ANÁLISE DO SISTEMA DE MONITORAMENTO INTELIGENTE PARA CONTROLE DE QUALIDADE INDUSTRIAL USANDO INTELIGÊNCIA ARTIFICIAL E INFERÊNCIAS ESTATÍSTICAS
DOI:
https://doi.org/10.31510/infa.v22i2.2361Palavras-chave:
Sistema de Monitoramento Inteligente, Controle de Qualidade, Inteligência Artificial, IoT, Estatística PreditivaResumo
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
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
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)