Escolar Documentos
Profissional Documentos
Cultura Documentos
CAMPUS FLORIANÓPOLIS
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS
CURSO DE ENGENHARIA DE PRODUÇÃO MECÂNICA
Bruno Pereira
Florianópolis
2021
Bruno Pereira
Florianópolis
2021
Bruno Pereira
Este Trabalho de Conclusão de Curso foi julgado adequado e aprovado, em sua forma final,
pelo curso de Graduação em Engenharia de Produção Mecânica da Universidade Federal de
Santa Catarina.
________________________
Prof. Guilherme Ernani Vieira, Dr.
Coordenador dos Cursos de Graduação em Engenharia de Produção
Banca Examinadora:
________________________
Prof. Antonio Cezar Bornia, Dr.
Orientador
Universidade Federal de Santa Catarina
________________________
Prof. Enzo Morosini Frazzon, Dr.
Avaliador
Universidade Federal de Santa Catarina
________________________
Prof. Maurício Uriona Maldonado, Dr.
Avaliador
Universidade Federal de Santa Catarina
Dedico este trabalho aos meus familiares, minha namorada e
todos os amigos que fiz na UFSC.
AGRADECIMENTOS
Agradeço primeiramente aos meus pais, Marinês de Fátima Ribeiro Pereira e Ari
Honorato Bitencourt Pereira pela educação, suporte e principalmente por acreditarem em mim.
Aos meus irmãos, Wagner Pereira e Bruna Pereira Gonçalves por sempre prestarem
apoio ao longo da minha caminhada.
A minha Avó, Mercedes Cristino da Silva Ribeiro por prestar apoio em todos os
momentos que eu sempre precisei.
A minha namorada Vanessa da Silva Domingos por estar comigo nessa jornada,
praticamente desde o início do curso, sempre me aturando e me apoiando de todas as formas.
Aos meus colegas de curso, por todos momentos e por todas as viradas de noite que
compartilhamos durante essa trajetória.
Ao professor Antonio Cezar Bornia por sua orientação, compreensão e ensinamentos.
A empresa que me cedeu a oportunidade de estágio e pelo projeto, objeto de estudo,
para realização desse trabalho.
Por fim gostaria de agradecer a todos que contribuíram direta ou indiretamente para a
minha graduação e realização desse trabalho.
“Acredito que se você mostrar às pessoas
os problemas e depois as soluções elas se
motivarão a agir.”
(Bill Gates)
RESUMO
A incessante preocupação pela competitividade traz à tona a crescente evolução dos setores
industriais de manufatura, em busca de melhorias para seus processos. Nesse contexto, o
conceito de indústria 4.0 reflete a necessidade de uma imediata adaptação, com suas
ferramentas, apesar dos investimentos iniciais, visa não só a melhoria dos processos, trazendo
a competitividade, mas também atua na redução de custos em diversas áreas. Este trabalho tem
como objetivo estruturar uma solução para agregar inteligência ao sistema atual de
bobinamento, para viabilizar o uso das ferramentas da indústria 4.0 e, estimar a redução de
sucata gerada a partir do sistema proposto em relação ao atual. Como solução foi proposto um
sistema inteligente, que seja capaz de tomar decisões e cessar o bobinamento de carretéis que
excederem o limite dos critérios de aceitação de defeitos, fazendo que dessa forma, menos
quantidade de fios tornem-se sucata, pois facilita o descarte dos fios com defeitos. Para realizar-
se o desenvolvimento da pesquisa, levantou-se dados quantitativos, encontrados em relatórios
já existentes na fábrica, bem como, a realização de acompanhamento dos processos e a
execução de análises do sistema proposto. Após o levantamento de todos os dados, foi possível
realizar comparações entre as análises e os dados reais, concluindo que o sistema proposto,
pode reduzir em até 20% a sucata gerada atualmente no processo de recuperação de carretéis
reprovados. Por fim, a solução trará benefícios para empresa, uma vez que, a solução é viável
tanto do ponto de vista de infraestrutura, como operacional.
The continuous worry for competitiviness brings up a growing evolution in the manufacturing
industrial sectors, in the search for processes improvement. In this way, 4.0 industry concept
generates a needing for a instant adaptation with its tools. Despite the initial investments, it
aims not just processes improvements, bringing up competitiviness, but also aims cost reduction
in plenty of areas. The present article aims to structure a solution to add intelligence to the
factory actual system to provide 4.0 indusry tools usage and, in addiction, to estimate the waste
reduction generated by the proposed systemin relation to the actual. As a solution, it was
proposed an intelligent system that's able to make decisions and to cease winding spools that
exceed defects acceptions criteria. In this case, there'll be less amount of wires to become waste,
because it eases the discard of defective wires. To accomplish the research development,
quantitative data were collected finding in reports already existing in the factory, as well the
follow up of processes and simulations of the proposal system. After the quantitative data
collection, it was possible to compare simulation and real data, concluding that the proposal
system can reduce up to 20% of the waste generated in the recovering process of reproved
spools. Finally, the solution will bring benefits to the company, once this this solution is viable
in a infrastructure and operation way as well.
Decisão
Inspeção
Operação
Transporte
SUMÁRIO
1 INTRODUÇÃO ............................................................................................... 15
1.1 CONTEXTUALIZAÇÃO .................................................................................. 15
1.3 OBJETIVOS...................................................................................................... 17
1 INTRODUÇÃO
1.1 CONTEXTUALIZAÇÃO
1.3 OBJETIVOS
1.4 JUSTIFICATIVA
O impacto da indústria 4.0 aponta uma profunda transformação nas plantas fabris e,
influencia diretamente a produtividade, o controle sobre o processo produtivo, a redução de
custos, a customização da produção, dentre outros (INDUSTRIA40, 2021).
Segundo um levantamento realizado pela ABDI, foi estimado uma redução anual nos
custos industriais, de no mínimo R$ 73 bilhões/ano, a partir da migração da indústria para o
conceito 4.0. Essa economia envolve uma redução de R$ 31,5 bilhões/ano nos custos de
manutenção e máquinas, R$ 34,5 bilhões/ano em ganhos de eficiência e R$ 7 bilhões/ano em
consumo de energia (ABDI, 2017).
Em 2018, a modernização e a inserção das indústrias no âmbito da indústria 4.0
impactou somente 5% no PIB. O ministro da Indústria estima que a indústria 4.0 pode impactar
até 28% no Produto Interno Bruto (PIB) até 2030 (AGENCIABRASIL, 2018).
No setor metalmecânico, as fábricas de conformação, como a trefilação, não é
diferente, o impacto da inserção no âmbito da indústria 4.0 é tão alto quanto em qualquer outro
setor. Segundo Taguchi (1990), um processo de conformação de má qualidade não é
competitivo em relação aos custos, principalmente por causa dos altos índices de sucata e
retrabalho. Também não serão competitivos no quesito qualidade, pois com um processo de
fabricação ruim a queda na qualidade dos produtos será sistematicamente maior devido a
dispersão excessiva dos resultados.
Portanto, a modificação e adequação em todos os setores industriais, ao conceito de
indústria 4.0, serão essenciais para o quesito de competitividade.
1.5 DELIMITAÇÕES
2 REFERENCIAL TEÓRICO
massa e o uso de energia elétrica. Já no começo dos anos 70 houve a terceira revolução
industrial, contendo a introdução da eletrônica e TI para aumento da automação na produção.
Na quarta a revolução foi marcada pela produção baseada em Sistemas Físicos-Cibernéticos
(KAGERMANN; WAHLSTER; HELBIG, 2013).
Kagermann, Wahlster e Helbig (2013) argumentam o formato de introdução das redes
globais que as empresas devem introduzir para que integrem seus centros de trabalhos, estoques
e instalações de produção na forma de Sistema Físicos-Cibernéticos. De acordo com Queiroz,
Leitão e Oliveira (2016) os mundos físicos e virtuais devem ser integrados para que possam
suportar as exigências e capacidades propostas pelo CPS, tendo como finalidade a adequação
de um gerenciamento mais eficaz do ambiente físico e dos seus processos.
De forma geral, a implementação da Indústria 4.0 permite que os funcionários foquem
em tarefas mais importantes e de valor agregado, pois será possível realizar o monitoramento,
a orientação e a configuração das redes de produção de forma inteligente. Sendo assim, o
funcionário manterá uma posição essencial dentro desse espaço, de forma que as condições de
trabalho flexíveis possibilitarão uma compatibilidade maior entre seus trabalhos e suas
necessidades pessoais. (KAGERMANN; WAHLSTER; HELBIG, 2013).
Para a idealização do Big Data, três dimensões são necessárias: volume, velocidade e
variedade. O volume diz respeito à quantidade de dados levantados pelas empresas. Cada vez
mais, mais dados são coletados e armazenados. A velocidade se refere ao tempo de tratamento
dos dados coletados, por exemplo, para processos sensíveis ao tempo, o processamento de
informações deve ser fluido. A variedade é a possibilidade do Big Data de adquirir quaisquer
tipos de informações, como textos, planilhas etc. (IBM, 2012). Ohlhorst (2012) considera mais
uma dimensão pertencente as características do Big Data, a veracidade. Em geral, a veracidade
se refere a anomalias, ruídos e erros estatísticos dos dados produzidos e/ou colhidos.
úteis para o seu usuário (HAND, MANNILA, & SMYTH, 2001). Os dados são coletados de
diferentes fontes, portanto precisam primeiramente ser transformados em um formato lógico,
antes que sejam utilizados como dados de entrada para análises.
Fonte: Cisco
2.1.2.4 Segurança
Uma planta Industrial deve contar com ferramentas de apoio instaladas em seus
sistemas, para que casos de invasões sejam evitados ou, pelo menos, que tenham seus impactos
reduzidos. O sistema deve ser capaz de identificar eventos incomuns, garantir a integridade da
infraestrutura, reagir a ataques ou até mesmo garantir a recuperação do sistema em caso de
hack. Portanto, três fundamentos são utilizados para suprir a garantia e integridade da indústria,
sendo eles: a confidencialidade, que consiste no sigilo da informação por toda cadeia de valores,
a integridade que diz respeito à consistência e confiabilidade das informações, e a
disponibilidade, que abrange o correto funcionamento dos dispositivos conferidos pelas
ferramentas de segurança (CHHETRI et al. 2018).
De qualquer forma, para Venturelli (2020), o maior ponto fraco na implementação de
uma fábrica que utiliza as tecnologias da indústria 4.0, é justamente o de não acreditar na
possibilidade de se sofrer um ataque. Por isso, a segurança da informação é a parte mais afetada
em uma instalação.
Venturelli (2020) também afirma que tais ataques não estão suscetíveis apenas em
dados como na área de TI, mas também em dispositivos físicos, de forma que possam afetar as
pessoas e o ambiente ao redor e dessa maneira, agravar ainda mais o ataque cibernético na
indústria 4.0.
27
2.1.3.1 Interoperabilidade
2.1.3.2 Virtualização
2.1.3.3 Descentralização
Através das necessidades de produção, os CPS tomam decisões por conta própria. Caso
ocorra alguma falha nas etapas do processo, a decisão é tomada por níveis superiores (TEM
HOMPEL; OTTO, 2014). De acordo com Schlick et al. (2014), para que a rastreabilidade seja
garantida, o acompanhamento dos processos precisa ser integral. Em suma, a descentralização
é a autonomia do CPS em tomar decisões, através de todas informações recebidas durante o
processo.
Como os dados são coletados e tratados em tempo real, a tomada de decisão também
deve ser instantânea. A planta é monitorada integralmente, portanto, regularmente o status da
planta é examinado. De forma que, a planta possua capacidade de reação ao menor indício de
falha, tomando a decisão de ordenar a troca de uma máquina para outra (SCHLICK et al. 2014).
28
3 METODOLOGIA DE PESQUISA
Do ponto de vista da sua natureza, esse estudo é caracterizado como uma pesquisa
aplicada, pois, tem finalidade de solucionar problemas específicos através da geração de
conhecimentos práticos.
A forma de abordar o problema é classificada de acordo com Silva e Menezes (2011),
como quantitativa. Lidam com dados quantificáveis, é necessário a utilização de técnicas
estatísticas para chegar-se no ponto de análise.
Em relação a seus objetivos, essa pesquisa é considerada de caráter descritivo, pois
descreve características de certos fenômenos, traz a utilização de coleta dados, questionários e
observações; assume a forma de estudo de caso.
Em relação aos procedimentos técnicos, o estudo de caso tem como foco pelo menos
um objeto, o qual se propõe ser intensamente estudado e amplamente detalhado em relação a
seu respeito (GIL, 1991).
Para Yin (2001) a forma como todo estudo de caso se apresenta é a mesma, esclarecem
o motivo pelo qual uma decisão foi imposta, a maneira como foram implementadas e quais
resultados foram gerados.
como seria o funcionamento do sistema, obtendo dessa forma, mais dados para confrontarem
os resultados da análise estatística.
De acordo com Nascimento (2007), a coleta de dados é uma etapa indispensável para
a realização de uma pesquisa, pois é de onde se extrai as informações que embasarão a execução
do estudo.
Para o estudo proposto, foram utilizados para a coleta de dados alguns itens como:
coleta dos cartões de recuperação, que indicam a quantidade de sucata descartada por carretel;
relatório de defeitos de cada carretel reprovado (base de dados do sensor); quantidade de sucata
gerada pelo sistema proposto, na análise teórica; quantidade de sucata gerada pelo sistema
proposto, na análise prática.
Para que uma análise estatística seja confiável, é de suma importância o levantamento
de alguns pontos importantes. Primeiramente, quanto maior o número de observações que o
estudo leva em consideração, maior será a representatividade estatística da amostra. (HODGE,
AUSTIN 2004)
A maioria dos recursos estatísticos tem seus dados baseados em modelos e
distribuições de probabilidade. Logo, dados que possuem baixa probabilidade de pertencerem
a um certo modelo, são tecnicamente considerados outliers. (TAN; STEINBACH; KUMAR,
2009).
Dessa forma, um dado é considerado outlier, quando o seu comportamento não parece
ter sido gerado pelo mesmo modelo estocástico definido inicialmente pelo objeto de análise.
(ASCOMBRE, 1960)
Para determinação dos outliers, identificados nos dados coletados do proposto estudo,
Han, Pei e Kamber (2011) elucidam a construção do gráfico boxplot, que utiliza cinco atributos
da estatística, sendo eles, o menor e o maior valor não anômalos (Min e Max), os quartis inferior
e superior (Q1 e Q3) e o intervalo interquartil (IQR), que é definido pela diferença do quartil
superior com o inferior. Portanto, 99,3% dos dados estão contemplados entre:
𝑄1 − 1,5 ∗ 𝐼𝑄𝑅 <> 𝑄3 + 1,5 ∗ 𝐼𝑄𝑅 (1)
34
A Figura 6 apresenta o gráfico Boxplot, o qual pode ser utilizado até mesmo para
comparação visual entre dois ou mais grupos. Além da análise estatística o gráfico Boxplot
fornece uma análise visual da posição, dispersão, simetria, caudas e valores discrepantes. Sendo
que o grande objetivo é a verificação da distribuição dos dados, tendo como principais
características: o centro dos dados, a amplitude, a assimetria ou simetria dos dados e a presença
de outliers.
35
Figura 9 - Bobinador
contabilizou, o carretel ficou com 54 trechos no total. Portanto, quando o inspetor preencher o
cartão de recuperação, a conta será a seguinte: 50 – 24 = 26, 50 é o número de trechos
contabilizados, 24 é o trecho defeituoso e 26 é a quantidade de trechos a serem rebobinados.
Sobretudo, como, no exemplo, considerou-se que mais 4 trechos foram bobinados após o sensor
parar de registrar, então a conta real foi de: 50 + 4 – 26 = 28, ou seja, caso só o trecho 28 fosse
sucateado, o defeito permaneceria no carretel. Por isso, como mencionado no início do
parágrafo, considera-se sucatear 7 trechos a mais antes e depois do trecho considerado
defeituoso. Portanto, nesse exemplo, os trechos descartados foram: 28 – 7 = 21 e 28 + 7 = 35,
logo todos os trechos entre o 21 até o 35 foram descartados; no total 15, trechos.
Dessa forma, como apresenta na Figura 12, o trecho real com defeito é o 24 e o
calculado pelo inspetor é o 28, porém, como a margem de sucateamento é grande (no exemplo
15 trechos), de fato, o trecho real com defeito também foi descartado. A Figura 13, ilustra como
ficou desmembrado em dois carretéis o exemplo apresentado na Figura 12.
Um carretel de 1500m + 120m (50 trechos contabilizados pelo sensor mais 4 não
registrados), foram desmembrados em dois, um rebobinado com 450m + 120m, outro com
600m e uma quantia de 450m foi sucateada.
42
Em alguns carretéis o valor de trechos descartados foi alto comparado à média. Sendo
assim, com a utilização dos dados dispostos na Tabela 2 construiu-se um Gráfico 1 - Boxplot,
determinado os dados discrepantes, considerados outliers, que foram descartados para não
comprometer a análise.
47
Gráfico 1 - Boxplot
Esta etapa também foi baseada no critério de aceitação de defeitos. Porém, foi realizada
em campo, ou seja, o pesquisador realizou o comando de corte de forma manual. Acompanhou-
se o monitor do sensor de defeitos em tempo real e, quando os defeitos excediam os limites do
critério de aceitação, o comando de corte era acionado pelo pesquisador.
Portanto, fez-se o acompanhamento durante sete dias, em um turno por dia. Foi
possível simular a decisão do momento do corte em 27 carretéis. Dessa forma, nenhum desses
carretéis precisou passar pelo processo de recuperação. Na Tabela 4 apresenta-se os 27 carretéis
acompanhados e sua respectiva massa sucateada.
23 1,32 34 12,409
24 0,80 26 3,4855
25 0,80 34 4,558
26 1,32 25 9,1243
27 0,90 9 1,527
Na análise prática, a quantidade total sucateada foi de 123,54kg, uma média de 4,58kg
de sucata por carretel observado.
Na Tabela 5 apresenta-se a redução de sucata por carretel, entre o método atual e a análise
teórica.
CARRETEL RECUPERADO/ACOMP. 27
SUCATA TOTAL/ACOMP. 123,54
SUCATA POR C.R. 4,58
Fonte: Autor (2021)
A média mensal, dos seis meses apresentados na Tabela 7, de sucata gerada por carretel foi de
5,73kg.
55
A Tabela 8 apresenta comparações das duas análises em relação ao método atual, acompanhado,
e em relação a média de sucata por carretel reprovado, no período de 6 meses. A análise teórica
apresentou uma redução de 21% em relação ao acompanhamento do método atual e 18% em
relação a média dos últimos seis meses. A análise prática apresentou uma redução de 23% em
relação ao acompanhamento do método atual e 20% em relação a média dos últimos 6 meses.
Para efeitos de quantificação monetária, considerou-se que a solução proposta tem o
potencial de redução de sucata, sobre o método atual de recuperação de carretéis rebobinados,
de 20%. Portanto, das 11,5 toneladas de sucata gerada nos últimos seis meses, 2,3 toneladas
podem ser evitadas de se tornarem refugo. Totalizando uma economia de R$ 20.700,00 em
apenas 6 meses (considerando a compra do quilo do cobre a R$ 32,00 e a venda da sucata a R$
23,00).
A análise de viabilidade econômica foi realizada pela seção de custos da empresa. Para
que o projeto, objeto da pesquisa, tenha a possibilidade de ser aprovado em comissão, um estudo
de retorno sobre o capital investido precisa ser realizado e precisa atender certas exigências
impostas pelos chefes e gerentes. Para realização dos cálculos, a seção de custos utilizou dados
obtidos no estudo, como a estimativa de 20% de redução de sucata, causada por defeitos, em
carretéis recuperados. Para o cálculo do potencial de redução das perdas, utilizou-se o valor do
custo do material (diferença entre o produto acabado e a venda da sucata) e para a redução do
custo da não qualidade, utilizou-se o preço do produto acabado. O investimento consiste em R$
56.000,00 em infraestrutura e R$ 30.000,00 referentes à mão de obra e programação, para 7
máquinas. O payback do projeto foi estimado, pela seção de custos, em 36 meses.
56
5 CONSIDERAÇÕES FINAIS
foi possível realizar os potenciais ganhos, porque atualmente o processo de retrabalho não está
mapeado e, como a pesquisa foi desenvolvida no período de estágio do pesquisador, não coube
a ele a tarefa de mapeamento da perda desse processo.
Como mencionado anteriormente, o trabalho atendeu as expectativas e, através das
análises, confirmou que com a implementação do sistema proposto, é possível que a quantidade
de sucata gerada pelo processo de recuperação de carretéis seja reduzida em 20%. Como visto
durante o desenvolvimento do trabalho, alguns temas surgiram como possibilidades para
trabalhos futuros. Quatro ocasiões são sugeridas. A primeira, estimar o ganho potencial com a
extinção do processo de retrabalho nos casos de carretéis recuperados, ou seja, além da redução
de sucata apresentada no presente trabalho, também pode-se desenvolver um estudo analisando
os ganhos estimados em torno da redução de hora/homem, uma vez que uma parte do processo
atual não precisa mais ser efetuada. Por seguinte, fica sugerido, também, a análise da
possibilidade de melhoria no processo de troca de carretel do bobinador da máquina apresentada
na presente pesquisa. Essa melhoria deve consistir em agilizar a troca do carretel, para que
menos sucata seja gerada nesse processo. A terceira sugestão seria a de analisar a viabilidade
da alteração dos processos de fabricação para resolução de problemas de qualidade, a fim de
evitar que os problemas de qualidade surjam e alguma ação possa ser tomada. Por fim, um novo
conjunto de regras, mais eficiente que o atual, baseado na utilização das ferramentas da indústria
4.0, também fica como sugestão para trabalhos futuros.
59
REFERÊNCIAS
ANDERL, R. Industrie 4.0: Advanced Engineering of Smart Products and Smart Production.
In: International Seminar on High Technology, 19, 2014, Piracicaba.
BABICEANU, R. F.; SEKER, R. Big Data and virtualization for manufacturing cyberphysical
systems: A survey of the current status and future outlook. Computers in Industry, v. 81, p. 128–137,
2016.
CERVO, A. L. BERVIAN, P. A. Metodologia científica. 5. ed. São Paulo: Prentice Hall, 2002.
CHHETRI, S.; RASHID, N.; FAEZI. S.; FARUQUE, M. Security trends and advances in
manufacturing systems in the era of industry 4.0. In: 2017 IEEE/ACM International Conference on
Computer-Aided Design (ICCAD). IEEE, 2017. p. 1039-1046.
DAVIES, R,; COOLE, T.; SMITH, A. Review of socio-technical considerations to ensure successful
implementation of Industry 4.0. Procedia Manufacturing, v. 11, p. 1288-1295, 2017.
DEMARCHI, A. A. et al. Síntese caracterização de materiais híbridos de poliamida-imida (PAI) e
copolissilsesquioxanos de 3-aminopropiltrietoxissilano (APES) e feniltrietoxissilano (PTES). 2011.
Dissertação (Mestrado) - Curso de Ciências e Engenharia dos Materias - Universidade do Estado de
Santa Catarina, Joinville, 2011.
EDGE Global Supply. Entenda o papel dos sensores e atuadores para a comunicação industrial,
2020. Disponível em:https://blog.fastformat.co/como-fazer-citacao-de-artigos-online-e-sites-da-
internet/. Acesso em: 25 de jan. de 2021.
FAVENNEC, J.-M. Smart sensors in industry. Journal of Physics E: scientific instruments, v. 20, n.
9, p. 1087, 1987.
60
GUBBI, J. et al. Internet of Things (IoT): A vision, architectural elements, and future directions.
Future Generation Computer Systems, v. 29, n 7, p. 1645-1660, 2013.
HAMMER, M. et al. Profit per Hour as a Target Process Control Parameter for Manufacturing
Systems Enabled by Big Data Analytics and Industry 4.0 Infrastructure. Procedia CIRP, v. 63, p.
715–720, 2017.
HAN, J.; KAMBER, M.; PEI, J. Data mining concepts and techniques third edition. The Morgan
Kaufmann Series in Data Management Systems, v. 5, n. 4, p. 83-124, 2011.
RÜßMANN, M. et al. Industry 4.0: The future of productivity and growth in manufacturing industries.
Boston Consulting Group, v. 9, n. 1, p. 54-89, 2015.
HERMANN, M.; PENTEK, T.; OTTO, B.. Design principles for industrie 4.0 scenarios. In: 2016 49th
Hawaii international conference on system sciences (HICSS). IEEE, 2016. p. 3928-3937.
HODGE, V.; AUSTIN, J. A survey of outlier detection methodologies. Artificial intelligence review,
v. 22, n. 2, p. 85–126, 2004.
LACHENMAIER, Jens F.; LASI, Heiner; KEMPER, Hans-Georg. Simulation of production processes
involving cyber-physical systems. Procedia CIRP, v. 62, p. 577-582, 2017.
LEE, J.; BAGHERI, B.; KAO, H. A. A cyber-physical systems architecture for industry 4.0-based
manufacturing systems. Manufacturing letters, v. 3, p. 18-23, 2015.
LEE, J.; KAO, H. A.; YANG, S.. Service innovation and smart analytics for industry 4.0 and big data
environment. Procedia Cirp, v. 16, p. 3-8, 2014.
LEE, J. et al. Recent advances and trends in predictive manufacturing systems in big data
environment. Manufacturing letters, v. 1, n. 1, p. 38-41, 2013.
LU, Y. Industry 4.0: A survey on technologies, applications and open research issues. Journal of
industrial information integration, v. 6, p. 1-10, 2017.
MCKINSEY GLOBAL INSTITUTE. Unlocking the potential of the internet of things, jun. 2015.
Disponível em: http://www.mckinsey.com/business-functions/business technology/ourinsights/the-
internet-of-things-the-value-of-digitizing-the-physical-world. Acesso em: 19 dez. 2020.
61
MUELLER, E.; CHEN, L.; RIEDEL, R. Challenges and requirements for the application of industry
4.0: a special insight with the usage of cyber-physical system. Chinese Journal of Mechanical
Engineering, v. 30, n. 5, p. 1050-1057, 2017.
PIANA, J.; ERDMANN, R. H.. Fatores geradores de competitividade na manufatura: uma relação
entre práticas e resultados. Revista de Administração da Universidade Federal de Santa Maria, v.
4, n. 1, p. 73-90, 2011.
QUEIROZ, J.; LEITÃO, P.; OLIVEIRA, E.. Industrial cyber physical systems supported by
distributed advanced data analytics. In: International Workshop on Service Orientation in Holonic
and Multi-Agent Manufacturing. Springer, Cham, 2016. p. 47-59.
TAN, P.-N.; STEINBACH, M.; KUMAR, V.. Introdução ao datamining: mineração de dados.
Ciência Moderna, 2009.
TEN HOMPEL, M.; OTTO, B. Technik für die wandlungsfähige Logistik – Industrie 4.0.
Deutscher Materialfluss-Kongress, v. 20, n. 21, p. 117-125, 2014.
THAMES, L.; SCHAEFER, D. Software-defined cloud manufacturing for industry 4.0. Procedia
cirp, v. 52, p. 12-17, 2016.
RAJKUMAR, R. et al. Cyber-physical systems: the next computing revolution. In: Design
automation conference. IEEE, 2010. p. 731-736.
RODRIGUES, L. F.; DE JESUS, R. A.; SCHÜTZER, K. Industrie 4.0: Uma revisão da literatura.
Revista de Ciência & Tecnologia, Universidade Metodista de Piracicaba, v. 19, n. 38, p. 33-45, 2016.
RYS, R. Smart Sensors Increasingly Important in the Industiral IoT Age. ARC Advisory
Group, 2018. Disponível em: https://www.arcweb.com/blog/smart-sensorsincreasingly-important-
industrial-iot-age. Acesso em: 19 dez. 2020.
SCHLICK, J. et al. Industrie 4.0 in der praktischen Anwendung. In: Industrie 4.0 in Produktion,
Automatisierung und Logistik. Springer Vieweg, Wiesbaden, 2014. p. 57-84.
62
SHACKELFORD, James F. Introduction to materials science for engineers. 7 ed. Upper Saddle
River: Pearson, 2016.
SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. 4 ed.
Florianópolis: Universidade Federal de Santa Catarina, 2001. 140 p.
SOUZA, L. Indústria 4.0 poderá impactar PIB em 28% até 2030, estima ministro. Agência
Brasil, 2018. Disponível em: https://agenciabrasil.ebc.com.br/economia/noticia/2018-05/industria-40-
podera-impactar-pib-em-28-ate-2030-estima-ministro. Acesso em: 23 de jan. de 2021.
YIN, R. K. Estudo de Caso – Planejamento e Método. 2. ed. São Paulo: Bookman, 2001.
YU, C.; XU, X.; LU, Y.. Computer-integrated manufacturing, cyber-physical systems and cloud
manufacturing–concepts and relationships. Manufacturing letters, v. 6, p. 5-9, 2015.
ZHONG, R. Y. et al. Intelligent manufacturing in the context of industry 4.0: a review. Engineering,
v. 3, n. 5, p. 616-630, 2017.
Ohlhorst, F. J. (2012). Wiley and SAS Business Series : Big Data Analytics : Turning Big
Data into Big Money. Somerset, NJ, USA: John Wiley & Sons.
Surange, S., & Bansal, A. (2013). IBM Accelerator for Machine Data Analytics, Part 1:
Speeding up machine data analysis. Disponível em:
<http://www.ibm.com/developerworks/data/library/techarticle/dm-1301machinedata1/>.
Acesso em: 01 de março de 2021.
Alpaydın, E. (2010). Introduction to Machine Learning (2nd Edition ed.). Cambridge, MA,
USA: The MIT Press.
Hand, D., Mannila, H., & Smyth, P. (2001). Principles of Data Mining. Cambridge, MA,
USA: The MIT Press.
Reffat, R. M., Gero, J. S., & Peng, W. (2004). Using data mining on building maintenance
during the building life cycle. 38th Australian & New Zealand Architectural Science
Association (pp. 91-97). Hobart: University of Tasmania.
63