Traduzido do Inglês para o Português - www.onlinedoctranslator.
com
aplicado
ciências
Análise
Sobre Manutenção Preditiva na Indústria 4.0: Visão Geral,
Modelos e Desafios
Mounia Achouch1,2,3,*, Maria Dimitrova1, Khaled Ziane3, Sasan Sattarpanah Karganroudi1,4, Rizck
Dhouib1, Hussein Ibrahim1,3e Mehdi Adda2
Citação:Achouch, M.; Dimitrova, M.;
Ziane, K.; Sattarpanah Karganroudi, S.;
Dhouib, R.; Ibrahim, H.; Adda, M. Sobre
Manutenção Preditiva na Indústria 4.0:
Visão Geral, Modelos e Desafios.Apl.
Ciência.2022,12, 8081. https://doi.org/
10.3390/app12168081
Editores Acadêmicos: Sławomir
Nowaczyk, Mohamed-Rafik
Bouguelia e Hadi Fanaee
Recebido: 27 de junho de 2022
Aceito: 10 de agosto de 2022
Publicado: 12 de agosto de 2022
Nota do editor:O MDPI permanece neutro
em relação a reivindicações jurisdicionais em
mapas publicados e afiliações institucionais.
Direito autoral:© 2022 dos autores.
Licenciado MDPI, Basileia, Suíça. Este
artigo é um artigo de acesso aberto
distribuído sob os termos e condições
da licença Creative Commons
Attribution (CC BY) (https://
creativecommons.org/licenses/by/
4.0/).
Apl. Ciência.2022,12, 8081. https://doi.org/10.3390/app12168081
1 Instituto Técnico de Manutenção Industrielle ITMI, 175 rue de la VéRendrye, Sept-
Îles, QC G4R 5B7, Canadá
2 Départe de matemáticaéMatique, Informatique et Génão, Universidadeédu QuéporqueaRimouski,
Rimouski, QC G56 3A1, Canadá
3 Centro de Pesquisa e Inovação em InteligênciaÉenergiaétique CR2Ie, 175 rue de la VéRendrye,
Sept-Îles, QC G4R 5B7, Canadá
4 Departamento de Engenharia Mecânica, Universidadeédu QuéporqueaTrois-Riviéres,
Trois-Riviéres, QC G8Z 4M3, Canadá
* Correspondência: mounia.achouch@cegepsi.ca
Abstrato:Na era da quarta revolução industrial, vários conceitos surgiram paralelamente a esta nova revolução,
como a manutenção preditiva, que hoje desempenha um papel fundamental na produção sustentável e nos
sistemas de produção ao introduzir uma versão digital da manutenção das máquinas. Os dados extraídos dos
processos de produção aumentaram exponencialmente devido à proliferação de tecnologias de detecção.
Mesmo que a Manutenção 4.0 enfrente desafios organizacionais, financeiros ou mesmo de fontes de dados e de
reparação de máquinas, continua a ser um ponto forte para as empresas que a utilizam. Na verdade, permite
minimizar o tempo de inatividade da máquina e os custos associados, maximizar o ciclo de vida da máquina e
melhorar a qualidade e a cadência da produção. Esta abordagem é geralmente caracterizada por um fluxo de
trabalho muito preciso, começando com a compreensão do projeto e a coleta de dados e terminando com a
fase de tomada de decisão. Este artigo apresenta uma revisão exaustiva da literatura sobre métodos e
ferramentas aplicadas a modelos inteligentes de manutenção preditiva na Indústria 4.0, identificando e
categorizando o ciclo de vida dos projetos de manutenção e os desafios encontrados, e apresenta os modelos
associados a este tipo de manutenção: manutenção baseada em condições (CBM), prognóstico e gestão de
saúde (PHM) e vida útil restante (RUL). Finalmente, é apresentado um novo fluxo de trabalho industrial aplicado
de manutenção preditiva, incluindo a fase de suporte à decisão, onde é apresentada uma recomendação para
uma plataforma de manutenção preditiva. Esta plataforma garante a gestão e comunicação fluida de dados
entre equipamentos ao longo do seu ciclo de vida no contexto de uma manutenção inteligente.
Palavras-chave:Indústria 4.0; manutenção preditiva (PdM) e desafios; manutenção baseada em condições
(CBM); prognóstico e gestão de saúde (PHM); vida útil remanescente (RUL); fluxo de trabalho de manutenção
preditiva; inteligência artificial; tomando uma decisão
1. Introdução
No atual contexto económico marcado por uma globalização feroz e por mercados cada vez
mais exigentes, as indústrias são levadas a melhorar o desempenho e a eficiência das suas linhas
de produção para reforçar a sua competitividade e satisfazer os seus clientes. Conectividade,
dados, novos dispositivos, redução de estoques, customização e produção controlada deram
origem ao que é chamado de Indústria 4.0, que hoje parece imparável [1]. Isto implica a
necessidade de aplicar técnicas de automação para integrar todas as novas tecnologias que irão
posteriormente aumentar a produtividade [2]. As tecnologias da Internet das Coisas (IoT) e Big
Data, e a integração de métodos de inteligência artificial (IA) e sistemas ciberfísicos
https://www.mdpi.com/journal/applsci
Apl. Ciência.2022,12, 8081 2 de 22

(CPS) desempenham um papel importante neste contexto ao introduzir a automação cognitiva e,

consequentemente, implementar o conceito de produção inteligente, conduzindo a produtos e
serviços inteligentes. Esta abordagem inovadora leva as empresas a enfrentar os desafios de um
ambiente muito mais dinâmico. Neste sentido, as empresas conseguem maximizar a vida útil dos
seus equipamentos, evitando paragens não planeadas e minimizando o consumo e custos de
energia através da aplicação de manutenção preditiva [3]. A manutenção preditiva tornou-se uma
abordagem promissora, fornecendo soluções para a vida restante dos equipamentos através da
previsão de dados coletados por diversos sensores nos equipamentos [4]. Alcançou uma
importância crítica para as indústrias devido à crescente complexidade das interações entre
diferentes atividades de produção em ecossistemas industriais cada vez maiores. Figura1 mostra a
tendência global para a aplicação deste tipo de manutenção inteligente com previsão de 2022 a
2030. Em geral, as abordagens contemporâneas de manutenção variam dependendo dos
diferentes modelos de aprendizagem utilizados e dos diferentes problemas encontrados pelas
máquinas/equipamentos. No entanto, a etapa de diagnóstico e prognóstico de falhas na
manutenção preditiva deve ser muito precisa e clara [5]. Dado o objetivo de construir um sistema
de manufatura inteligente, a detecção, interpretação e previsão de falhas que ocorrem nos
equipamentos são baseadas em dados adquiridos de sensores nos equipamentos [4]. No entanto,
a adoção destes avanços tecnológicos não ocorre sozinha. É importante ter uma boa ideia dos
benefícios e desafios da aplicação da Manutenção 4.0, seja do lado financeiro, organizacional, da
fonte de dados ou do reparo de equipamentos. A manutenção preditiva consiste, de fato, na
mineração de dados para a formulação de modelos de aprendizado de máquina que consigam
obter conhecimento e prever o estado de saúde dos equipamentos. Nesse sentido, a manutenção
preditiva oferece métodos como Manutenção Baseada em Condição (CBM), Prognóstico e
Gerenciamento de Saúde (PHM) e Vida Útil Restante (RUL).

Figura 1.Tamanho do mercado de Manutenção 4.0 mundial em 2020 e 2021 com previsão para anos futuros
indexados por * (de 2022 a 2030) [6,7].

Este artigo tem como objetivo apresentar uma revisão exaustiva dos métodos e ferramentas
utilizados na manutenção inteligente para oferecer uma referência acadêmica e técnica apresentando
desafios e oportunidades neste campo. Com esse objetivo, o artigo está dividido em nove seções,
iniciando com uma introdução na Seção1e explorando na seção2o conceito de Indústria 4.0 como a
tecnologia mais recente para evoluir nos domínios industriais, considerando os desafios humanos e de
segurança. Seção3ilustra a evolução da manutenção na fábrica ao longo dos anos e concentra-se na
manutenção preditiva e em seu hardware e ferramentas. Seção4apresenta os desafios enfrentados ao
aplicar esta manutenção inteligente enquanto a Seção5revela seu fluxo de trabalho. Seção6concentra-se
nos modelos utilizados na aplicação da Manutenção Preditiva 4.0. Seção7apresenta um estudo de caso
de PdM em um compressor centrífugo industrial.
Apl. Ciência.2022,12, 8081 3 de 22

Seção8cobre discussões e recomendações de PdM com base em experimentos técnicos e de

pesquisa e, finalmente, a Seção9apresenta uma conclusão deste trabalho de pesquisa.

2. Indústria 4.0
Quando os computadores foram introduzidos na Indústria 3.0, a adição de uma tecnologia
totalmente nova teve um efeito disruptivo [8]. Hoje, e no futuro, na Indústria 4.0, os computadores e
equipamentos industriais estão conectados e comunicam entre si para, em última análise, tomarem
decisões sem intervenção humana. A combinação de sistemas ciberfísicos, a Internet das Coisas (IoT) e a
Internet de Sistemas tornam a Indústria 4.0 possível e a fábrica inteligente uma realidade. Ao apoiar
máquinas inteligentes que se tornam mais inteligentes à medida que mais dados são acedidos, as
fábricas tornar-se-ão mais eficientes e produtivas e produzirão menos resíduos. Em última análise, é a
rede destas máquinas que estão conectadas digitalmente e criam e partilham informação que dá o
verdadeiro poder da Indústria 4.0.
A Indústria 4.0 está revolucionando a forma como as empresas fabricam, melhoram e distribuem
seus produtos. Transformou radicalmente o mundo industrial e manufatureiro ao permitir a
intercomunicação entre equipamentos por meio da Internet das Coisas, Big Data, inteligência
computacional e sistemas de tomada de decisão [9]. Na verdade, esta tecnologia digital permitirá às
empresas reagir mais rapidamente às mudanças do mercado, oferecer produtos mais personalizados e
aumentar a eficiência operacional graças ao Big Data informado que ajuda a produzir bens de forma
mais eficiente e produtiva ao longo da cadeia de valor [10]. Eles fornecem detalhes em tempo real sobre
o status das máquinas, como localização de vazamentos e velocidade operacional. Esta tecnologia
permite a implantação de indústrias inteligentes [11] pois reproduz as informações recebidas em tempo
real ao longo de toda a cadeia de produção e abastecimento. Para se beneficiar dessas melhorias, vários
componentes, como sistemas de Internet das Coisas Industriais (IIoT) e sistemas de redes físicas, são
essenciais para a coleta, processamento e armazenamento de dados [12]. Para obter vantagens e
alcançar uma fábrica eficiente, o modelo Indústria 4.0 propõe a utilização de tecnologias
multidisciplinares. Embora alguns deles tenham sido estudados há muito tempo, ainda não estão
maduros para implantação industrial em massa [13]. Na verdade, os dispositivos da Indústria 4.0 podem
comunicar-se automaticamente entre si, permitindo-lhes coordenar-se entre si e com outros sistemas
remotos através da Internet. Figura2 fornece uma visão geral dos componentes da Indústria 4.0.

Figura 2.Componentes das tecnologias da Indústria 4.0 no contexto da manufatura inteligente.

A aplicação dos componentes desta quarta revolução industrial traz uma estratégia de
manutenção que tenta prolongar a vida útil dos equipamentos e reduzir os custos graças à
comunicação contínua e instantânea entre diferentes máquinas/equipamentos quer na
produção quer na cadeia de abastecimento. Um dos pilares desta última indústria é a
manutenção preditiva, que tenta aplicar as tecnologias recentes para alterar os cenários e
evitar qualquer tipo de avaria ou anomalia através da previsão, da redução de custos e da
redução de tempos de inatividade.
Relativamente à compreensão básica apresentada sobre a quarta revolução industrial e
alguns dos factores que a caracterizam, é importante investigar as razões dos desafios de
segurança que impedem a Indústria 4.0 e o aspecto humano da Indústria 4.0.
Apl. Ciência.2022,12, 8081 4 de 22

2.1. Desafios de segurança no contexto da indústria 4.0

A evolução tecnológica levou a mudanças significativas na forma como as organizações operam
diariamente, criando uma pressão sem precedentes em termos de eficiência e desempenho. Com efeito,
as organizações dependem fortemente do desempenho dos seus sistemas de informação para
desenvolver as suas atividades, devido ao seu conforto e ao surgimento de novas tecnologias [14]. No
entanto, os sistemas baseados na nuvem, a Internet das Coisas (IoT) e a interconectividade das indústrias
inteligentes levaram a um aumento significativo de violações de segurança inesperadas [15]. A Indústria
4.0 é mais vulnerável à ciberespionagem ou cibersabotagem devido aos processos de negócios
digitalizados e conectados. Atualmente, assistimos ao desenvolvimento de grupos bem organizados de
criminosos cibernéticos, com excelentes competências e habituados a atingir indústrias específicas, com
o objetivo de hackear informação sensível e propriedade intelectual. O problema associado a este
fenómeno não se limita ao seu impacto nas vendas, mas inclui também danos à imagem da organização,
perda de know-how e redução do nível de competitividade das organizações afetadas [16,17].

Uma das características da Indústria 4.0 é a capacidade de conexão entre ambientes organizacionais, o
que tem o potencial de tornar a cadeia de provisionamento de AP mais eficiente. No entanto, os sistemas da
cadeia de abastecimento têm vulnerabilidades de segurança inerentes que são exploradas pelos atacantes.
Uma dessas vulnerabilidades de segurança está no nível do fornecedor, que é vulnerável a ataques de phishing
e roubo de credenciais privilegiadas, resultando em exposição massiva de dados. A principal vulnerabilidade
está no topo da cadeia de abastecimento e afeta o resto dos processos organizacionais através dos atores que
dela dependem [16]. Conscientização de segurança, controle de acesso por meio de mecanismos de
autenticação, processos criptográficos e análise comportamental são os mecanismos de segurança que podem
ajudar a prevenir hackers na cadeia de suprimentos [14]. A negação de serviço (DoS) é o ato de tornar um
sistema ou aplicativo indisponível. Por exemplo, um ataque DoS pode ser alcançado bombardeando um servidor
com um grande número de solicitações para consumir todos os recursos disponíveis do sistema, passando
dados de entrada malformados para o servidor que podem travar um processo, infiltrando um vírus ou
destruindo ou desabilitando um sensor em um sistema, não permitindo que ele funcione normalmente [16]. A
Indústria 4.0 depende de um grande número de sistemas e processos interconectados, e os ataques DoS são
uma ameaça muito significativa nesses ambientes [18].
A transição para a Indústria 4.0 é uma tarefa monumental que terá impacto em muitas áreas da
indústria transformadora atual, incluindo a segurança. A maioria das empresas de manufatura não está
totalmente consciente dos riscos de segurança associados à adoção do paradigma da Indústria 4.0 [15].
Normalmente, eles só abordam questões de segurança quando ocorre um incidente grave. Portanto, é
crítico e essencial que as organizações adotem o desenvolvimento de uma estratégia para implantar e
gerenciar os processos de conformidade de segurança que a Indústria 4.0 exige, incluindo a redução da
exposição da organização e o gerenciamento eficaz do processo de mitigação [14].

2.2. Aspectos Humanos no Contexto da Indústria 4.0

Para abordar o aspecto relacionado com o ser humano no contexto da Indústria 4.0, há um
interesse cada vez maior na investigação e nas práticas industriais onde os seres humanos são
colocados no centro do design em todas as disciplinas [19]. A inteligência e a intervenção humanas
continuam a desempenhar um papel fundamental devido aos aspectos sociais e de segurança e às
incertezas colocadas por estes sistemas autónomos e inteligentes. Além disso, e paralelamente às
tecnologias avançadas destes sistemas inteligentes, o papel dos seres humanos evoluiu de
operações de baixo nível que podem ser perigosas, difíceis e enfadonhas para tarefas altamente
especializadas e seguras.20]. No entanto, os humanos podem sentir que são facilmente alterados
devido à implementação da tecnologia. Além das competências técnicas, tem sido apontado que o
trabalho humano no setor industrial exige cada vez mais competências tecnológicas, sociais e de
comunicação, bem como competências de equipa e de autogestão [19,21]. As habilidades
essenciais para executar as tarefas devem ser identificadas e o treinamento deve ser fornecido
para atender aos requisitos. A pessoa deve ter mais oportunidades de tomada de decisão
autônoma, diversidade no local de trabalho e interação social [18]. Ele também é visto com seu
Apl. Ciência.2022,12, 8081 5 de 22

valores, atitudes e respeito ao próximo, o que o separa dos dispositivos tecnológicos, e

isso deve ser enfatizado nos processos de gestão [22].

3. Evolução da Manutenção Industrial

Conforme explicado na seção anterior, o conceito de Indústria 4.0 leva a uma fábrica
conectada orientada por dados. Com base neste conceito, a tendência dominante na manutenção
é passar da dispendiosa manutenção reativa para a manutenção preventiva e preditiva, também
chamada de manutenção inteligente. Ao longo das revoluções industriais, conforme mostrado na
Figura3, as estratégias de manutenção têm sofrido uma evolução gradual e atualmente é um
processo contínuo [23]. Na verdade, a filosofia da manutenção reativa ou corretiva é mais comum
em fábricas com falta de pessoal e incapazes de reter pessoal de manutenção qualificado. As
indústrias têm lutado durante anos para abandonar esta filosofia de manutenção porque é cara e
muitas vezes resulta em tempo de inatividade não planejado significativo e aumento de custos [24
]. A manutenção preventiva é um conjunto de ações que visa prevenir falhas, reduzir o risco de
falha e o número e duração de paradas não programadas, o que implica uma extensão da vida útil
do equipamento e consiste em intervir em um sistema antes que ocorra uma falha [25].

Figura 3.Evolução das atividades e métodos de manutenção.

3.1. Manutenção preditiva

A manutenção preditiva (PdM) é uma abordagem recente de manutenção preventiva que
consiste em melhorar o desempenho e a eficiência do processo de fabricação, aumentando a vida
útil dos equipamentos e garantindo uma gestão operacional sustentável. Isto implica, por um lado,
uma diminuição do tempo de inatividade e do número de paragens desnecessárias, acompanhada
de uma redução dos custos de reparação, ao oferecer a possibilidade de intervenções através da
previsão de falhas [26]. Estratégias inteligentes de manutenção preditiva estão agora sendo
implementadas por empresas de manufatura. Esta implementação é feita avaliando a vida restante
dos elementos responsáveis pela falha e permitindo o monitoramento remoto e em tempo real
das falhas dos equipamentos. Estes últimos necessitam de detecção e diagnóstico para que o
equipamento funcione adequadamente.
A manutenção preditiva é a forma mais recente de manutenção, oferecendo a maior vida útil
e a maior confiabilidade dos equipamentos (mostrado na Figura4), e as soluções mais
ambientalmente corretas e econômicas [27]. O método de manutenção usado para solucionar
problemas indo até a fonte é chamado de manutenção proativa. Este método de manutenção, que
é muito eficaz quando aplicado em conjunto com a manutenção preditiva, está se tornando cada
vez mais popular [28].
Apl. Ciência.2022,12, 8081 6 de 22

Figura 4.Diagrama de falha potencial apresentando intervalos de inspeção e manutenção preditiva.

3.2. Ferramentas e materiais de manutenção preditiva

No início do século XXI, e na era da quarta revolução industrial, as ferramentas
computacionais e avançadas de visualização baseadas nas mais recentes tecnologias tornaram-se
os componentes principais e necessários da transformação digital na Indústria 4.0. Eles têm sido
adotados por empresas manufatureiras em múltiplas aplicações industriais e, mais
especificamente, na manutenção preditiva, denominada manutenção 4.0 [29,30]. Nas subseções
seguintes são apresentadas as principais ferramentas tecnológicas aplicadas na manutenção 4.0.

3.2.1. Sistemas Ciber-Físicos

O avanço mais recente em dispositivos e sensores de produção conectados de forma inteligente e
sistemas autônomos inteligentes de monitoramento, controle, detecção e diagnóstico são conhecidos
como “sistemas ciberfísicos (CPS)”, que são equipados com uma variedade de métodos e ferramentas
computacionais e físicas que são perfeitamente adequados para atender às necessidades humanas [31].
A arquitetura CPS de cinco estágios (arquitetura 5C) foi proposta por [32] (Veja a figura5). Essas etapas
fornecem uma técnica mais simples para projetar e praticar um CPS passo a passo, desde a fase de
coleta de dados até a fase de análise final e geração de valor.

Figura 5.Níveis de arquitetura CPS [33].

3.2.2. Internet Industrial das Coisas

Conectar máquinas, dispositivos e sistemas é a etapa mais fundamental na implementação
de aplicativos de Internet das Coisas (IoT) [31]. O conceito IoT proporciona comodidade em
ambientes industriais, onde é chamado de Internet Industrial das Coisas (IIoT) [26]. A IIoT é
considerada o principal fator por trás do princípio da Indústria 4.0 [32]. É uma rede
Apl. Ciência.2022,12, 8081 7 de 22

que conecta sistemas ciberfísicos e fornece interconexão e interação entre dispositivos

físicos no processo, permitindo a coleta e recuperação automática de um enorme fluxo
de dados [8]. Isso constitui a noção de Big Data. A IIoT também oferece a possibilidade
de transmissão de dados via Internet, e é a atmosfera que permite acesso direto aos
dados do processo, virtualização de recursos, interconexão, cooperação,
intercomunicação e interação máquina a máquina de forma transparente e sem
intervenção humana [33].

3.2.3. Grandes dados

Coletar, processar e analisar Big Data em tempo real de sistemas ciberfísicos é uma fase
estratégica para a transformação inteligente da função de manutenção, especialmente no que diz
respeito à previsão de falhas, planejamento e gerenciamento de riscos [34]. Isto é feito através do
planeamento e otimização de intervenções utilizando ferramentas e técnicas de inteligência
artificial como machine learning e deep learning ou através de modelos e abordagens estatísticas
baseadas nos dados e informações recolhidos pelos diferentes sensores [10]. A caracterização de
massivo ou Big Data é geralmente feita de acordo com três “V’s”, os V’s de Volume, Variedade e
Velocidade, aos quais se somam outros “V’s” complementares, como Valor e Veracidade/Validade
(Ver Figura6).

Figura 6.Modelo 3V estendido aos 5V do Big Data.

3.2.4. Gêmeo Digital

Um Digital Twin (DT) é uma cópia digital ou virtual de ativos ou produtos físicos. O termo foi
originalmente cunhado pelo Dr. Michael Grieves em 2002 [35]. A NASA foi uma das primeiras a
usar a tecnologia para exploração espacial [36]. Os DTs conectam o mundo real e virtual coletando
dados em tempo real dos sensores instalados. Os dados coletados são descentralizados
localmente ou armazenados centralmente em uma nuvem. Os dados são então avaliados e
simulados em uma cópia virtual dos ativos [37,38]. Após receber as informações da simulação, os
parâmetros são aplicados aos ativos reais. A integração de dados em representação real e virtual
auxilia na otimização do desempenho de ativos reais.

3.2.5. Realidade aumentada

A realidade aumentada (AR) é uma tecnologia emergente desenvolvida com base na
realidade virtual (VR), que gera informações virtuais tridimensionais através de um sistema de
computador, incluindo cenas virtuais, objetos virtuais, etc.39,40] e, em seguida, sobrepõe essas
informações à cena real para realizar a função de aprimoramento do mundo real e melhorar a
percepção do usuário sobre o mundo real. Embora desenvolvido com base na tecnologia VR, AR
Apl. Ciência.2022,12, 8081 8 de 22

não requer renderização do ambiente natural como a tecnologia VR [41,42]. A AR tem sido aplicada para
dar suporte a vários processos no chão de fábrica, como montagem, manutenção, etc. Como vários
processos de fabricação exigem alta qualidade e taxas de erro próximas de zero para garantir os
requisitos e a segurança do usuário final, a AR também pode equipar os operadores com recursos
imersivos. interfaces para ganhar produtividade, precisão e autonomia na qualidade [43].

3.2.6. Inteligência artificial

A inteligência artificial (IA) é a palavra-chave na transição para a Indústria 4.0; é uma
tecnologia poderosa que compensa as deficiências e a inépcia das técnicas e abordagens
tradicionais praticadas na indústria [44]. Ele emergiu como uma ferramenta poderosa para o
desenvolvimento de algoritmos preditivos inteligentes em muitas aplicações. As abordagens de IA
podem lidar com dados multidimensionais e multivariados e extrair relacionamentos ocultos em
dados em ambientes complexos e dinâmicos [45]. A IA está fortemente relacionada e apropriada
ao Big Data para responder a questões críticas, abordar pontos fracos e esclarecer questões-chave
do processo, especialmente na fase de análise e processamento do Big Data.

3.2.7. Aprendizado de máquina e aprendizado profundo

Machine Learning (ML) é um subcampo da IA que evoluiu do reconhecimento de padrões para a análise
de estruturas de dados e sua integração em modelos que os usuários podem compreender e regenerar.46].
Figura7identifica todas as categorias, métodos e modelos de ML aplicáveis a projetos relacionados à
manutenção [47]. Além disso, o ML é classificado em quatro categorias, nomeadamente aprendizagem
supervisionada, aprendizagem não supervisionada, aprendizagem por reforço e aprendizagem profunda. Os
tipos de aprendizagem supervisionada e não supervisionada destinadas a prever ou descrever relações
existentes em um conjunto de dados são considerados supervisionados quando a variável dependente está
disponível e não supervisionados quando não estão, enquanto a aprendizagem por reforço é uma abordagem
computacional que aprende a partir da interação com o ambiente. , o que significa determinar como os atores
de um sistema podem realizar ações em seu ambiente para maximizar as recompensas cumulativas.

Figura 7.Classificação de técnicas baseadas em dados e categorias de aprendizado de máquina [47].

O aprendizado profundo (DL) pertence às redes neurais artificiais (RNAs). É um grande grupo de técnicas em
muitos campos, que podem ser aplicadas tanto à aprendizagem supervisionada quanto à não supervisionada. As RNAs
são inspiradas na função cerebral, com o objetivo principal de aprender a partir de dados não estruturados ou não
rotulados, usando uma ou mais camadas para extrair recursos de nível superior, passo a passo, a partir da entrada
bruta. Técnicas de aprendizagem profunda podem ser aplicadas a equipamentos industriais em diferentes situações,
como detecção de falhas, previsão de falhas, etc.
Apl. Ciência.2022,12, 8081 9 de 22

4. Desafios da Manutenção Preditiva

Embora a adoção da manutenção preditiva num contexto industrial seja inevitável, ela está
rodeada de desafios que dificultam a aplicação e adoção coletiva desta abordagem de manutenção
inteligente. Apesar da disponibilidade de algoritmos de manutenção preditiva, as empresas que
pretendem beneficiar da Indústria 4.0 ainda têm de compensar as oportunidades da manutenção
preditiva com as despesas de capital necessárias para adquirir a instrumentação, o software e o
conhecimento necessários. Esta desvantagem é mais importante nas fases iniciais do desenvolvimento
da manutenção preditiva, quando os dados reais sobre o comportamento normal e anormal do
equipamento estão em falta ou são escassos, e no caso de novos sistemas, quando não há experiência
com a sua operação. Esta situação pode levar as empresas a investir mais em soluções de manutenção
preditiva [48]. Na lista de desafios encontrados na literatura científica, quatro grupos podem ser
distinguidos e serão considerados, nomeadamente limites financeiros e organizacionais, limites de
fontes de dados, limites de atividades de reparação de máquinas e limites na implantação de modelos de
manutenção preditiva industrial.

4.1. Limites Financeiros e Organizacionais

As empresas com fins lucrativos consideram inevitavelmente os custos esperados de
qualquer novo investimento. Esforços de manutenção preditiva, como instalação de sensores,
recuperação de informações, preparação e manutenção de modelos e atividades de manutenção
geram custos para as empresas nas quais são introduzidos métodos de manutenção preditiva.
Esses custos podem variar dependendo de vários fatores, como o tipo e a complexidade do
equipamento e dos sensores correspondentes, o custo de consultoria, instalação e extração de
conhecimento, e se a experiência necessária pode ser encontrada interna ou externamente.49].
Um método para avaliar se a introdução da manutenção preditiva pode ser benéfica é criar um
retorno sobre o investimento (ROI) projetado [50]. A projeção do ROI preditivo deve considerar o
valor dos resultados da manutenção preditiva, o tempo de retorno e os custos descritos. A
justificativa financeira para o uso e aplicabilidade da manutenção preditiva também depende do
tamanho e do tipo de negócio em que ela é introduzida [51].

4.2. Limites de fonte de dados

A disponibilidade de dados relevantes é essencial para a criação de um modelo de gestão do

processo produtivo. No entanto, as empresas raramente têm todos os dados relevantes no início da
introdução da gestão do processo de produção [30]. Após utilizar os dados já disponíveis, é necessário
identificar as lacunas e procurar resolvê-las. Além disso, a qualidade das fontes de informação existentes
pode não satisfazer as necessidades exigidas. Se apenas parte dos dados for afetada por qualidade
insatisfatória, isso pode ser superado durante a preparação dos dados, desde que a quantidade de
pontos de dados seja suficiente para alcançar significância estatística e desde que a detecção de defeitos
possa isolar com sucesso os pontos críticos da máquina [52]. A empresa que utiliza métodos de
manutenção preditiva poderá então enfrentar desafios quando a confiança necessária nos dados não for
verdadeira, ou seja, se sensores, controladores ou outras fontes de dados fornecerem medições
imprecisas ou incorretas. Isto pode resultar em previsões incorretas e perda de urgência de manutenção
ou alarmes falsos. Um desafio adicional para a tecnologia de sensores é que atualmente os sensores
tendem a operar off-line sem contribuir para os dados on-line. Além disso, os sensores estão sujeitos a
tempo de inatividade, degradação do instrumento, ruído ou simplesmente o sensor pode falhar. É então
importante limpar os dados antes de aplicar o algoritmo de manutenção preditiva para prever a
verdadeira realidade e não distorcer os resultados.

4.3. Limites de atividades de reparo de máquinas

Ao ser capaz de prever a vida útil restante de um componente, os tempos de manutenção podem
ser determinados, mas a manutenção real de um componente ainda enfrenta desafios relacionados à
dependência das interações humanas e à falta de automanutenção [53]. Na verdade, a eficácia da
manutenção depende da qualidade da gestão e das competências humanas, dado que os componentes
das máquinas dependem atualmente de operadores humanos para o seu controlo.
Apl. Ciência.2022,12, 8081 10 de 22

e manutenção. As máquinas industriais funcionam particularmente executando comandos de maneira

reativa e não questionam o plano para elas. No entanto, o planejamento de tarefas humanas é baseado
em dados e experiência, que a máquina também pode recuperar. Assim, um componente inteligente
poderia propor ou mesmo iniciar de forma autônoma ações que sejam benéficas para a saúde do
sistema, o rendimento dos ativos ou a qualidade do produto. Um passo adicional em direção à
autonomia dos ativos depende da conscientização dos ativos e da manutenção autônoma. Um ativo
autoconsciente pode avaliar as suas condições com base em dados que são atualmente extraídos e
armazenados num sistema de manutenção preditiva e pode reconhecer condições críticas até ao ponto
de definição autónoma de decisões de manutenção. Ao contrário de um sistema central que controla um
ou mais ativos, todas as informações necessárias para tomar decisões de manutenção preditiva, bem
como o modelo de degradação e previsão, seriam distribuídas e disponibilizadas a nível de componente.
As máquinas podem então planejar programas de manutenção por si mesmas. Porém, atualmente, as
máquinas industriais não possuem esse nível de autoconsciência e automanutenção.

4.4. Limites na implantação de modelos de manutenção preditiva industrial

Geralmente, existem três etapas desafiadoras após o desenvolvimento de modelos inteligentes de
previsão de falhas: sua integração, monitoramento e atualização. A integração de modelos na indústria é
um desafio porque esta tarefa é muitas vezes realizada por uma equipe de tecnologia da informação (TI)
que normalmente está dissociada da equipe de pesquisadores e desenvolvedores que desenvolveram os
modelos de manutenção preditiva. Construir tal infra-estrutura de TI para manter os pipelines de dados
pode ser trabalhoso e geralmente não é levado em consideração no planejamento do projeto. Já a etapa
de monitoramento consiste em garantir que o modelo esteja atualizado. Para fazer isso, um ciclo de
feedback é adicionado ao modelo para que os novos dados recebidos sejam entradas de aprendizagem.
Este retreinamento contínuo dos modelos de previsão tem a desvantagem de enfraquecer a
confiabilidade dos resultados. Na verdade, nem a integridade nem a relevância dos dados são verificadas
na produção, o que permite a introdução de valores discrepantes e, assim, distorce as previsões no longo
prazo. Por fim, quanto à atualização dos modelos, é necessária para evitar o fenômeno de desvio
conceitual que afeta os modelos de aprendizado de máquina. Para atualizar os modelos de previsão, a
empresa deve modificar o código, o modelo e os dados ao mesmo tempo. Em comparação com as
atualizações de software empresarial tradicionais, este ciclo de melhoria dos modelos de manutenção
preditiva é muito mais complexo [54].

5. Fluxo de trabalho de manutenção preditiva

Para planejar adequadamente um projeto de manutenção preditiva, é seguido um ciclo de vida

contendo cinco (5) etapas essenciais. Estas são as abordagens para estruturar a solução de problemas
que requerem ciência de dados e aprendizado de máquina. Figura8ilustra o ciclo de vida e o fluxo de
trabalho de um projeto de manutenção preditiva [55,56]:

Figura 8.Fluxo de trabalho de manutenção preditiva.

Apl. Ciência.2022,12, 8081 11 de 22

Passo 1. Compreender as necessidades do projeto:

O primeiro passo consiste em compreender os elementos de negócio e os problemas do projeto,
bem como as restrições a superar. Nesta etapa é necessário conhecer completamente o sistema e os
equipamentos que são de interesse para a resolução do projeto bem como o funcionamento dos
equipamentos. Isto implica a definição das grandezas físicas a serem medidas, a escolha dos sensores e
suas instalações, se necessário. Nesta etapa também devemos definir uma lista de tipos de falhas que
podemos enfrentar.
Passo 2. Coleta, compreensão e preparação de dados:
Coleta de dados: Os sensores disponíveis no equipamento têm capacidade de coletar dados e
transferi-los para banco de dados.
Compreensão: Esta fase envolve determinar precisamente quais dados analisar,
identificar a qualidade dos dados disponíveis e relacionar os dados ao seu significado.
Preparação: Esta subetapa inclui elementos como seleção de dados relacionados; integração de
dados através da fusão de conjuntos de dados; limpar e gerenciar valores ausentes, excluindo valores
ausentes ou imputando-os a dados relacionados; gerenciamento de dados errados, excluindo dados
errados; verificar outliers e processá-los; usar engenharia de recursos para construir novos dados e obter
novos recursos a partir de dados existentes; formatar os dados na estrutura desejada; e remoção de
colunas e recursos desnecessários. A preparação de dados é a etapa mais demorada, representando 70–
90% do tempo total do projeto, mas é a etapa mais importante em todo o ciclo de vida.

Etapa 3. Modelagem de dados:

A modelagem de dados é considerada o coração da análise de dados. O modelo toma os dados
preparados na etapa anterior (preparação de dados) como entrada e fornece a saída necessária. Esta
etapa envolve a escolha do tipo certo de algoritmo, seja um problema de classificação, um problema de
regressão ou um problema de agrupamento. O teste e a parametrização dos diferentes algoritmos
escolhidos constituem um modelo.
Passo 4. Avaliação e implantação:
• Passo 4.1 – Avaliação do modelo: Em última análise, precisamos avaliar o modelo medindo a
precisão (quão bem o modelo funciona, ou seja, se ele descreve os dados com precisão) e a
relevância (se ele responde à pergunta original que precisa ser respondida). Precisamos também de
garantir que existe um bom equilíbrio entre desempenho e generalização, o que significa que o
modelo criado não deve ser tendencioso; deveria ser um modelo generalizado.
• Etapa 4.2 — Implantando o modelo: O modelo avaliado é finalmente implantado no formato e
canal necessários. Esta é a última etapa do ciclo de vida da manutenção preditiva relacionada aos
dados. Cada fase do ciclo de vida explicada abaixo deve ser cuidadosamente considerada. Se uma
etapa não for bem executada, isso afetará a próxima e todo o esforço será desperdiçado. Por
exemplo, se os dados não forem recolhidos adequadamente, a informação será perdida e um
modelo representativo não poderá ser criado. Se os dados não forem limpos adequadamente, o
modelo não funcionará corretamente. Se o modelo não for avaliado corretamente, não conseguirá
fornecer um resultado perfeito no mundo real. Desde a compreensão do projeto até a implantação
do modelo, atenção, tempo e energia adequados devem ser dados a cada etapa.
Passo 5. Tomada de decisão:
Em geral, o processo de tomada de decisão ajuda os operadores a resolver problemas, decidindo o
melhor caminho a seguir. Usar uma abordagem passo a passo é uma forma eficaz de tomar decisões
ponderadas e informadas que têm um impacto positivo nos objetivos de curto e longo prazo.
• Passo 5.1 – Identificando a decisão: O primeiro passo para tomar a decisão certa é
reconhecer o problema. Nesta fase são desenvolvidos vários cenários de intervenção
possíveis com tempos e custos de reparação associados.
• Passo 5.2—Ação: Após a identificação dos cenários possíveis, escolhemos uma alternativa ou
combinamos para encontrar aquela que verifica os custos e atrasos mínimos. Os dias de
reparo são planejados após verificação da disponibilidade de mão de obra e peças de
reposição.
Apl. Ciência.2022,12, 8081 12 de 22

• Passo 5.3 – Revisão: Este passo é importante porque nos permite avaliar a eficácia da
decisão tomada; o ciclo de vida da manutenção preditiva é repetitivo, por isso nos
permite melhorar intervenções futuras.

6. Modelos de Manutenção Preditiva

Conforme mencionado nas secções anteriores, as abordagens de manutenção preditiva são
desenvolvidas para ajudar os setores industriais com base nas suas necessidades e requisitos de manutenção.
Dependendo do nível de maturidade técnica e digital, diferentes tipos de modelos PdM podem ser oferecidos.
Entre outros, três modelos principais de PdM são apresentados nas subseções seguintes.

6.1. Manutenção Baseada em Condições

A manutenção baseada na condição (CBM) é uma filosofia de gestão na qual as decisões de reparo
ou substituição são tomadas com base na condição atual ou futura do equipamento.57]. É definido como
um programa de manutenção que recomenda soluções de manutenção com base nas informações
coletadas do monitoramento de condições e consiste em três etapas principais: coleta de dados,
processamento de dados e tomada de decisão de manutenção [58]. CBM é uma versão estendida de
manutenção preditiva onde alarmes automáticos são ativados antes que ocorra uma falha. Alarmes
acionados automaticamente são ativados antes que qualquer falha seja obtida. Métodos e algoritmos
multivariáveis complexos são usados para satisfazer os requisitos de aplicação do CBM [59]. O objetivo
do CBM é minimizar o custo global de inspeções e reparos através da coleta e interpretação de dados
intermitentes ou contínuos sobre o status operacional de componentes críticos [60].

O CBM pode assumir muitas formas, das simples às complexas. No entanto, a forma mais comum
adotada pela maioria das indústrias é aquela mostrada na Figura9onde o foco está na coleta, previsão e
correção de dados com vários graus de automação [57]. O ponto de partida é monitorizar um conjunto
de indicadores representativos do estado do equipamento ao longo do tempo. Quando um ou mais
desses indicadores atingem um nível de deterioração pré-determinado, são tomadas ações de
manutenção para retornar o equipamento ao estado desejado [61]. Isto significa que o equipamento só é
retirado de serviço quando há evidência direta de deterioração [62].

Figura 9.Os sete módulos de um sistema de manutenção condicional [57].

Apl. Ciência.2022,12, 8081 13 de 22

Os módulos de um sistema de manutenção condicional podem ser apresentados da seguinte

forma: Módulo 1: O módulo sensor fornece ao sistema CBM os dados digitalizados do sensor ou
transdutor.
Módulo 2: O módulo de processamento de sinal recebe sinais e dados do módulo sensor ou de
outros módulos de processamento de sinal. A saída do módulo de processamento de sinal inclui dados
de sensores filtrados digitalmente, espectros de frequência, sinais de sensores virtuais e outros recursos
CBM. O módulo de processamento de sinal pode consistir em um AI-ESTATE (Inteligência Artificial e
Sistema Especialista vinculado a Equipamento de Teste Automático).
Módulo 3: O monitor de status recebe dados do módulo sensor, do módulo de processamento de
sinal e de outros monitores de status. Seu principal objetivo é comparar os dados com os valores
esperados. O monitor de status também deve ser capaz de gerar alertas com base em limites
operacionais predefinidos. Esta função pode ser muito útil para o rápido desenvolvimento de falhas.
Módulo 4: Este módulo recebe dados de vários monitores de status ou outros módulos de avaliação
de saúde. O objetivo principal do módulo de avaliação de funcionamento é determinar se o status de
funcionamento do componente, subsistema ou sistema monitorado foi degradado. O módulo de
avaliação de saúde é capaz de gerar registros diagnósticos e propor possibilidades de falhas. O
diagnóstico é baseado em tendências no histórico do estado de saúde, no status operacional e no
histórico de carregamento e manutenção.
Módulo 5: O módulo de prognóstico tem a capacidade de levar em conta dados de todas as
camadas anteriores. O principal objetivo do módulo de prognóstico é calcular o estado de saúde
futuro de um ativo, tendo em conta perfis de utilização futuros. O módulo deve indicar o estado de
saúde futuro num determinado momento ou a vida útil restante (RUL).
Módulo 6: O módulo de apoio à decisão recebe dados do módulo de avaliação de
saúde e do módulo de prognóstico. Seu principal objetivo é gerar ações e alternativas
recomendadas. As ações podem ser na área de manutenção, mas também na área de
operação do ativo até que a missão atual seja concluída sem que ocorra falha.
Módulo 7: O módulo de apresentação deverá apresentar os dados de todos os módulos anteriores.
As camadas mais importantes a apresentar são, obviamente, os dados dos módulos de avaliação de
saúde, prognóstico e apoio à decisão, bem como os alertas gerados pelos monitores de estado. No
entanto, a capacidade de bloquear ainda mais abaixo na camada deve ser uma possibilidade. O módulo
de apresentação pode ser integrado em uma interface de máquina normal.

6.2. Prognósticos e Gestão de Saúde

O conceito de Prognóstico e Gestão de Saúde (PHM) surgiu na década de 1990 com o
lançamento do projeto Joint Strike Fighter (JSF) do Exército dos EUA [63]. A aplicação inicial do PHM
é, portanto, no campo da aviação militar. Dado o desenvolvimento acelerado da tecnologia de
sensores e algoritmos preditivos, os profissionais têm mais oportunidades de monitorar e prever
os estados do sistema. Isto permite que os atores do sistema tomem medidas proativas para evitar
acidentes graves. Por esta razão, o PHM é atualmente popular em um número crescente de
campos [64].
O objetivo por trás da implementação de uma arquitetura PHM inclui o monitoramento
dinâmico do estado do sistema para fins de um tipo de manutenção previsível [65,66]. A este
respeito, a atividade prognóstica é considerada um processo chave; ao contrário do diagnóstico,
que diz respeito à capacidade de detectar e isolar a causa de um erro existente, o PHM tem a
capacidade de avaliar o desenvolvimento de futuras degradações ou erros de um sistema: garante
o funcionamento do sistema e é um passo importante antes de poder descrever os diferentes
cenários de manutenção utilizados para a previsão e prevenção de avarias [67,68]. Figura10[69]
mostra a variação no número de publicações nos últimos 20 anos sobre o tema prognóstico e
gestão da saúde de equipamentos industriais. O número total é 373, calculado com base em um
resultado de pesquisa na Web of Science. O número de publicações aumentou rapidamente desde
2006. O número total de publicações de 1999 a 2010 foi de 100, enquanto o número de publicações
nos últimos cinco anos foi de 198, o que é muito maior do que o número total nos primeiros dez
anos.
Apl. Ciência.2022,12, 8081 14 de 22

Figura 10.Publicações e citações relacionadas ao tema PHM (agosto de 2020) [69].

O ciclo de vida do PHM pode ser ilustrado na Figura11, em que o ciclo PHM é composto por oito
etapas [50]. Os métodos PHM podem ser classificados em três categorias, conforme mostrado na Figura
12[63]. Estas categorias são abordagens baseadas em modelos, abordagens baseadas em dados e
abordagens híbridas que combinam as vantagens das duas abordagens anteriores. O principal objetivo
destas abordagens é desenvolver um modelo adequado para avaliação RUL sob uma ampla gama de
condições operacionais e em qualquer momento durante o ciclo de vida de um componente ou
subsistema. As diretrizes para o PHM são selecionadas com base no escopo de seu uso, na precisão dos
resultados, no custo e na complexidade da operação.

Figura 11.Etapas no PHM [50].

Figura 12.Métodos PHM [70].

Apl. Ciência.2022,12, 8081 15 de 22

6.3. Vida útil restante

A vida útil restante (RUL) é o período de tempo que um equipamento provavelmente
funcionará antes de precisar ser reparado ou substituído. Dependendo do sistema, esse período
pode ser representado em dias, milhas, ciclos ou qualquer outra quantidade. A previsão da vida
útil fornece avisos antecipados de falhas e tornou-se um componente-chave do prognóstico e do
gerenciamento da saúde dos sistemas [71]. Ele permite o planejamento da manutenção, otimiza a
eficiência operacional e evita paradas não planejadas [72]. A estimativa do RUL é um verdadeiro
desafio porque a relevância e eficácia das ações de manutenção dependem da exatidão e precisão
dos resultados obtidosREGRA=TF-tc. Uma medida de confiança também deve ser
Figura13.

Figura 13.Representação da vida residual.

Na última década, muitas ferramentas e métodos foram propostos, conforme mostrado na Figura
14. Geralmente, dois tipos de métodos são usados para prever a vida útil do equipamento: métodos
baseados em física e métodos baseados em dados.73]. A abordagem baseada na física utiliza princípios
matemáticos como estatística e probabilidade, que tentam criar modelos matemáticos precisos a partir
de conhecimentos prévios para prever a vida útil do equipamento. No entanto, confiar no conhecimento
prévio pode levar a uma generalização insuficiente. Os métodos baseados em dados visam explorar a
relação potencial entre os dados do sensor monitorado e seu valor RUL com base em dados históricos. O
RUL do equipamento é uma variável aleatória que depende da idade atual de uma máquina/
equipamento e de suas informações de saúde. Fornece o tempo restante para uma máquina,
componente ou sistema antes que ele deixe de funcionar. Na pesquisa, tem havido interesse no uso de
estimativas de vida restante nas indústrias [74]. A seguir apresentaremos artigos que trataram desse
assunto.

Figura 14.Uma breve explicação dos modelos RUL.

Para melhorar a predição do RUL, Kitai et al. [75] usaram redes neurais
convolucionais (CNN) e regressão bayesiana hierárquica. A conclusão é melhorada por
Apl. Ciência.2022,12, 8081 16 de 22

definindo uma escala min-max para o RUL e fornecendo uma boa precisão de previsão da CNN. No
entanto, a combinação da CNN com a regressão bayesiana hierárquica deu uma taxa mais alta se apenas
a CNN for usada para previsão RUL. Erpolat Taşabat et al. [76] optaram por usar a memória de longo
prazo e curto prazo LSTM para predição motora; os resultados fornecem uma taxa de sucesso de 91/100
para previsão de falhas. Na verdade, durante seus experimentos, os autores de [77] usaram três redes
neurais que diferem pelo número de camadas de LSTM usadas para o mesmo conjunto de dados. Eles
descobriram que adicionar uma camada LSTM aumenta a precisão do conjunto de treinamento e
validação. O uso de métodos de aprendizagem profunda tornou-se, portanto, essencial na última
década. O autor de [78] usaram dois conjuntos de dados para testar modelos de redes neurais em mais
de 100 motores para prever sua vida útil restante. Os resultados das métricas MAE e RMSE foram
comparados com outras três topologias. Aqui, o autor descobriu que o modelo de rede neural recorrente
superou as outras três topologias para o primeiro conjunto de dados usado, enquanto para todo o
segundo conjunto de dados o erro estava dentro da faixa aceitável para a topologia proposta.

7. Estudo de caso de manutenção preditiva em um compressor centrífugo

Nesta seção, é apresentado um estudo de caso prático baseado em uma abordagem PdM para
estimar a vida útil restante de um compressor centrífugo. Os compressores são usados em toda a
indústria para fornecer ar para oficinas ou instrumentos, ferramentas pneumáticas elétricas,
pulverizadores de tinta e equipamentos de jato de areia, desfasar refrigerantes para ar condicionado e
refrigeração, impulsionar gás em tubulações, etc.79]. Portanto, eles desempenham um papel
fundamental na linha de produção. Isto requer um estudo sobre a vida útil restante deste equipamento,
a fim de prever falhas futuras e evitá-las ao aplicar métodos de aprendizado de máquina. Figura15
representa os componentes da abordagem CBM/PHM para um compressor industrial [80].

Figura 15.Componentes da abordagem CBM/PHM para um compressor [80].

Nordal e El-Thalji [81] propõem uma matriz de avaliação de manutenção preditiva (PdM) para
superar falhas de compressores centrífugos que destaca a ligação entre a combinação de vários
sinais de sensores e a capacidade de detectar, diagnosticar e prever a evolução futura de falhas.
Todos [82] implementou um sistema de redundância com dois compressores adicionais que são
utilizados quando o compressor principal falha ou está em manutenção programada. De um ponto
de vista geral, o objectivo é minimizar o número de possíveis interrupções, daí o sistema de
redundância, no qual uma fábrica investirá com prazer, em vez de um sistema preditivo não
comprovado. Porém, a aplicação da manutenção preditiva pode ser uma grande vantagem para a
planta, pelos diversos benefícios que traz.
Apl. Ciência.2022,12, 8081 17 de 22

8. Discussões e recomendações
A manutenção preditiva é uma técnica que utiliza ferramentas e técnicas de monitoramento de
condições para monitorar o desempenho e o estado de saúde de uma estrutura ou equipamento
durante a operação de maneira sustentável.83–86]. Porém, pode-se perceber na literatura que a
aplicação da manutenção 4.0 é maioritariamente focada em uma máquina ou equipamento industrial
específico. A ideia de criar uma plataforma amigável e multifuncional, conforme ilustrado na Figura16,
que integra diferentes tipos de sensores e permite PdM in-situ em diferentes tipos de equipamentos em
tempo real, pode ser considerado revolucionário na área [87]. Esta plataforma destaca o apoio na gestão
da manutenção e na tomada de decisões com base em dados adquiridos e modelos de PdM
desenvolvidos. Permite aos utilizadores e à equipa de manutenção, dependendo do seu nível de acesso
predefinido à plataforma, manipular e modificar as decisões propostas a qualquer momento e em
qualquer etapa do processo de planeamento da manutenção. A plataforma permite acesso remoto via
autenticação de usuário protegida por VPN (rede virtual privada). Assim, é disponibilizada uma
infraestrutura em nuvem que permite conexões móveis e web para receber notificações recebidas pelos
alarmes. Além da conectividade remota, esta plataforma fornecerá monitoramento em tempo real de
dados in loco coletados por máquinas e equipamentos na forma de um painel que calcula os principais
indicadores de desempenho e suporta protocolos API (interface de programação de aplicativos) para
personalização de dados e notificações de alarme. Isso proporciona monitoramento remoto da planta a
partir de qualquer navegador e também garante alta segurança contra ataques, preservando a
integridade e a confidencialidade das informações.

Figura 16.A proposta de plataforma multifuncional de manutenção preditiva baseada na gestão de

ativos industriais.

Esta plataforma ajudará os operadores a trabalhar com mais eficiência, segurança e a economizar
dinheiro, reduzindo o tempo de inatividade e os custos. Atua como uma interface de operação IHM onde
todas as informações necessárias do equipamento podem ser visualizadas em tempo real através do
sistema de aquisição e transferência de dados. Depois permite a supervisão de todas as máquinas
instaladas e também permite acompanhar as operações remotamente além de manter o histórico e
previsões futuras graças à aplicação de IA.

9. Conclusões
Este artigo explorou uma revisão exaustiva da literatura sobre métodos e ferramentas em
manutenção industrial inteligente e prognóstica, abrangendo os principais artigos sobre
manutenção preditiva inteligente. Como resultado, foi possível identificar cada abordagem
proposta como abordando equipamentos específicos, tornando mais difícil compará-la com outras
técnicas. Além disso, é possível perceber que esta própria manutenção inteligente surgiu como
uma nova ferramenta para tratamento de eventos de manutenção. Na verdade, após o avanço da
Indústria 4.0, a Manutenção 4.0 está a tornar-se cada vez mais viável e promissora. A prioridade da
adoção da manutenção preditiva inteligente nas rotinas de manutenção dos setores fabris
Apl. Ciência.2022,12, 8081 18 de 22

é reconhecido por empresas industriais. Neste artigo, é apresentada uma nova plataforma
multifuncional de manutenção preditiva industrial baseada em abordagens de gerenciamento de ativos e
planejamento inteligente de manutenção. Esta plataforma visa implementar um tipo de hardware de
manutenção plug-and-play onde diferentes tipos de sensores e abordagens de manutenção são
integrados para diversos tipos de máquinas e equipamentos industriais. A plataforma é dotada de
algoritmos de prognóstico inteligentes apresentando um modelo de manutenção prescritiva. Um estudo
de caso industrial sobre um compressor centrífugo também é apresentado como implementação da
plataforma proposta. Os resultados são promissores, considerando o fato de que a previsão de quebras
e defeitos do compressor seguiu o tempo real de manutenção, permitindo melhor planejamento em
relação à equipe de manutenção e preparação de peças de reposição.
Em termos de desafios e orientações futuras, há vários passos a considerar na verificação
deste novo desenvolvimento. Geralmente, um projeto de manutenção preditiva inteligente
depende das seguintes atividades: modelagem, simulação e validação experimental,
instrumentação do sistema a ser estudado, criação de banco de dados de falhas, processamento e
limpeza de dados, análise dos principais modos de falha, suporte à decisão, antecipação de
ataques cibernéticos e apresentação dos resultados do projeto em forma de IHM (interface
homem-máquina). O futuro trabalho de pesquisa poderá levar em consideração essas etapas em
diferentes tipos de equipamentos industriais e validar a tomada de decisão inteligente para o
planejamento da manutenção industrial.

Contribuições do autor:Conceituação, MA (Mounia Achouch), HI, MA (Mehdi Adda), SSK, MD, RD e

KZ; metodologia, MA (Mounia Achouch), MD, KZ, HI, SSK e RD; validação, HI, MD, KZ, RD e SSK;
análise formal, HI, MD e SSK; redação – preparação do rascunho original, MA (Mounia Achouch),
RD, MD e KZ; redação – revisão e edição, HI, KZ, MD, MA (Mehdi Adda), RD e SSK; visualização, MA
(Mounia Achouch), KZ, RD e MD; supervisão, HI, MA (Mehdi Adda), MD e SSK; administração de
projetos, HI e MA (Mehdi Adda). Todos os autores leram e concordaram com a versão publicada do
manuscrito.

Financiamento:Esta pesquisa não recebeu financiamento externo.

Declaração do Conselho de Revisão Institucional:Não aplicável.

Declaração de consentimento informado:Não aplicável.

Conflitos de interesse:Os autores declaram não haver conflito de interesses.

Nomenclatura e Símbolos

ANN Rede Neural Artificial

IA Inteligência Artificial
RA Realidade Aumentada
CBM Manutenção Baseada em Condição
CNN Redes Neurais Convolucionais
CPS Sistemas Ciber-Físicos
DoS Negação de serviço
PD Aprendizado profundo

DT Gêmeo Digital
IHM Interface Homem-Máquina
IoT Internet das Coisas
IIoT Aprendizado de máquina industrial
AM da Internet das coisas
PDM Manutenção preditiva
PM Manutenção preventiva
PHM Prognósticos e Gestão da Saúde
ROI Retorno do investimento
REGRA Vida útil restante
RV Realidade virtual
Apl. Ciência.2022,12, 8081 19 de 22

Referências
1. Rüssmann, M.; Lorenz, M.; Gerberto, P.; Waldner, M.; Justus, J.; Engel, P.; Harnisch, M.Indústria 4.0: O Futuro da Produtividade e do Crescimento
nas Indústrias de Manufatura; Boston Consulting Group: Boston, MA, EUA, 2015.
2. Kaczmarek, MJ; Gola, A. Tecnologias de Manutenção 4.0 para Fabricação Sustentável – Uma Visão Geral.IFAC-PapersOnLine2019, 52, 91–96. [
Referência Cruzada]
3. Correu, Y.; Zhou, X.; Lin, P.; Wen, Y.; Deng, R. Uma Pesquisa de Manutenção Preditiva: Sistemas, Propósitos e Abordagens.arXiv2019,
arXiv:1912.07383. Disponível:http://arxiv.org/abs/1912.07383(acessado em 14 de outubro de 2021).
4. Tiddens, W.; Braaksma, J.; Tinga, T. Explorando aplicações de manutenção preditiva na indústria.J. Qual. Manutenção. Eng.2020,28, 68–85. [
Referência Cruzada]
5. Blancke, ODéveloppement D'une Approche de Pronostic Pour lesÉquipements Complexes Permettant L'application de la
Maintenance Prévisionnelle. Ph.D. Tese,ÉColeção de Tecnologia Supérieure, Montreal, QC, Canadá, 2020.
6. Relatório de pesquisa de mercado, Marketsandmarkets.com. “Mercado de Manutenção Preditiva por Componente (Soluções, Serviços), Modo de
Implantação (On-Premises, Cloud), Tamanho da Organização (Grandes Empresas, PME), Vertical e Região – Previsão Global para 2026”.
Disponível:https://www.grandviewresearch.com/industry-análise/predictive-maintenance-market(acessado em 24 de julho de 2022).

7. Tamanho do mercado de manutenção preditiva em todo o mundo 2020-2030 | Statista. 2022. Disponível on-line:https://www.statista.com/statistics/748080/
global-predictive-maintenance-market-size/(acessado em 24 de julho de 2022).
8. O que é a indústria 4.0? L'agence Digitale Créativo—Les Digital Heroes. 1º de outubro de 2021. Disponível online:https: //
lesdigitalheroes.fr/quest-ce-que-lindustrie-4-0/(acessado em 13 de abril de 2022).
9. Li, Z.; Wang, Y.; Wang, K.-S. Manutenção preditiva inteligente para diagnóstico e prognóstico de falhas em centros de máquinas: Indústria
Cenário 4.0.Av. Fabrico.2017,5, 377–387. [Referência Cruzada]
10. Silvestri, L.; Forcina, A.; Introna, V.; Santolamazza, A.; Cesarotti, V. Transformação da manutenção por meio de tecnologias da Indústria 4.0: Uma revisão
sistemática da literatura.Computação. Ind.2020,123, 103335. [Referência Cruzada]
11. Fernández-Carames, TM; Fraga-Lamas, P. Uma revisão sobre etiquetas inteligentes conectadas à IoT centradas no ser humano para a indústria 4.0. Acesso
IEEE2018,6, 25939–25957. [Referência Cruzada]
12. Vaidya, S.; Ambad, P.; Bhosle, S. Indústria 4.0 – Um Vislumbre.Procedia Manuf.2018,20, 233–238. [Referência Cruzada]
13. Lasi, H.; Fettke, P.; Kemper, H.-G.; Feld, T.; Hoffmann, M. Indústria 4.0.Ônibus. Inf. Sist. Eng.2014,6, 239–242. [Referência Cruzada]
14.Bésugestão, A.; Praça, I.; Gama, J. Inteligência artificial, ameaças cibernéticas e Indústria 4.0: Desafios e oportunidades.Artefato. Intel. Rev. 2021,54, 3849–
3886. [Referência Cruzada]
15. Mentsiev, UA; Guzueva, ER; Magomaev, TR Desafios de segurança da Indústria 4.0.J. Física. Conf. Ser.2020,1515, 032074. [Referência
Cruzada]
16.Pereira, T.; Barreto, L.; Amaral, A. Desafios de segurança de redes e informação no paradigma da Indústria 4.0.Procedia Manuf. 2017,13, 1253–
1260. [Referência Cruzada]
17. Kashmar, N.; Adda, M.; Atieh, M. Dos modelos de controle de acesso aos metamodelos de controle de acesso: uma pesquisa. Na Conferência
Proceedings of the Future of Information and Communication, São Francisco, CA, EUA, 14–15 de março de 2019; Springer: Cham, Suíça, 2019;
páginas 892–911.
18. Pedreira, V.; Barros, D.; Pinto, P. Uma revisão dos ataques, vulnerabilidades e defesas na indústria 4.0 com novos desafios à soberania dos dados
pela frente.Sensores2021,21, 5189. [Referência Cruzada] [PubMed]
19. Reiman, A.; Kaivooja, J.; Parviainen, E.; Takala, EP; Lauraeus, T. Fatores humanos e ergonomia na fabricação no contexto da indústria 4.0 – Uma
revisão de escopo.Tecnologia. Soc.2021,65, 101572. [Referência Cruzada]
20. Neumann, WP; Winkelhaus, S.; Grosse, EH; Glock, CH Indústria 4.0 e o fator humano – estrutura de sistemas e metodologia de análise para um
desenvolvimento bem-sucedido.Internacional J.Prod. Economia.2021,233, 107992. [Referência Cruzada]
21. Veile, JW; Kiel, D.; Muller, JM; Voigt, K.-I. Lições aprendidas com a implementação da Indústria 4.0 na indústria manufatureira alemã.J. Manuf.
Tecnologia. Gerenciar.2019,31, 977–997. [Referência Cruzada]
22. Pilloni, V. Como os dados transformarão os processos industriais: Crowdsensing, Crowdsourcing e Big Data como pilares da Indústria 4.0. Internet futura
2018,10, 24. [Referência Cruzada]
23. Lee, J.; Ni, J.; Singh, J.; Jiang, B.; Azamfar, M.; Feng, J. Sistemas de Manutenção Inteligentes e Fabricação Preditiva.J. Manuf. Ciência. Eng.2020,142,
110805. [Referência Cruzada]
24. de Faria, H.; Costa, JGS; Olivas, JLM Uma revisão dos métodos de monitoramento para manutenção preditiva de transformadores de energia elétrica com base na
análise de gases dissolvidos.Renovar. Sustentar. Energia Rev.2015,46, 201–209. [Referência Cruzada]
25. Levitt, J.Guia completo para manutenção preventiva e preditiva; Industrial Press Inc.: Nova York, NY, EUA, 2003.
26. Pech, M.; Vrchota, J.; Camaář,J. Manutenção Preditiva e Sensores Inteligentes em Fábrica Inteligente: Revisão.Sensores2021,21, 1470. [Referência
Cruzada]
27. Cakir, M.; Guvenc, MA; Mistikoglu, S. A aplicação experimental de algoritmos populares de aprendizado de máquina em manutenção preditiva e o projeto
de sistema de monitoramento de condição baseado em IIoT.Computação. Ind. Eng.2020,151, 106948. [Referência Cruzada]
28. Poór, P.; Basl, J.; Zenisek, D. Manutenção Preditiva 4.0 como próximo passo de evolução no desenvolvimento da manutenção industrial. Em Anais
da Conferência Internacional de Pesquisa sobre Computação Inteligente e Engenharia de Sistemas (SCSE) de 2019, Colombo, Sri Lanka, 28 de
março de 2019; págs. 245–253.
Apl. Ciência.2022,12, 8081 20 de 22

29. Jiménez-Cortadi, A.; Irigoien, I.; Boto, F.; Serra, B.; Rodriguez, G. Manutenção Preditiva no Processo de Usinagem e Máquina-Ferramenta.Apl.
Ciência.2019,10, 224. [Referência Cruzada]
30. Maktoubian, J.; Taskhiri, MS; Turner, P. Manutenção Preditiva Inteligente (IPdM) em Silvicultura: Uma Revisão de Desafios e Oportunidades.
Florestas2021,12, 1495. [Referência Cruzada]
31. Okano, MT IOT e Indústria 4.0: A Nova Revolução Industrial. Em Proceedings of the ICMIS-17—International Conference on
Management and Information Systems, Bangkok, Tailândia, 25–26 de setembro de 2017; pp. 75–82.
32. Lee, J.; Ardakani, HD; Yang, S.; Bagheri, B. Análise industrial de Big Data e sistemas ciberfísicos para manutenção futura e inovação de
serviços.Procedia CIRP2015,38, 3–7. [Referência Cruzada]
33. Cordeiroan, deputado; Morella, P.; Royo, J.; Sanchez, JC Usando a Indústria 4.0 para enfrentar os desafios da Manutenção Preditiva: Desenvolvimento de
Indicadores Chave de Desempenho em um Sistema Físico Cibernético.Computação. Ind. Eng.2022,171, 108400. [Referência Cruzada]
34. Wang, J.; Xu, C.; Zhang, J.; Zhong, R. Análise de big data para sistemas de manufatura inteligentes: uma revisão.J. Manuf. Sist.2021,62, 738–752. [
Referência Cruzada]
35. Kaarlela, T.; Arnarson, H.; Pitkaaho, T.; Shu, B.; Solvang, B.; Pieskä, S. Plataforma de teleoperação educacional comum para robótica utilizando
gêmeos digitais.Máquinas2022,10, 577. [Referência Cruzada]
36. Azeez, NA; Adjekpiyede, OO Digital Twin Technology: uma revisão de suas aplicações e desafios proeminentes.Aliança J. Informar.
Comum. Tecnologia.2022,10. Disponível:https://journals.covenantuniversity.edu.ng/index.php/cjict/article/view/ 2995(acessado em 10
de junho de 2022).
37. Hosamo, HH; Svennevig, PR; Svidt, K.; Mão.; Nielsen, HK Uma estrutura de manutenção preditiva Digital Twin de unidades de tratamento de ar
baseada na detecção e diagnóstico automático de falhas.Construção de Energia.2022,261, 111988. [Referência Cruzada]
38. Você, Y.; Chen, C.; Hu, F.; Liu, Y.; Ji, Z. Avanços de gêmeos digitais para manutenção preditiva.Procedia Computação. Ciência.2022,200, 1471–1480.
[Referência Cruzada]
39. Wang, Y.; Martinsen, K.; Yu, T.; Wang, K.Fabricação Avançada e Automação XI; Springer: Singapura, 2022.
40. Chiang, F.-K.; Shang, X.; Qiao, L. Realidade aumentada na formação profissional: Uma revisão sistemática de pesquisas e aplicações. Computação. Zumbir.
Comporte-se.2021,129, 107125. [Referência Cruzada]
41. Ho, PT; Albajez, JA; Santolária, J.; Yagüe-Fabra, JA Estudo de Fabricação Baseada em Realidade Aumentada para Maior Integração do Controle de Qualidade
4.0: Uma Revisão Sistemática da Literatura.Apl. Ciência.2022,12, 1961. [Referência Cruzada]
42. Arena, F.; Collotta, M.; Pau, G.; Termine, F. Uma Visão Geral da Realidade Aumentada.Computadores2022,11, 28. [Referência Cruzada]
43. Liu, C.; Zhu, H.; Tang, D.; Nie, Q.; Zhou, T.; Wang, L.; Song, Y. Sondando uma abordagem inteligente de manutenção preditiva com aprendizado profundo e
realidade aumentada para máquinas-ferramentas na fabricação habilitada para IoT.Robô. Comp.-Integr. Fabrico.2022,77, 102357. [Referência Cruzada]

44. Daniyan, I.; Mpofu, K.; Oyesola, M.; Ramatsetse, B.; Adeodu, A. Inteligência artificial para manutenção preditiva nas fábricas de aprendizagem de
vagões.Procedia Manuf.2020,45, 13–18. [Referência Cruzada]
45. Carvalho, TP; Soares, FAAMN; Vita, R.; Francisco, RDP; Basto, JP; Alcala,SGS Uma revisão sistemática da literatura sobre métodos de aprendizado
de máquina aplicados à manutenção preditiva.Computação. Ind. Eng.2019,137, 106024. [Referência Cruzada]
46. Barja-Martínez, S.; Aragués-Peñalba, M.; Munné-Colado,EU.;Lloret-Gallego, P.; Bullich Massagué,E.; Villafafila-Robles, R. Técnicas de inteligência
artificial para habilitar serviços de Big Data em redes de distribuição: uma revisão.Renovar. Sustentar. Energia Rev. 2021,150, 111459. [
Referência Cruzada]
47. Nacchia, M.; Fruggiero, F.; Lambiase, A.; Bruton, K. Um mapeamento sistemático do uso avançado de técnicas de aprendizado de máquina para
manutenção preditiva no setor de manufatura.Apl. Ciência.2021,11, 2546. [Referência Cruzada]
48. zu Wickern, Desafios VFM e Confiabilidade da Manutenção Preditiva. Dissertação de mestrado, Faculdade de Comunicação e Meio Ambiente,
Universidade de Ciências Aplicadas do Reno-Waal, Kleve, Alemanha, 2019. [Referência Cruzada]
49. Wellsandt, S.; Klein, K.; Hribernik, K.; Lewandowski, M.; Bousdekis, A.; Mentzas, G.; Thoben, KD Inteligência aumentada híbrida em
manutenção preditiva com assistentes digitais inteligentes.Anu. Rev. Controle2022,53, 382–390. [Referência Cruzada]
50. Diamante, S.Manutenção Preditiva For Dummies®, Edição Limitada IBM; John Wiley & Sons, Inc.: Hoboken, NJ, EUA, 2013; pág. 51.
51.Jin, X.; Weiss, BA; Siegel, D.; Lee, J. Status atual e crescimento futuro da tecnologia e estratégia de manutenção avançada na manufatura dos EUA.
Internacional J.Prog. Gestão de Saúde.2016,7, 12. [Referência Cruzada]
52. Keleko, AT; Kamsu-Foguem, B.; Ngouna, RH; Tongne, A. Inteligência artificial e manutenção preditiva em tempo real na indústria 4.0:
Uma análise bibliométrica.Ética da IA2022, 1–25. [Referência Cruzada]
53. Mousavi, S. Controle Simultâneo das Estratégias de Produção, Manutenção e Inspeção para um Sistema de Fabricação Propenso a
Falhas com Penalidades/Incentivos Financeiros Baseados na Qualidade. Ph.D. Tese,ÉColeção de Tecnologia Supérieure, Montreal, QC,
Canadá, 2021.
54. Paleyes, A.; Urma, RG; Lawrence, ND Desafios na implantação de aprendizado de máquina: uma pesquisa de estudos de caso.ACM Computação. Sobreviver. (CSUR)2020.
[Referência Cruzada]
55. Sipos, R.; Fradkin, D.; Moerchen, F.; Wang, Z. Manutenção preditiva baseada em log. Em Anais da 20ª Conferência Internacional ACM SIGKDD
sobre Descoberta de Conhecimento e Mineração de Dados, Nova York, NY, EUA, 24–27 de agosto de 2014; páginas 1867-1876.
[Referência Cruzada]

56. Tonelada, B.; Basten, R.; Bolte, J.; Braaksma, J.; Di Bucchianico, A.; Van De Calseyde, P.; Grooteman, F.; Heskes, T.; Jansen, N.; Teeuw,
C.; e outros. PrimaVera: sinergizando a manutenção preditiva.Apl. Ciência.2020,10, 8348. [Referência Cruzada]
Apl. Ciência.2022,12, 8081 21 de 22

57. Prabhakar, D.; Raj, VJ CBM, TPM, RCM e A-RCM – uma comparação qualitativa de estratégias de gestão de manutenção.Internacional J. Gerente.
Ônibus. Viga.2014,4, 49–56.
58. Fernandes, J.; Reis, J.; Melasobre.; Teixeira, L.; Amorim, M. O papel da Indústria 4.0 e BPMN no surgimento da manutenção baseada em condições
e preditiva: Um estudo de caso na indústria automotiva.Apl. Ciência.2021,11, 3438. [Referência Cruzada]
59. Ogbonnaya, C.; Abeykoon, C.; Nasser, A.; Turan, A. Uma abordagem computacional para resolver um sistema de equações transcendentais com
multifunções e multivariáveis.Matemática2021,9, 920. [Referência Cruzada]
60. Ali, MH; Haddad, S. Stratoégie para a manutenção prévisionnelle do sistemaémes fotovoltaicos.J. Renovar. Energ.2020,23, 59–71.

61. Peng, Y.; Dong, M.; Zuo, MJ Status atual dos prognósticos de máquinas na manutenção baseada em condições: uma revisão.Internacional J. Adv. Fabrico. Tecnologia.
2010,50, 297–313. [Referência Cruzada]
62. Bengtsson, M. Sobre manutenção baseada em condições e sua implementação em ambientes industriais. Ph.D. Tese, Mälardalens
Högskola, Västerås, Suécia, 2007.
63. Hess, A.; Calvello, G.; Dabney, T. PHM, um facilitador chave para o conceito de suporte logístico autônomo JSF. Em Proceedings
of the 2004 IEEE Aerospace Conference Proceedings (IEEE Cat. no. 04th8720), Big Sky, MT, EUA, 6–13 de março de 2004;
Volume 6, pp.
64. Meng, H.; Li, YF Uma revisão sobre métodos de prognóstico e gerenciamento de saúde (PHM) de baterias de íon-lítio.Renovar. Sustentar. Energia Rev.2019,
116, 109405. [Referência Cruzada]
65. Omri, N.; Al Masry, Z.; Mairot, N.; Giampiccolo, S.; Zerhouni, N. Rumo a uma abordagem PHM adaptada: Metodologia de requisitos de qualidade de dados
para aplicações de detecção de falhas.Computação. Ind.2021,127, 103414. [Referência Cruzada]
66. Hu, N.; Su, X.; Liu, B. Uma revisão sobre prognóstico e gestão de saúde. Em Anais da Segunda Conferência Internacional de Redes de
Sensores e Engenharia de Computação de 2018 (ICSNCE 2018), Xi'an, China, 27–29 de abril de 2018; pág. 7.
67. Sanchez, RES Contribuição au Pronostic de Durée de vie des Systémes PilhaaCombustível do Tipo PEMFC. Ph.D. Tese,
Universidadeédu QuéporqueaTrois-Riviéres, Trois-Riviéres, QC, Canadá, 2016.
68.Zheng, J.; Mu, H.; Wang, X.; Li, T.-M.; Zhang, Q.; Wang, X. Uma política de manutenção adaptativa com modelagem de degradação não linear
baseada em informações prognósticas.Acesso IEEE2020,8, 160040–160049. [Referência Cruzada]
69. Peng, C.; Tang, Z.; GUI, W.; Chen, Q.; Zhang, L.; Yuan, X.; Deng, X. Revisão das principais tecnologias e progresso na gestão da saúde de
equipamentos industriais.Acesso IEEE2020,8, 151764–151776. [Referência Cruzada]
70. Vogl, GW; Weiss, BA; Helu, M. Uma revisão das capacidades de diagnóstico e prognóstico e melhores práticas para fabricação.J. Intel. Fabrico.2019
,30, 79–95. [Referência Cruzada] [PubMed]
71. Pecht, Abordagens de Modelagem SKM para Prognósticos e Gestão de Saúde da Eletrônica.Internacional J. Executar. Eng.2010,6, 467.
72. Si, X.-S.; Wang, W.; Hu, C.-H.; Zhou, D.-H. Estimativa de vida útil restante – Uma revisão das abordagens baseadas em dados estatísticos. EUR. J. Ópera. Res.
2011,213, 1–14. [Referência Cruzada]
73. de Pater, I.; Reijns, A.; Mitici, M. Programação de manutenção preditiva baseada em alarme para motores de aeronaves com prognósticos imperfeitos de
vida útil restante.Confiável. Eng. Sist. Seguro.2022,221, 108341. [Referência Cruzada]
74.Zhang, H.; Zhang, Q.; Shao, S.; Niu, T.; Yang, X. Rede LSTM baseada em atenção para previsão de vida útil restante de máquina rotatória.
Acesso IEEE2020,8, 132188–132199. [Referência Cruzada]
75. Zonta, T.; da Costa, CA; Righi, RDR; de Lima, MJ; da Trindade, ES; Li, GP Manutenção preditiva na Indústria 4.0: Uma revisão sistemática
da literatura.Computação. Ind. Eng.2020,150, 106889. [Referência Cruzada]
76. Kitai, M.; Kobayashi, T.; Fujiwara, H.; Tani, R.; Numao, M.; Fukui, K.-I. Uma estrutura para prever a curva de vida útil restante de
rolamentos sob progressão de defeitos com base em rede neural e método bayesiano.Acesso IEEE2021,9, 62642–62652. [Referência
Cruzada]
77. Taşabat, SE; Aydin, O. Usando redes de memória de longo e curto prazo com algoritmo genético para prever a condição do motor.Universidade GAZI. J.
Ciência.2021,35, 1200–1210. [Referência Cruzada]
78. Thakkar, UR Previsão de vida útil restante de um motor turbofan usando redes neurais recorrentes de camada profunda. Ph.D. Tese,
Carleton University, Ottawa, ON, Canadá, 2021.
79. Zhang, Y.; Xu, S.; Wan, Y. Melhoria de desempenho de compressores centrífugos para veículos com célula de combustível usando métodos de otimização
aerodinâmica e mineração de dados.Internacional J. Energia de Hidrogênio2020,45, 11276–11286.
80. La ManutençãoéDitivo Inteligente para a Indústria 4.0. Técnicas de L'ingéquerido. Disponível:https: //www.techniques-
ingenieur.fr/base-documentaire/genie-industriel-th6/mise-en-uvre-de-la-maintenance-42136210/lamaintenance-predictive-
intelligente-pour-l-industrie-4- 0-mt9572/(acessado em 20 de abril de 2022).
81. Nordal, H.; El-Thalji, I. Avaliando as especificações técnicas de manutenção preditiva: um estudo de caso de compressor centrífugo. Apl. Ciência.
2021,11, 1527. [Referência Cruzada]
82. Ali, J. Avaliando o impacto do modelo de negócios para cenários de manutenção preditiva usando simulação multimétodo: um estudo de caso de
compressor centrífugo. Dissertação de mestrado, Universidade de Stavanger, Stavanger, Noruega, 2020.
83. Gholami, H.; Abu, F.; Lee, JKY; Karganroudi, SS; Sharif, S. Fabricação Sustentável 4.0 – Caminhos e Práticas.Sustentabilidade2021,13,
13956. [Referência Cruzada]
84. Aminzadeh, A.; Sattarpanah Karganroudi, S.; Meiabadi, MS; Mohan, DG; Ba, K. Uma pesquisa de monitoramento de processos usando inspeção auxiliada por
computador em peças brutas soldadas a laser de metais leves com base no conceito de gêmeos digitais.Ciência do feixe quântico. 2022,6, 19. [Referência
Cruzada]
Apl. Ciência.2022,12, 8081 22 de 22

85. Jamil, N.; Gholami, H.; Mat Saman, MZ; Streimikiene, D.; Sharif, S.; Zakuan, N. Abordagem baseada em DMAIC para mapeamento de fluxo de valor
sustentável: Rumo a um sistema de manufatura sustentável.Economia. Res.-Ekon. Istraživanja2020,33, 331–360. [Referência Cruzada]
86. Lee, JKY; Gholami, H.; Saman, MZM; Ngadiman, NHAB; Zakuan, N.; Mahmood, S.; Omain, SZ Aplicação de mapeamento do fluxo de valor orientada
para a sustentabilidade: uma revisão e classificação.Acesso IEEE2021,9, 68414–68434. [Referência Cruzada]
87. Comunicação flexível de dados e plataforma IIoT em aplicações industriais — Ewon Flexy. Disponível:www.ewon.biz (acessado em 28 de
julho de 2022).