira de Controle de Qualidade, 10(1), 89-102.

TATA ELXSI. AI for manufacturing quality control and efficiency: Case study. 2023. Disponível em: https://asset.tataelxsi.com/ai-for-manufacturing-quality-control-and-efficiency-casestudy. Acesso em: 22 maio 2025.

WANG, X., LI, Z., & CHEN, J. (2023). Implementation of AI-based intelligent monitoring system for quality control in automotive manufacturing. International Journal of Advanced Manufacturing Technology, 127(5), 1235-1249. https://doi.org/10.1007/s00170-023-11234-5. Acesso 25 mai. 2025.

ZHANG, L., CHEN, Y., & WANG, H. (2021). Machine learning for predictive quality control in manufacturing systems: A review. Journal of Manufacturing Systems, 58, 135-148. https://doi.org/10.1016/j.jmsy.2020.10.004. Acesso em: 25 mai. 2025.

Downloads

Publicado

20/12/2025

Edição

Seção

Tecnologia em Produção Industrial

Como Citar

DE MELO SCACHETTI, Gabriel; JOSÉ CASAGRANDE, Diego. ANÁLISE DO SISTEMA DE MONITORAMENTO INTELIGENTE PARA CONTROLE DE QUALIDADE INDUSTRIAL USANDO INTELIGÊNCIA ARTIFICIAL E INFERÊNCIAS ESTATÍSTICAS. Revista Interface Tecnológica, Taquaritinga, SP, v. 22, n. 2, p. 901–911, 2025. DOI: 10.31510/infa.v22i2.2361. Disponível em: https://revista.fatectq.edu.br/interfacetecnologica/article/view/2361. Acesso em: 3 maio. 2026.