Escolar Documentos
Profissional Documentos
Cultura Documentos
com
aplicado
ciências
Análise
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
Citação:Achouch, M.; Dimitrova, M.;
trabalho muito preciso, começando com a compreensão do projeto e a coleta de dados e terminando com a
Ziane, K.; Sattarpanah Karganroudi, S.;
fase de tomada de decisão. Este artigo apresenta uma revisão exaustiva da literatura sobre métodos e
Dhouib, R.; Ibrahim, H.; Adda, M. Sobre
Manutenção Preditiva na Indústria 4.0:
ferramentas aplicadas a modelos inteligentes de manutenção preditiva na Indústria 4.0, identificando e
Visão Geral, Modelos e Desafios.Apl. categorizando o ciclo de vida dos projetos de manutenção e os desafios encontrados, e apresenta os modelos
Ciência.2022,12, 8081. https://doi.org/ associados a este tipo de manutenção: manutenção baseada em condições (CBM), prognóstico e gestão de
10.3390/app12168081 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
Editores Acadêmicos: Sławomir
uma plataforma de manutenção preditiva. Esta plataforma garante a gestão e comunicação fluida de dados
Nowaczyk, Mohamed-Rafik
Bouguelia e Hadi Fanaee
entre equipamentos ao longo do seu ciclo de vida no contexto de uma manutenção inteligente.
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
Direito autoral:© 2022 dos autores.
Licenciado MDPI, Basileia, Suíça. Este
de produção para reforçar a sua competitividade e satisfazer os seus clientes. Conectividade,
artigo é um artigo de acesso aberto
dados, novos dispositivos, redução de estoques, customização e produção controlada deram
distribuído sob os termos e condições origem ao que é chamado de Indústria 4.0, que hoje parece imparável [1]. Isto implica a
da licença Creative Commons necessidade de aplicar técnicas de automação para integrar todas as novas tecnologias que irão
Attribution (CC BY) (https:// posteriormente aumentar a produtividade [2]. As tecnologias da Internet das Coisas (IoT) e Big
creativecommons.org/licenses/by/ Data, e a integração de métodos de inteligência artificial (IA) e sistemas ciberfísicos
4.0/).
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
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.
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
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].
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).
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].
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.
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
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
• 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.
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].
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.
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.
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.
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.
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.
Nomenclatura e Símbolos
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).