Maintenance 4.0 Implementation Challenges

Machine Translated by Google
A edição atual e o arquivo de texto completo desta revista estão disponíveis na Emerald Insight em:
https://www.emerald.com/insight/0265-671X.htm
IJQRM PAPEL DE CONFIABILIDADE

40,7
Manutenção 4.0: desafios de
implementação e sua análise
1706 Ajith Tom James
Departamento de Operações e TI, ICFAI Business School, Hyderabad, Índia
Recebido em 11 de abril de 2021
Revisado em 2 de outubro de 2021
Girish Kumar
20 de março de 2022 Departamento de Engenharia Mecânica, Universidade Tecnológica de Delhi,
Aceito em 18 de novembro de 2022
Nova Delhi, Índia e
Adnan Qayyum Khan e Mohammad Asjad
Departamento de Engenharia Mecânica, Jamia Millia Islamia, Nova Delhi, Índia
Abstrato
Objetivo – O objetivo deste artigo é identificar e analisar os desafios associados à implementação do conceito de
Manutenção 4.0 nas indústrias.
Design/metodologia/abordagem – Os desafios na implementação da Manutenção 4.0 são identificados através de
levantamento bibliográfico e interação com profissionais da indústria e da academia. Uma estrutura de hierarquia
estrutural que integra as metodologias ISM e MICMAC é utilizada para a análise dos desafios de implementação da
Manutenção 4.0. A estrutura estabelece a inter-relação entre os desafios e os segrega em grupos impulsionadores,
de ligação, dependentes e autônomos.
Constatações – Um novo conceito de Manutenção 4.0 sob a égide da Indústria 4.0 está a ganhar reconhecimento em
todo o mundo. Porém, existem desafios na adaptação dos conceitos da Manutenção 4.0 entre as indústrias.
São identificados os vários desafios bem como o seu impacto no objetivo de implementação da Manutenção 4.0.
Implicações práticas – Os engenheiros, académicos, investigadores e as indústrias envolvidas podem inferir dos
resultados para melhorar as causas de tais desafios e promover a implementação da Manutenção 4.0 da forma mais
eficiente e eficaz.
Originalidade/valor – Este artigo é novo, único e primeiro do gênero que aborda os desafios mais contemporâneos na
implementação de conceitos de Manutenção 4.0 nas indústrias.
Palavras-chave Indústria 4.0, Manutenção 4.0, Desafios de implementação, ISM, MICMAC
Tipo de papel Artigo de pesquisa
1. Introdução A
Indústria 4.0 (I4.0) teve origem na Alemanha em 2013 para revolucionar o setor manufatureiro em
todo o mundo (Xu et al., 2018). I4.0 é considerada a Quarta Revolução Industrial (Li, 2017). Shafiq
et al. (2016) consideraram o I4.0 como uma ferramenta que agiliza as inter-relações e a informatização
nas práticas industriais convencionais. O I4.0 visa a implementação de tecnologias de automação
de última geração nas indústrias de manufatura e de processo (Trotta e Garengo, 2018). Masood e
Sonntag (2020) preveem que a implementação das filosofias I4.0 proporcionará personalização de
produtos em larga escala impulsionada pela tecnologia da informação; rastreamento de matérias-
primas e produtos; auxiliar na comunicação entre matérias-primas, homem, máquina e produtos;
promover a interação homem-máquina; desenvolver fábricas inteligentes habilitadas para Internet
das coisas (IoT); desenvolver novos modelos de serviços e negócios e assim por diante. Toda a
gama de sistemas de trabalho analógicos e centralizados será transformada num novo paradigma de trabalho digit
Jornal Internacional de Gestão
de Qualidade e
Confiabilidade
Vol. Financiamento: Esta pesquisa não recebeu subsídio específico de nenhuma agência de financiamento dos setores público,
1706-1728 © Emerald comercial ou sem fins lucrativos.
Publishing
Declaração de conflito de interesses: Os autores declaram não haver conflito de interesses.
Limited 0265-671X DOI 10.1108/IJQRM-04-2021-0097
plataformas descentralizadas na era I4.0, com uma melhoria de produtividade esperada para o nível Manutenção 4.0 de 45–
55% (Raj et al., 2020). I4.0 emprega tecnologia de ponta, como análise de implementação de big data
(Dubey et al., 2019),
computação em nuvem (Ghobakhloo, 2020), desafios de fabricação aditiva (Gibson, 2014), segurança
cibernética (Wang e
Lu, 2013), automação e robótica (Yadav e Singh, 2020), Internet das coisas (Bag e Pretorius, 2022),
sistemas ciberfísicos (Lass e Gronau, 2020), realidade virtual (Masood e Egger, 2019), simulação e
modelagem (Lasi et al ., 2014) e integração horizontal e vertical (Brettelet al., 2014) na busca pela
excelência nas indústrias.
1707
A manutenção é vital para o bom funcionamento de qualquer indústria, pois as máquinas nunca
podem trabalhar com alta eficiência o tempo todo e necessitam de manutenção periódica para
funcionar corretamente. É um fator decisivo quando se trata da longevidade de uma máquina. Mishra
e Pathak (2012) apontaram que o mau funcionamento das máquinas é resultado de uma manutenção
deficiente, o que resultaria em enormes perdas de produção e perigos. As filosofias de manutenção
evoluíram da manutenção reativa para a manutenção preventiva (PM) ou manutenção baseada no
tempo (Kaparthi e Bumblauskas, 2020) e chegaram ao conceito de manutenção baseada na condição
(CBM) desde o início da revolução industrial (Jasiulewicz -Kaczmarek et al., 2020). Com o advento da
I4.0, espera-se uma infinidade de benefícios que podem mudar radicalmente muitas tecnologias na
indústria, que serão igualmente aplicáveis na manutenção. Identificando a importância da manutenção
nas indústrias, McKinsey (2015) incluiu a utilização de ativos, serviços e pós-venda, que são conceitos
importantes na manutenção dentro de oito principais impulsionadores de valor para a Indústria 4.0.
Como resultado, as indústrias estão a considerar a aplicação prioritária dos conceitos I4.0 na gestão
da manutenção. Mosyurchak et al. (2017). Com estas intenções, surgiu um novo conceito de
“Manutenção 4.0” para viabilizar o conceito de manutenção inteligente em indústrias sob a égide das
filosofias da Indústria 4.0. Galar e Kans (2017) definiram Manutenção 4.0 como um subconjunto do
sistema de manufatura moderno incapacitado por máquinas inteligentes e de autoaprendizagem, que
podem prever falhas e iniciar diagnósticos e ações de manutenção. Segundo Glazer (2019), a
Manutenção 4.0 envolve a aplicação de aprendizado de máquina e o envolvimento de robôs nas
atividades de manutenção. Bokrantz et al. (2020) apresentaram uma definição mais precisa para
Manutenção 4.0 ao afirmar que é uma iniciativa organizacional para o tratamento eficaz da manutenção
em organizações de produção através da integração de tecnologias digitais de ponta.
A literatura revelou que as tecnologias em I4.0 têm um papel decisivo na manutenção.

A manutenção e assistência das máquinas serão mais eficazes com monitoramento de dados em
tempo real e integração com tecnologias I4.0 (Ansari et al., 2018). A detecção precisa e oportuna de
falhas ou falhas antes de sua ocorrência é possível através dos procedimentos no ambiente da
Indústria 4.0 que podem economizar custos, reduzir o tempo de inatividade e até mais ( Kiel et al.,
2017). Lira e Borsato (2016) antecipam uma redução considerável no tempo de parada das máquinas
e na duração dos serviços por meio da implementação de sistemas inteligentes de manutenção
preditiva. Chiu et al. (2017) projetaram benefícios como rastreamento da saúde da máquina e previsão
do tempo de manutenção por meio da comunicação entre dispositivos por meio das plataformas IoT
na era I4.0. Li et al. (2017) sugeriram tecnologias que permitem o desligamento automático da máquina
antes da falha por meio de inteligência artificial e algoritmos de manutenção preditiva (PMA). A IoT
industrial permite conexões entre objetos físicos por meio da Internet e, assim, forma sistemas
ciberfísicos (CPSs) para compartilhamento de dados globais ou locais (Alqahtani et al., 2019). Essa
comunicação por meio de CPSs apoia a manutenção, e os dados em tempo real coletados por meio
dela formam a base da análise de big data em manutenção (Peres et al., 2018). A análise de big data
ajuda na tomada de decisões em tempo real para PM por meio de algoritmos analíticos baseados em
dados (Subramaniyan et al., 2018). Além disso, a análise de big data é útil na gestão da logística de
peças de reposição, que é muito crítica na manutenção (Hazen et al., 2014). Como os dados
desempenham um papel significativo nas atividades de manutenção,
os modelos baseados em dados estão sendo usados na evolução do PM e utilizam ferramentas como
IJQRM
estatísticas, reconhecimento de padrões e inteligência artificial (IA) na era I4.0 (Zonta et al., 2020).
40,7 Susto et al. (2018) observaram que simulações computacionais podem prever as condições de risco
das máquinas e comparar as condições de saúde dos sistemas com os níveis de manutenção com
base nos dados históricos. O conceito de tecnologia em nuvem complementa a IoT, big data e
simulação, armazenando dados críticos, bem como computação em tempo real e torna-se uma parte
essencial dos CPSs (Fernandez-Carames et al., 2018). Koch et al. (2017) exploraram a viabilidade da
1708 interação e colaboração humano-robô para algumas tarefas de manutenção seletivas. Navas et al.
(2020) apontaram que as tecnologias emergentes de fabricação aditiva podem ser adaptadas para a
fabricação de peças sobressalentes utilizadas na manutenção em lotes mínimos com custos
competitivos. Esta seria uma técnica altamente útil quando as peças sobressalentes não estão
disponíveis no mercado devido à descontinuidade na produção do fabricante do equipamento original (OEM).
Há um aumento significativo no desenvolvimento e uso de técnicas como mineração de dados
(DM) e descoberta de conhecimento em bancos de dados (KDD) para diagnóstico e prognóstico de
máquinas em grandes empresas da indústria, que incluem setores como aeroespacial, automotivo e
fabricação de moldes ( Li e outros, 2017). Causano e Napoletano (2017) conduziram estudos sobre
um modelo de manutenção inteligente que utiliza tecnologias I4.0, como o módulo de reconhecimento
visual que pode ser usado para rastrear cerca de 20 peças mecânicas diferentes de uma aeronave.
Tecnologias como a realidade aumentada (AR) estão em ascensão e sendo ativamente incorporadas
nas práticas de manutenção. A integração de tecnologias de AR com sistemas físicos, que são
modelos em escala ou em tamanho real, será útil para fins de formação de técnicos de manutenção
(D'Anniballe et al., 2020). De Crescenzio et al. (2011) discutiram o desenvolvimento de um sistema
protótipo para manutenção de aeronaves, utilizando AR que consistia em um head-mounted display
que exibia diversos sistemas e componentes para educar os trainees de manutenção, o que ajudou
a reduzir a lacuna de treinamento. A manutenção sustentável (SM) será outro conceito futurista onde
as tecnologias I4.0 terão vantagem. O MS pode contribuir para a minimização dos impactos ambientais
e sociais de um sistema, juntamente com a redução dos custos do ciclo de vida, aumento da
durabilidade dos equipamentos e melhor gestão do ciclo de vida dos ativos (Franciosiet al., 2018).
Outro recurso futuro na manutenção baseada em I4.0 seria a previsão da vida útil restante (RUL) de
um sistema, correlacionando os dados recebidos de um conjunto de sensores anexados a vários
componentes (Man e Zhou, 2018; Chen et al . , 2019; Liet al., 2020). Dentro deste paradigma, serão
utilizados métodos como a memória de longo e curto prazo (LSTM) que incorporam tecnologias como
a aprendizagem profunda (DL) para analisar o histórico operacional de um sistema e depois prever o
RUL (Bruneo e De Vita, 2019) . O conceito de gêmeo digital será utilizado no ambiente Maintenance
4.0 para monitoramento de condições de sistemas altamente críticos, onde há alto risco (Jasiulewicz-
Kaczmarek et al., 2020). Além disso, Nordal e El-Thalji (2021) previram que os desenvolvimentos de
última geração em robôs, drones e dispositivos vestíveis melhorariam a manutenção inteligente no
futuro.
Com base na revisão da literatura, pode-se concluir que no espectro da Manutenção 4.0; conceitos
futuristas como manutenção preditiva, manutenção proativa, manutenção remota ou telemanutenção
e automanutenção seriam o futuro da manutenção.
Espera-se que as práticas de manutenção preditiva aliviem o tempo de inatividade da máquina de
30% para 50% e expandam a vida operacional na faixa de 20% a 40% (McKinsey, 2015).
A manutenção proativa está programada para ser uma virada de jogo na Manutenção 4.0, pois visa o
monitoramento das causas da falha e não dos sintomas (Fusko et al., 2018). O novo conceito de
manutenção remota é apoiado principalmente por tecnologias como AR (Aschenbrenner et al., 2016;
Masoni et al., 2017) que, quando integradas com manutenção preditiva, podem reduzir o custo de
manutenção em até 40% (McKinsey , 2015). Outro conceito futurista de automanutenção envolve um
processo de monitoramento de condições constante e não invasivo (Dinardo et al., 2018) que emprega
principalmente robótica para realizar tarefas de alto risco (Seneviratne et al., 2018). Roy et al. (2016)
também projetaram reduções no custo do ciclo de vida dos equipamentos devido a
a aplicação de manutenção autônoma. Um estudo de caso conduzido por Kandemir e Celik Maintenance 4.0 (2020) sobre
os erros humanos na manutenção de navios revelou que a implementação dos conceitos de
implementação da Maintenance
4.0 pode reduzir a incidência de probabilidade de erro humano em 83%. desafios
Em meio a todos os benefícios futuristas, muitos desafios surgem no caminho da implementação
das práticas de Manutenção 4.0 nas indústrias. Silvestri et al. (2020) opinaram que o caminho a
seguir para a implementação da Manutenção 4.0 ainda é vago e menos percorrido e citaram alguns
problemas para o mesmo. Portanto, este artigo é uma tentativa de identificar os desafios para a
implementação de tecnologias de Manutenção 4.0 nas indústrias com base nas questões levantadas 1709
por Silvestri et al. (2020) , bem como literatura detalhada e visitas industriais. Segue-se a
categorização destes desafios utilizando metodologias estruturais.
O artigo está organizado da seguinte forma. A Seção 2 identifica e descreve vários desafios para
a implementação das práticas de Manutenção 4.0 na manutenção industrial. A Seção 3 explica as
metodologias de modelagem estrutural interpretativa (ISM) e aplicação de classe de multiplicação
de impactos matriciais (MICMAC). Na seção 4, são implementadas as metodologias para priorização
dos desafios seguida de sua segregação em grupos de desafios direcionadores, de ligação,
dependentes e autônomos. Os resultados são discutidos na seção 5 e as conclusões são
apresentadas na seção 6.
2. Identificação de desafios na implementação da Manutenção 4.0 As discussões acima

revelaram que um trabalho muito limitado foi feito para a identificação de desafios na implementação
de tecnologias de Manutenção 4.0. Os vários desafios são identificados através da literatura e da
interação com especialistas do setor. As subseções a seguir detalham isso.
2.1 Desafios organizacionais

“Transformação digital” é um termo recentemente cunhado que está sendo usado por empresas de
consultoria que fornecem um roteiro para a implementação de tecnologias da era I4.0 nas empresas
de seus clientes. Porém, ainda existem muitas empresas que estão em seus níveis primitivos de
transformação digital e têm pouco conhecimento sobre isso. Um estudo realizado por Flores et al.
(2018) revelaram que apenas 17% das empresas tinham uma estratégia totalmente desenvolvida
para implementação da Manutenção 4.0. Badriet al. (2018) atribuíram a falta de cultura corporativa
em suas tomadas de decisão baseadas em dados ou evidências para a implementação da
Manutenção 4.0. Os desafios organizacionais incluem a integração de todas as partes interessadas,
incluindo OEMs, utilizadores finais, fornecedores de suporte tecnológico e outros prestadores de
serviços para realizar a implementação da Manutenção 4.0 (Badriet al., 2018). Kumar e Galar (2018)
citaram desafios organizacionais na implementação da Manutenção 4.0 principalmente em quatro
dimensões que abrangem aspectos relacionados à gestão de recursos empresariais, como
reestruturação organizacional das pessoas envolvidas na manutenção; planejamento de recursos
como sobressalentes, materiais, ferramentas, gestão de informações e conhecimento; e manejo de
organizações heterogêneas. A pesquisa de (Tortorella et al., 2021) revelou que muitas organizações
desconhecem o prospecto da Indústria 4.0 e não conseguem prever os benefícios financeiros da sua implementação.
2.2 Desafios de competências

técnicas A implementação da I4.0 trouxe mudanças revolucionárias nos sistemas de produção que
aumentaram as expectativas dos trabalhadores, o que requer certos conjuntos de competências
entre os técnicos e operadores que trabalham nas indústrias (Vinodh e Wankhede, 2021). Isto
também se aplica à Manutenção 4.0. As atividades convencionais de solução de problemas e
manutenção foram amplamente ancoradas na experiência de técnicos de manutenção qualificados.
No entanto, Windelband (2017) apontou que as tecnologias I4.0 contemporâneas têm
IJQRM desenvolveu alguns sistemas de assistência ciberfísica para apoiar trabalhadores qualificados na
manutenção industrial. Isto reitera o fato de que as atividades de manutenção não podem ser
40,7
completamente automatizadas e ainda exigem mão de obra qualificada. No entanto, os conjuntos de
competências existentes são inadequados para lidar com as tecnologias da I4.0, o que representa um
sério desafio na sua implementação na Manutenção 4.0. Zolotova et al. (2020) sugeriram a transformação
dos operadores para capacidades “Operador 4.0” com habilidades físicas, sensoriais e cognitivas
aprimoradas. Os potenciais desafios para técnicos de manutenção qualificados incluem o processamento
1710
de enormes dados para processos de manutenção, incluindo o seu processamento em tempo real. No
entanto, a percepção e avaliação adequada dos dados sem erros sob as complexidades dos sistemas é
um desafio assustador para os técnicos (Windelband, 2017). Além disso, o autor também alertou que a
habilidade do técnico precisa ser elevada a tal nível que ele/ela tenha que tomar decisões espontâneas
baseadas em dados, atuar como analista de dados e, assim, transformar o paradigma CBM no conceito
moderno de manutenção prospectiva integrada. .
Um estudo realizado por Windelband (2014) defendeu que técnicos qualificados tivessem conhecimento
multidomínio, incluindo tecnologia da informação com habilidades adequadas em estrutura de roteador,
tecnologia de firewall, alocação de endereços IP de componentes CPS e sua fusão com sistema de
execução de fabricação e conhecimento em eletrônica e mecânica. sistemas para realizar atividades de
manutenção no ambiente Maintenance 4.0.
Além disso, competências em tecnologia de rede, tecnologia de microondas e tecnologia de transmissão
são indispensáveis para a interpretação de imagens ao vivo da máquina e sua avaliação para diagnóstico
de falhas e solução de problemas com novos sistemas de assistência, como tecnologia de sensores/
elementos de atuação. Outro desafio apontado por Windelband (2017) é o nível de proficiência exigido
pelos técnicos na utilização de sistemas de atendimento ao usuário, como aplicativos móveis e portais.
Atualmente, as indústrias carecem de técnicos com proficiência em tecnologias digitais (Roda et al.,
2018) e gestão do conhecimento (Carcel-Carrasco e Carcel-Carrasco, 2021). Uma pesquisa realizada
por Flores et al. (2018) entre 76 empresas de diversas origens, como manufatura, automotiva e TI,
revelou que 18% dessas organizações ainda terceirizam a tarefa de análise de dados por falta de
competências humanas. Assim, vários investigadores (Stojkic et al., 2015; Windelband, 2017; Farsi e
Zio, 2019) sugeriram alterações na formação inteligente do ensino profissional como a solução para
desenvolver técnicos de manutenção adequados para o ambiente de Manutenção 4.0.
2.3 Desafios da cibersegurança

A troca massiva de dados que ocorre como resultado da intricada interconectividade dos dispositivos
fabricados no paradigma I4.0 alarga o âmbito da cibersegurança, uma vez que proporciona novas
formas aos cibercriminosos explorarem esses dados em seu interesse. Os dispositivos em muitas
fábricas funcionam por longos períodos sem ferramentas antivírus ou atualizações de segurança. Os
dispositivos como laptops e unidades USB (Universal System Bus) que entram e saem das instalações
tornam-se vulneráveis a malware quando não são verificados adequadamente (Benias e Markopoulos,
2017). A segurança e a privacidade afetam todo o armazenamento e processamento de big data, e a
prática atual das indústrias que utilizam serviços de terceiros para hospedar dados importantes e realizar
operações críticas traz um enorme desafio de monitoramento dinâmico de dados e proteção de
segurança (Ji et al., 2012) . Alqahtani et al. (2019) alertaram que as capacidades da IoT têm um efeito
colateral de explosão de dados que leva a questões como segurança de dados, privacidade de dados,
rede de data center e gerenciamento de armazenamento de dados. Roy et al. (2016) defenderam a
exigência de sistemas robustos de segurança cibernética para a manutenção de sistemas críticos tanto
de hardware como de software. Roda et al. (2018) salientaram que muitas empresas em todo o mundo
estão relutantes em implementar a Manutenção 4.0 devido à falta de confiança nas tecnologias
contemporâneas de cibersegurança na proteção eficaz dos dados.
2.4 Desafios de implementação da IoT Manutenção 4.0 A IoT como tecnologia está atualmente em ascensão, mas precisa
ser capacitada com mais capacidades de implementação que possam permitir atingir o objetivo final
de digitalização dos
procedimentos de manutenção. desafia Silvestri et al. (2020) observaram que a comunicação máquina
a máquina por meio
da IoT exigiria modernização do hardware existente ou aquisição de novos instrumentos. Os autores
também citaram o desenvolvimento de protocolos de comunicação entre as máquinas como um
desafio pertinente. Além disso, o projeto de sensores e seu posicionamento em locais estratégicos
para monitoramento on-line das condições de parâmetros para manutenção preditiva são tarefas
desafiadoras. 1711
Outro desafio significativo que a IoT enfrenta é a falta de análise de dados sensíveis ao tempo, em
que uma máquina pode fornecer o monitoramento das condições em tempo real de uma máquina ou
de um sistema de máquinas (Mohammadi et al., 2018). A atual tecnologia de interação máquina-
máquina (M2M) e máquina-humano (M2H) ainda está em seu estágio inicial de desenvolvimento. Esta
tecnologia de comunicação precisa ser desenvolvida para melhor acomodar a comunicação M2M
entre dispositivos IoT heterogêneos que recebem, registram e transmitem dados para evitar o
congestionamento da rede (Roy et al., 2016). Conseqüentemente, a IoT precisa ser apoiada pela
ciência de dados para uma percepção mais inteligente do ambiente da indústria e uma melhor
interação homem-máquina. O software usado para monitorar dados obtidos de sensores que utilizam
IoT precisa ser simplificado para que possa ser facilmente manuseado pelos trabalhadores da fábrica
e pelas equipes de manutenção de máquinas. A logística, que inclui peças sobressalentes e gestão
de armazéns, necessita atualmente de técnicas derivadas da IoT, como prognósticos e gestão de
saúde (PHM), para um funcionamento eficiente.
2.5 Desafios de Saúde e Segurança

A complexidade das atividades aumenta constantemente por conta dos sistemas de produção I4.0
(Waschneck et al., 2017), e a manutenção não é uma exceção. Badriet al. (2018) observaram que
haveria um aumento no conteúdo do trabalho em termos de variedades de tarefas, duração das
tarefas, incertezas e exposição, bem como a exigência de horas extras, ordens urgentes e assim por diante.
Estes induziriam riscos no local de trabalho, incluindo efeitos psicossociais. Os problemas psicossociais
são em grande parte atribuídos ao medo da perda de emprego e às inseguranças (Moktadir et al.,
2018; Kumaret al., 2020). Silvestriet al. (2020) alertaram que a migração para a Manutenção 4.0 deve
ser gradual para familiarizar os técnicos com as novas ferramentas, caso contrário existe um risco
potencial de danos em diversas dimensões. Haverá relutância por parte dos trabalhadores mais
antigos, que são contra as mudanças e a utilização de novas tecnologias (Katiraee et al., 2019), o que
também pode afetar negativamente a segurança. Siemieniuch et al. (2015) levantaram as preocupações
da ergonomia e dos fatores humanos no desenvolvimento de sistemas ciberfísicos. Outro conceito
futurista no I4.0 é o de “cobots”, onde os robôs trabalhariam junto com os seres humanos para
manipular tarefas difíceis e perigosas. Os cobots teriam alguns escopos na manutenção industrial.
Beetz et al. (2015) expressaram as suas preocupações no desenvolvimento de robôs preocupados
com a segurança, que possam identificar as ações humanas que podem ferir ou sabotar a segurança
dos trabalhadores e defenderam o desenvolvimento de programas de computador que permitam aos
robôs com habilidades de raciocínio discriminar as intenções dos operadores que trabalham nas
proximidades. . No entanto, Silvestri et al. (2020) sugeriram o uso regulamentado de robôs na
manutenção, que é uma atividade altamente centrada no ser humano e supervisionada. Já foi
mencionado anteriormente que AR pode revolucionar a manutenção em ambiente I4.0. Cristians e
Methven (2017) observaram que a tecnologia AR pode explorar estruturas ocultas no ambiente do
mundo real, e esta capacidade é muito útil em procedimentos de manutenção complexos. No entanto,
Roy et al. (2016) alertaram que a utilização prolongada destas tecnologias pelos trabalhadores da manutenção afetaria negativamen
Silvestriet al. (2020) exploraram mais os aspectos acima e observaram que os sistemas móveis de RA
costumam ser pesados, o que pode ser extenuante para os técnicos de manutenção e seu uso
prolongado pode causar cansaço visual. Eles também levantaram os prós e os contras do uso de óculos AR,
técnicos que já usam óculos graduados. Silvestri et al. (2020) destacaram que alguns dispositivos inteligentes utilizados na
IJQRM
Manutenção 4.0 não são uma tecnologia de mãos livres, o que pode dificultar a atividade do operador e, portanto, afetar
40,7
negativamente a segurança. Assim, os autores apelaram a uma boa simbiose homem-automação através da implementação
de locais de trabalho inteligentes com interfaces homem-computador fáceis de utilizar.
1712 2.6 Desafios relacionados com big data

Um equívoco comum para a PM, em geral, é que mais dados produziriam melhores resultados.
No entanto, isso não é verdade quando se trata de big data. Manter uma grande quantidade de dados pode custar muito em
termos de aquisição, armazenamento e análise. Além disso, a extração de dados valiosos ou de dados inteligentes é
complicada. Dados reais que consistem em dados normais e anormais são difíceis de extrapolar do servidor de uma máquina,
pois poucas máquinas possuem tais instrumentações de registro de dados. Consequentemente, há uma escassez de dados
reais, o que dificultará o funcionamento eficiente das máquinas de manutenção preditiva, uma vez que necessitam de dados
reais. Existe uma relação bidirecional entre IoT e big data, onde a IoT é produtora e geradora de dados, enquanto a análise
de big data precisa melhorar a precisão dos serviços e processos de IoT. Existem desafios significativos neste domínio, uma
vez que exige a necessidade de uma nova classe de análise (Mohammadi et al., 2018). O alto volume e a alta velocidade dos
ativos de informações, a diversidade e os tipos de dados, as incertezas na precisão dos dados, a velocidade da coleta de
dados, a taxa de tomada de decisão com base nos dados coletados e a falta de estudos quantitativos para compreender as
complexidades dos dados são os desafios associados ao big data na manutenção (Roy et al., 2016). Silvestri et al. (2020)
apontaram que a qualidade dos dados e a sua representação têm um impacto profundo nos sistemas baseados em IA.
Salientaram a importância do conhecimento e das competências dos cientistas de dados a este respeito e lamentaram que
tais competências não estejam disponíveis em muitas organizações, o que representa um sério desafio. O aprendizado
profundo (DL) é outra tecnologia contemporânea que tem grande potencial para maximizar a eficiência de funcionamento da
IoT e dos sistemas de big data. No entanto, a exigência de grandes dados brutos pré-processados é necessária para o bom
funcionamento da EaD e a geração de resultados ótimos (Dalzochio et al., 2020; Mohammadi et al., 2018). Muitos dados de
manutenção são imprecisos, incompletos e desestruturados, possuindo valores faltantes e sem anotações (Kumar e Galar,
2018) que servem como “ruído” e inviabilizam o conceito de DL. A aquisição de dados é um processo pelo qual os dados são
adquiridos de uma máquina por meio de vários sensores. Funções como fusão de dados e condicionamento de sinal também
estão envolvidas no pré-processamento de dados. Para uma aquisição de dados eficaz, é necessário desenvolver algoritmos
de tomada de decisão para identificar os sistemas/partes de uma máquina a monitorizar e porquê. No entanto, o
desenvolvimento de tais algoritmos é caro devido ao excesso de dados ou dados que não são relevantes para a
automanutenção de uma máquina (Singh et al., 2014). Com o advento do big data, estão sendo geradas grandes quantidades
de dados que são grandes demais para serem manipulados pelos Sistemas de Gerenciamento de Banco de Dados
Relacionais Tradicionais (RDBMSs), e torna-se mais difícil fazer seus modelos visuais, como gráficos de barras, diagramas
de linhas, tabelas. e animações de dados tão enormes (Jasiulewicz-Kaczmarek et al., 2020).
Isto exige o desenvolvimento de tecnologias que possam ajudar a gerar modelos de dados conceituais, lógicos e físicos mais
precisos que possam lidar com a crescente complexidade dos dados em manutenção (Ribeiro et al., 2015). Outro desafio em
relação ao BD é o processamento de dados mesmo em um ambiente baseado em nuvem devido à menor taxa de
processamento de dados na área.
Além disso, a análise de grandes conjuntos de dados em manutenção exige o desenvolvimento de soluções exclusivas de
análise de dados (Jasiulewicz-Kaczmarek et al., 2021).
2.7 Desafios da computação e do armazenamento em

nuvem A falta de recursos de privacidade é o desafio mais significativo neste campo da computação em nuvem ou do
armazenamento em nuvem, uma vez que os servidores em nuvem são frequentemente operados e fornecidos por fornecedores terceiros.
Na era I4.0, os gestores das empresas estão buscando mais tecnologias que possam ajudar a avaliar as condições de saúde das
máquinas da Manutenção 4.0 , obtendo informações delas, obtendo rapidamente os resultados da análise de
implementação de dados e
compartilhando essas informações entre filiais da mesma empresa. sejam desafios feitos em tempo real.
Contudo, a computação em
nuvem ainda não é tão capaz de satisfazer tais necessidades neste paradigma Yen et al. (2014). As atuais
tecnologias de nuvem não são adequadas para satisfazer a crescente quantidade de fluxo de dados em termos
de capacidade e velocidades de transferência para armazenamento e gerenciamento de big data. Além disso, a
computação em nuvem de big data leva muito tempo, o que pode dificultar algumas tomadas de decisão em
manutenção. 1713
2.8 Desafios de custos

Outro desafio é o maior custo envolvido no desenvolvimento de algoritmos PHM. Há necessidade de grandes
investimentos por parte das empresas para aquisição de instrumentação, software e mão de obra treinada para
poder se beneficiar desta tecnologia I4.0 (Compare et al., 2019). As incertezas quanto ao retorno do enorme
investimento inicial para transformações digitais, bem como a incerteza dos efeitos do custo total de propriedade
(TCO) de sistemas/equipamentos modernos e outras instrumentações adquiridas para a atualização da
infraestrutura para Manutenção 4.0 impedem muitas empresas de investir na Manutenção 4.0 (Roda et al., 2018).
As indústrias estão atualmente modernizando as máquinas existentes para se adaptarem às tecnologias da I4.0.
No entanto, Pettitt e Westfall (2016) apontaram que o custo de retrofit de máquinas antigas seguindo os padrões
de tecnologia e segurança do I4.0 seria enorme.
2.9 Desafios de confiabilidade e disponibilidade

A confiabilidade e disponibilidade de sistemas de hardware e software em I4.0 são cruciais e afetam a
manutenção, bem como a segurança geral da planta. As preocupações sobre a confiabilidade de big data, redes,
cobots, sistemas ciberfísicos, IA e modelos de simulação, bem como a precisão da simulação para sua
implementação na manutenção e segurança de plantas, foram levantadas por poucos pesquisadores (Badriet
al., 2018; Silvestriet al., 2018; Silvestriet al . ., 2020; Forcina et al., 2021). Farsi e Zio (2019) levantaram
preocupações sobre a confiabilidade e disponibilidade de ferramentas AR/VR usadas na manutenção e também
discutiram o papel da confiabilidade humana na manutenção de sistemas de hardware e software em I4.0. Os
autores instaram os engenheiros de confiabilidade a investigar seriamente as questões acima para uma
implementação infalível da Manutenção 4.0.
3. Descrição da metodologia híbrida Esta seção

explica as metodologias utilizadas para a classificação dos desafios que já foram identificados na seção 2. A
metodologia ISM foi implantada para classificar esses desafios em termos de seu poder de influência, seguida
pela análise MICMAC que segrega e prioriza os desafios com base no poder de condução e dependência. A
Figura 1 apresenta a representação diagramática da metodologia de pesquisa empregada.
3.1 Modelagem estrutural interpretativa (ISM)

O ISM é um dos métodos aplicados para desenvolver relacionamentos hierárquicos entre vários componentes
que estão interligados entre si (Watson, 1978). ISM é uma técnica onde elementos ou variáveis relacionados
direta e indiretamente podem ser colocados sob uma classificação definida usando um procedimento de
modelagem sistemático. As intrincadas relações entre as multidões de variáveis também podem ser apresentadas
em termos simples, utilizando a abordagem ISM (Attri et al., 2013). Seu potencial pode ser utilizado na análise e
resolução de problemas complexos, na tomada de decisões e na identificação de relações entre as variáveis
que compõem um problema (Sharma et al., 2013). A metodologia ISM foi implantada para resolver uma infinidade
de questões que afligem a indústria (Karadayi-Usta, 2019; Kamble et al., 2018; Patiet al., 2016). Com estas
IJQRM Identificação de desafios para

Revisão da literatura
40,7 Manutenção 4.0
Julgamento de especialistas
P
Comparação de desafios em pares
1714
Modelagem Estrutural através do ISM
Figura 1.
Metodologia de Pesquisa Análise MICMAC
vantagens, a metodologia ISM é utilizada para estudar a relação entre os desafios na implementação da
Manutenção 4.0 no cenário industrial atual.
Esses desafios serão pontuados com base em sua relação e intensidade de influência com outros desafios, e
essas informações são utilizadas para organizar os desafios em uma estrutura hierárquica por meio de um
modelo digráfico. O procedimento passo a passo do mesmo é ilustrado abaixo (Mandal e Deshmukh, 1994;
Kumar et al., 2021).
Etapa 1: Identifique os desafios
A primeira parte deste método necessita da identificação de um conjunto de componentes que estão interligados
entre si a um ambiente definido que torna um sistema de interesse. A próxima parte desta fase da análise
necessita de uma inter-relação entre estes componentes através de comparação aos pares com a ajuda do
julgamento dos especialistas do domínio.
Etapa 2: Desenvolvimento da matriz estrutural de autointeração (SSIM)
Nesta etapa, a matriz de autointeração estrutural (SSI) é desenvolvida com base em comparações pareadas
feitas no estágio 1. Os símbolos a seguir são usados na matriz SSI.
(1) V, se o desafio “a” influenciará o desafio “b”.
(2) A, se o desafio “a” for influenciado pelo desafio “b”.
(3) X, se ambos os desafios “a” e “b” se influenciarem mutuamente.
(4) Ó, se não houver relação entre os desafios “a” e “b”.
Etapa 3: Desenvolvimento da matriz de acessibilidade e verificação da transitividade
O SSIM é transformado na matriz de acessibilidade substituindo todos os símbolos pelos valores binários 0 e
1, conforme resumido na Tabela 1. Mais transitividade é incorporada na matriz de acessibilidade para garantir
a relação indireta entre os desafios. A transitividade
(i, j) entrada na matriz SSI (i, j) entrada na matriz de acessibilidade (j, i) entrada na matriz de acessibilidade
Tabela 1.
Notações para a V 10
transformação da matriz Um 01
SSI em X 11
matriz de alcançabilidade Ó 00
da relação contextual é uma suposição básica feita no ISM. Afirma que se um desafio (ou variável da Manutenção 4.0 ) “i”
está relacionado a “j” e “j” está relacionado a “k”, então “i” está necessariamente relacionado a “k”.
desafios de implementação
Etapa 4: particionar a matriz de acessibilidade em diferentes níveis hierárquicos
A matriz de alcançabilidade é ainda utilizada para obter os conjuntos antecedentes e de

alcançabilidade para cada desafio (Warfield, 1974). O conjunto de acessibilidade considera os
próprios desafios e outros desafios que pode ajudar a alcançar, enquanto o conjunto antecedente
considera os próprios desafios e os outros desafios que podem ajudar a alcançá-los. Além disso, um 1715
conjunto de interseção é obtido a partir dos conjuntos antecedente e alcançabilidade. Os desafios
para os quais a acessibilidade e a intersecção definidas são iguais são considerados o desafio de
nível superior na abordagem ISM. Uma vez determinado o desafio de nível superior, ele é separado
dos outros desafios. Seguindo um processo semelhante, o próximo nível de desafios é identificado.
O processo de iteração continua até que todos os desafios sejam nivelados. Esses níveis auxiliam
na construção do dígrafo e do modelo ISM final.
Etapa 5: Formação da matriz cônica seguida do desenvolvimento de uma relação estrutural em

termos de dígrafo A
matriz de alcançabilidade é convertida na matriz cônica, na qual os elementos são organizados de

acordo com seu nível obtido na etapa 4. A matriz cônica é posteriormente utilizada para desenvolver
o modelo dígrafo com base em suas inter-relações.
3.2 Análise MICMAC

MICMAC é uma metodologia utilizada principalmente para a ordenação de fatores com base no seu
poder de condução e dependência (Kumar e Sharma, 2018). A análise MICMAC é uma ferramenta
importante utilizada na resolução de problemas da indústria (Sindhwani e Malhotra, 2017). A
capacidade da análise MICMAC de retirar variáveis extensas de suas complexidades, juntamente
com o fornecimento de uma solução estruturada clara, juntamente com o arranjo hierárquico
fornecido através do ISM, torna-a uma ferramenta altamente preferida para empregar neste estudo.
A análise MICMAC utiliza propriedades de multiplicação de matrizes e auxilia na análise da
dependência das variáveis. MICMAC também é conhecido como diagrama de condução e dependência.
Dois tipos de conjuntos de potências são levados em consideração na análise MICMAC: potência de
acionamento e potência de dependência. A soma dos elementos da célula com valor 1 na linha para
um determinado desafio na matriz de acessibilidade final fornecerá o poder motriz, enquanto a soma
do elemento da célula que consiste no valor “1” em cada coluna fornecerá o poder de dependência
para os desafios correspondentes. Com base nestes factores, os desafios identificados podem ser
classificados em quatro categorias que são discutidas abaixo (Mandal e Deshmukh, 1994; Sindhwani
e Malhotra, 2017; Kumar e Sharma, 2018; Kumar et al., 2021).
Desafios autónomos: Estes incluem os desafios que são independentes de outros desafios e,
portanto, têm um baixo poder de dependência juntamente com um escasso poder motriz. Eles são
de pouca importância.
Desafios de ligação: Como o nome sugere, os desafios de ligação funcionam como uma ligação
entre os desafios que são de menor importância e os que são mais importantes. Conseqüentemente,
eles têm alta dependência e alto poder motriz e desempenham um papel importante.
Desafios dependentes: São os desafios que dependem de outros desafios; possuem, portanto,
alto poder de dependência e baixo poder motriz. Eles geralmente estão localizados nos estratos
superiores do modelo ISM.
Desafios independentes: Os desafios que não dependem de quaisquer outros desafios são
classificados nesta categoria. eles têm influência extremamente baixa de outros e, portanto, têm um
forte poder motriz e baixo poder de dependência. Eles podem ser encontrados na parte inferior do
modelo ISM.
4. Implementação da metodologia
IJQRM
Na metodologia ISM, inicialmente, são feitas comparações pareadas entre os desafios
40,7 identificados na Secção 2. Isto é conseguido através da opinião de especialistas no domínio. A
equipe de especialistas, incluindo profissionais de diferentes setores e professores de áreas acadêmicas
instituições, foram consultadas. Os especialistas do setor eram altamente experientes no domínio
de produção, planejamento e manutenção, com experiência variando de 10 a 20 anos.
Os especialistas eram desde o nível de gerente até o gerente geral. Da academia, o
1716 professores especializados na área de engenharia industrial em geral e manutenção
a administração, em particular, foi contatada.
4.1 Desenvolvimento de matriz estrutural de autointeração

Para desenvolver a matriz estrutural de autointeração (SSIM), os especialistas foram abordados e
foram informados sobre o objetivo da pesquisa. O feedback fornecido pelos especialistas foi
registradas como respostas a um questionário elaborado especificamente para esse fim.
As suas respostas foram recolhidas de forma simbólica, conforme discutido no passo 2 da Secção 3.1. Para
facilitando a modelagem ISM, os desafios são simbolizados como na Tabela 2 pela sua fácil
interpretação.
Com base na opinião de especialistas, o SSIM é desenvolvido e o mesmo é apresentado na Tabela 3. Cada
O elemento da matriz representa a inter-relação entre os desafios. Por exemplo,
os desafios de habilidades técnicas (I2) influenciam os desafios de custo (I8), pois mais recursos monetários
são obrigados a treinar ou recrutar o pessoal de manutenção. Portanto, o símbolo “V” é
atribuído ao seu relacionamento com a célula (2, 2). Além disso, os desafios organizacionais (I1) podem ser
superados se as questões dos desafios de implementação da IoT (I4) forem abordadas. Portanto, o
o símbolo “A” é atribuído à relação entre eles em relação à célula da matriz (1, 4).
Sr. Não Desafios Notação
1 Desafios organizacionais E1
2 Desafios de habilidades técnicas I2
3 Desafios de segurança cibernética I3
4 Desafios de implementação de IoT I4
5 Desafios de saúde e segurança I5
Mesa 2. 6 Desafios relacionados ao big data I6
7 Desafios de computação e armazenamento em nuvem I7
Desafios para
implementação de 8 Desafios de custo I8
Manutenção 4.0 9 Desafios de confiabilidade e disponibilidade I9
S.
Não Nome dos desafios I9 I8 I7 I6 I5 I4 I3 I2 E1
E1 Desafios organizacionais AAAAAAA –

I2 Desafios de habilidades técnicas VVVOVOO –
I3 Desafios de segurança cibernética OOVVOV –
I4 A implementação da IoT desafia o VOXXO –
Tabela 3. I5 Desafios de saúde e segurança VVOO –
Matriz estrutural I6 Desafios relacionados ao big data VVX –
de autointeração I7 Desafios de computação e armazenamento em nuvem OV –
(SSIM) do I8 Desafios de custo A-
–
desafios I9 Desafios de confiabilidade e disponibilidade
Além disso, os desafios de implementação da IoT (I4) e os desafios relacionados ao big data (I6) A Manutenção 4.0
influencia-se mutuamente no mesmo nível, ou seja, são dependentes uma da outra, portanto, a
implementação de seu
relacionamento é denotada por “X” conforme mostrado na célula da matriz (4, 4). Como não existe uma
relação direta de desafios
entre o desafio I3 (desafios de segurança cibernética) e o desafio I5 (desafios de saúde e segurança), é
denotado por “O” conforme mostrado na célula da matriz (3, 5).
Na mesma linha, outros elementos do SSIM são derivados e toda a matriz desenvolvida, conforme
mostrado na Tabela 3.
1717
4.2 Matriz de
alcançabilidade O SSIM é transformado na matriz de alcançabilidade inicial substituindo todos os símbolos
por valores binários (0 e 1) conforme mencionado na Tabela 1. É desenvolvida a matriz de alcançabilidade
inicial (IRM), que é apresentada na Tabela 4. A lógica por trás das entradas na matriz de acessibilidade
é representado por meio de alguns exemplos a seguir.
(1) Se o valor da célula (i, j) for “V” no SSIM, então os valores (i, j) e (j, i) são atribuídos como 1 e 0,
respectivamente, no IRM. Como o elemento (2, 5) no SSIM (Tabela 3) é V, os valores
correspondentes para IRM são 1 na célula (2, 5) e 0 na célula (5, 2).
(2) Se o valor da célula (i, j) for “A” no SSIM, então os valores (i, j) e (j, i) são atribuídos como 0 e 1,
respectivamente, no IRM. Como o elemento (1, 9) no SSIM (Tabela 3) é A, os valores
(3) Se o valor da célula (i, j) for “X” no SSIM, então (i, j)º e (j, i)º valores serão atribuídos como 1 e 1,
respectivamente, no IRM. Como o elemento (4, 6) no SSIM (Tabela 3) é X, os valores
(4) Se o valor da célula (i, j) for “O” no SSIM, então (i, j)º e (j, i)º valores serão atribuídos como 0 e 0,
respectivamente, no IRM. Como o elemento (5, 6) no SSIM (Tabela 3) é O, os valores
Na mesma linha, outros valores dos elementos da matriz são calculados, e a matriz de alcançabilidade
completa é mostrada na Tabela 4.
Seguindo a discussão da Seção 3, a transitividade é incorporada no IRM para obter a matriz de
alcançabilidade final. Por exemplo, no SSIM (Tabela 2), não há relação direta entre o desafio 3 e o
desafio 8. Portanto, no IRM, a entrada da célula de (3, 8) é 0. Mas ao examinar as ligações transitivas no
SSIM, verifica-se que o desafio 3 impacta o desafio 7, e o desafio 7 impacta o desafio 8. Assim, de acordo
com a propriedade transitiva, pode-se inferir que o desafio 3 tem impacto no desafio 8. Assim, na matriz
de alcançabilidade final (mostrada na Tabela 5 ), a entrada da célula (3, 8) é 1. Seguindo este processo,
outras entradas são alteradas para
Desafios E1 I2 I3 I4 I5 I6 I7 I8 I9 Poder de condução
I1 100000000 1
I2 110010111 6
I3 101101100 5
I4 100101101 5
I5 100010011 3
I6 100101111 6
I7 100101110 5
I8 100000010 2 Tabela 4.
I9 100000011 3 Matriz de acessibilidade
Poder de dependência 911424565 inicial
IJQRM Desafios E1 I2 I3 I4 I5 I6 I7 I8 I9 Poder de condução

40,7
I1 10000 00 00 1
I2 110011* 1 11 7
I3 10110 111* 0 6
I4 10010 11 01 5
I5 10001 00 11 4
1718 I6 10010 11 11 6
I7 10010 11 10 5
Tabela 5. I8 10000 00 10 2
Acessibilidade final I9 10000 00 11 3
matriz Poder de dependência 91142 55 75
incorporar o efeito da transitividade, que é indicado por uma marca “*” na Tabela 5. O resultado final
a matriz de alcançabilidade construída é mostrada na Tabela 5.
4.3 Partições de nível

A partir da matriz de alcançabilidade final (Tabela 5), o conjunto de alcançabilidade e o conjunto antecedente para cada
desafios são identificados. O conjunto de acessibilidade consiste nos próprios desafios e outros
desafios que são alcançáveis. Os desafios alcançáveis são aqueles que têm valor “1” no
intersecção da sua coluna com a linha correspondente aos desafios considerados. Para
Por exemplo, a acessibilidade definida para o desafio I1 é apenas I1 , pois o valor das células em outras colunas é
0. Da mesma forma, o conjunto antecedente consiste nos próprios desafios e em outros desafios
que podem alcançar os desafios; isto é, cada linha que consiste no valor “1” no
coluna do desafio considerado está incluída no conjunto antecedente. Por exemplo, o
o conjunto antecedente de I4 consiste nos elementos I3, I4, I6, I7, pois seus valores são “1” na coluna de I4.
De forma semelhante, o conjunto de acessibilidade e os conjuntos antecedentes são identificados para outros desafios
também. Além disso, para cada desafio, o conjunto de inspeção do conjunto de acessibilidade e do conjunto antecedente é
obtido. A lista completa do conjunto de acessibilidade, conjunto antecedente e conjunto de interseção para todos
desafios é apresentado na Tabela 6.
Referindo-se à Tabela 6 para o desafio I1, uma vez que a alcançabilidade e o conjunto de interseção são os
mesmo, é um desafio de alto nível. Dado que o desafio I1 é identificado como o desafio de nível superior, é
separado dos outros desafios. Da mesma forma, o próximo nível de desafios é identificado
(Tabela 7), e o processo de iteração continua até que todos os desafios sejam nivelados. O
Os níveis identificados para todos os desafios estão listados na Tabela 8. Esses níveis são usados posteriormente para
construa o dígrafo nas seções seguintes.
Desafios Conjunto de acessibilidade Conjunto de antecedentes Conjunto de interseção Nível
E1 E1 I1, I2, I3, I4, I5, I6, I7, I8, I9 E1 Nível 1

I2 I1, I2, I5, I6, I7, I8, I9 I2 I2
I3 I1, I3, I4, I6, I7, I8 I3 I3
I4 I1, 14, I6, I7, I9 I3, I4, I6, I7 I4, I6, I7
I5 E1, E5, E8, E9 I2, I5 I5
I6 I1, I4, I6, I7, I8, I9 I2, I3, I4, I6, I7 I4, I6, I7
Tabela 6. I7 I1, I4, I6, I7, I8 I2, I3, I4, I6, I7, I9 I4, I6, I7
Nível de desafios– I8 E1, E8 I2, I3, I5, I6, I7, I8, I9 I8
iteração 1 I9 E1, E8, E9 I2, I5, I4, I6, I9 I9
4.4 Matriz cônica Manutenção 4.0

Uma matriz cônica é utilizada para estabelecer a relação entre os desafios, e isso
implementação
as informações são posteriormente utilizadas para desenvolver o modelo digráfico. Uma matriz cônica é construída
particionando a matriz de acessibilidade reorganizando os desafios de acordo com o seu nível.
desafios
Todos os desafios com os mesmos níveis são agrupados. A matriz cônica desenvolvida
é mostrado na Tabela 9. A partir da matriz cônica (Tabela 9) é desenvolvido o modelo estrutural,
onde a relação entre os elementos “i” e “j” é mostrada por uma seta que aponta de “i”
para “j.”
1719
4.5 Relacionamento estrutural

Usando a matriz de partição de nível (Tabela 8) e a matriz cônica (Tabela 9), um dígrafo (modelo ISM)
conforme mostrado na Figura 2 é desenvolvido que mostra a posição de vários desafios.
I2 I2, I5, I6, I7, I8, I9 I2 I2

I3 I3, I4, I6, I7, I8 I3 I3
I4 14, I6, I7, I9 I3, I4, I6, I7 I4, I6, I7
I5 E5, E8, E9 I2, I5 I5
I6 I4, I6, I7, I8, I9 I2, I3, I4, I6, I7 I4, I6, I7
I7 I4, I6, I7, I8 I2, I3, I4, I6, I7, I9 I4, I6, I7 Tabela 7.
I8 I8 I2, I3, I5, I6, I7, I8, I9 I8 Nível 2 Nível de desafios –
I9 E8, E9 I2, I5, I4, I6, I9 I9 Iteração 2
E1 E1 I1, I2, I3, I4, I5, I6, I7, I8, I9 E1 Nível 1

I2 I1, I2, I5, I6, I7, I8, I9 I2 I2 Nível 6
I3 I1, I3, I4, I6, I7, I8 I3 I3 Nível 6
I4 I1, 14, I6, I7, I9 I3, I4, I6, I7 I4, I6, I7 Nível 5
I5 E1, E5, E8, E9 I2, I5 I5 Nível 4
I6 I1, I4, I6, I7, I8, I9 I2, I3, I4, I6, I7 I4, I6, I7 Nível 5
I7 I1, I4, I6, I7, I8 I2, I3, I4, I6, I7, I9 I4, I6, I7 Nível 5 Tabela 8.
I8 E1, E8 I2, I3, I5, I6, I7, I8, I9 I8 Nível 2 Partições de nível para
I9 E1, E8, E9 I2, I5, I4, I6, I9 I9 Nível 3 desafios
Níveis Desafios E1 I8 I5 I9 I4 I7 I6 I3 I2
Nível 1 I1 100000000
Nível 2 I8 110000000
Nível 3 I9 110100000
Nível 4 I5 111100000
Nível 5 I4 100111100
I7 110011100
I6 110111100
Nível 6 I3 110011110 Tabela 9.
I2 111101101 Matriz cônica
IJQRM Desafios Organizacionais (I1)
40,7 Nível 1
Desafios de custo (I8) )

Nível 2
Desafios de
a
confiabilidade
e e disponibilidade
(E9)(E9)
1720
Nível 3
Saúde e segurança
Desafios (E5)
Nível 4
Desafios de computação
Desafios de Desafios
e armazenamento
(E4)
implementação de IoT (I4) relacionados ao big data (I6)
em nuvem (I7)
Nível 5
Figura 2.
Modelo ISM –
relação estrutural Cíber segurança Desafios de habilidades técnicas
Desafios (I3) (E2)
entre desafios
Nível 6
O modelo ISM desenvolvido neste trabalho de investigação retrata que os desafios de segurança
cibernética (I3) e os desafios de competências técnicas (I2) são os desafios significativos na adoção e
implementação da Manutenção 4.0 em qualquer organização, uma vez que se trata do nível 6 (Inferior),
ou seja , na base da hierarquia ISM. Os desafios organizacionais (I1) aparecem no topo da hierarquia, o
que mostra que a eficácia da Manutenção 4.0 depende disso.
Os desafios de segurança cibernética (I3) e de habilidade técnica (I2) no nível mais baixo criarão
dificuldades na implementação de tecnologias relacionadas à IoT (I4), big data (I6) e computação e
armazenamento em nuvem (I7) para a adoção da Indústria 4.0 em geral e Manutenção 4.0 em particular.
Estes três desafios do nível 5 devem ser abordados simultaneamente para atingir os objetivos desejados
da Manutenção 4.0.
Em seguida na hierarquia estão os desafios de saúde e segurança (I5) que devem ser abordados de
forma holística em toda a organização entre os diferentes departamentos. Além disso, os desafios de
fiabilidade e disponibilidade (I9) podem ser abordados de forma eficaz quando os desafios acima
mencionados são tratados de forma adequada. Caso contrário, pode ser difícil atingir as metas de
desempenho de qualquer organização.
A implementação das metas de confiabilidade e disponibilidade (I9) envolve um custo mais elevado
que pode ser alcançado abordando desafios de custos (I8). É o próximo desafio importante a superar para
atingir os objetivos globais da empresa que posteriormente conduzem a desafios organizacionais (E1).
4.6 MICMAC A
análise MICMAC é realizada para categorizar os desafios com base na relação entre poder motriz e poder
de dependência. A potência de condução e a potência de dependência são avaliadas conforme
procedimento detalhado na seção 3.2. Por exemplo, o poder motriz para o desafio I1 é “1”, que é a soma
dos elementos da célula com valor “1” na linha correspondente ao desafio (I1) na matriz de acessibilidade
final. O poder de dependência para o desafio I1 é 9, que é a soma do elemento da célula com valor 1 na
coluna correspondente ao desafio (I1) conforme dado na Tabela 5.
Na mesma linha, a condução e o poder de dependência dos restantes desafios são avaliados na Manutenção 4.0 . Os resultados estão resumidos
na Tabela 10. implementação Os valores dos poderes de condução
e dependência obtidos na Tabela 10 são representados num gráfico de desafios XY
como mostrado na Figura 3, que é utilizado para analisar os resultados do MICMAC. A Figura 3 está dividida em 4
regiões que consistem nos
desafios autónomos, dependentes, de ligação e independentes, seguindo a discussão na Secção 3.2. Os clusters obtidos
da análise MICMAC estão tabulados na Tabela 11.
Os resultados da análise MICMAC são discutidos abaixo. 1721

(1) Na Figura 3, os desafios impulsionadores observados na análise MICMAC são desafios de habilidades técnicas
(I2), desafios de segurança cibernética (I3) e desafios de implementação de IoT (I4).
A partir disto, pode-se concluir que se uma indústria desejar implementar a Manutenção 4.0, então terá que
superar estes desafios de forma eficaz e eficiente.
(2) Os desafios relacionados com os grandes volumes de dados (I6) e os desafios da computação e armazenamento
em nuvem (I7) enquadram-se na categoria de desafios de ligação com fortes poderes de condução e dependência.
Eles constituem a espinha dorsal para a implementação da Manutenção 4.0, mas a sua adoção dependerá da
implementação da IoT, da segurança cibernética e das competências técnicas da indústria.
Nome do desafio Poder de dependência Poder de condução
Desafios organizacionais (I1) 91

Desafios de habilidades técnicas (I2) 17
Desafios da cibersegurança (I3) 16
Desafios de implementação de IoT (I4) 45
Desafios de saúde e segurança (I5) 24
Desafios relacionados ao big data (I6) 56
Desafios de computação e armazenamento em nuvem (I7)5 5 Tabela 10.
Desafios de custos (I8) 72 Poder de
Desafios de confiabilidade e disponibilidade (I9)5 3 condução e dependência
Figura 3.
Distribuição dos
desafios – gráfico do
poder motriz e do poder
de dependência
(3) Desafios organizacionais (I1), desafios de custos (I8) e desafios de confiabilidade e disponibilidade
IJQRM
(I9) aparecem na categoria dependente. Estes desafios são factores fracos, mas dependem
40,7 fortemente uns dos outros. Assim, as organizações precisam de reestruturar as suas hierarquias
e políticas, bem como encontrar recursos para enfrentar os desafios de custos.
(4) Os desafios autónomos têm fraca condução e fracos poderes dependentes. Os desafios de
1722 saúde e segurança (I5) enquadram-se nesta categoria e não terão muita importância em
relação a outros desafios.
Uma conclusão importante desta pesquisa é que “desafios de habilidades técnicas (I2)”, “desafios de
segurança cibernética (I3)” e “desafios de implementação de IoT (I4)” são os principais inibidores da
Manutenção 4.0. Estes são factores fortes e podem ser tratados como as causas profundas de todos os
outros desafios. Além dos desafios relacionados com big data (I6), os desafios de computação e
armazenamento em nuvem (I7) enquadram-se na categoria de desafios de ligação, com fortes poderes
de condução e dependência. Os desafios organizacionais (I1), os desafios de custos (I8) e os desafios
de confiabilidade e disponibilidade (I9) aparecem na categoria dependente. Estes desafios são factores
fracos, mas dependem fortemente uns dos outros. Por outro lado, os desafios de saúde e segurança
(I5) têm uma condução fraca e poderes de dependência fracos e podem ser categorizados na categoria
de desafios autónomos.
A partir do dígrafo, pode-se observar que “desafios organizacionais (I1)” estão no topo da hierarquia,
enquanto “desafios de custos” são o próximo importante e colocados no nível 2. Os desafios de custos
podem ser controlados direta/indiretamente por as medidas de desempenho do sistema (como
confiabilidade e disponibilidade). Quanto maior a disponibilidade desejada, maior poderá ser o custo;
por outras palavras, os desafios de custos só podem ser controlados através da optimização do objectivo
de desempenho. Conforme ilustrado nos resultados, os objectivos de fiabilidade e disponibilidade (I9)
são colocados no nível 3. Os desafios de saúde e segurança (I5) afectam indirectamente os outros
desafios, e também devem ser abordados de forma holística em toda a organização entre diferentes
departamentos, caso contrário, irá será difícil atingir o objetivo desejado e, assim, chegar ao nível 4 da
modelagem ISM. O nível 5 da modelagem ISM apresenta a implementação de tecnologias relacionadas
à IoT (I4), big data (I6) e computação e armazenamento em nuvem (I7) para a adoção da Indústria 4.0
em geral e da Manutenção 4.0 em particular. Estes desafios dizem respeito ao hardware e software
necessários para a implementação da Manutenção 4.0 na indústria e, portanto, estes três desafios
devem ser abordados simultaneamente. Por último, mas não menos importante, estão os desafios de
segurança cibernética (I3) e de habilidade técnica (I2) que são categorizados no nível mais baixo pela
modelagem ISM e criarão dificuldades na implementação da Manutenção 4.0 em qualquer setor da Indústria 4.0.
5. Conclusões O
efeito das avarias e falhas é prejudicial para as operações de qualquer sistema e é uma questão de
grande preocupação no mundo competitivo de hoje, onde as indústrias estão a mudar agressivamente
os seus paradigmas operacionais em direção à Indústria 4.0. Portanto, as ações de manutenção
precisam ser elevadas a um nível que satisfaça os objetivos da Indústria 4.0. No entanto, isto requer
uma compreensão clara dos desafios para alcançar os objetivos da Manutenção 4.0.
S. Não Nome do cluster Desafios na manutenção 4.0
1 Desafios do motorista I2, I3, I4

Tabela 11. 2 Desafios de ligação I6, I7
Clusters de desafios – análise 3 Desafios dependentes E1, E8, E9
MICMAC 4 Desafios autônomos I5

Neste artigo, os desafios para a implementação de práticas de Manutenção 4.0 em uma indústria de Manutenção 4.0 na era I4.0
são identificados e categorizados. Os desafios identificados são então analisados através da
implementação da metodologia
híbrida ISM e MICMAC. desafios
De acordo com o melhor conhecimento dos autores, não existem na literatura artigos que abordem
sistematicamente os desafios na implementação dos conceitos da Manutenção 4.0, incluindo a sua
identificação, modelação e análise. Portanto, este artigo tem a novidade de abordar essas preocupações.
Além disso, a pesquisa também ajudou a estabelecer a relação entre vários desafios que ajudariam
vários stakeholders na tomada de decisões relativas à implementação da Manutenção 4.0. A presente 1723
pesquisa poderá auxiliar engenheiros e acadêmicos praticantes a compreender a lógica da dependência
dos desafios e ajudará as organizações na implementação da Manutenção 4.0 de forma rápida e
produtiva. A análise dos desafios em diversas categorias revelou que para alcançar a Manutenção 4.0,
as indústrias devem se concentrar no desenvolvimento de tecnologias de computação em nuvem e de
armazenamento em nuvem. Big data é outra ferramenta essencial para a realização da Manutenção 4.0
que requer uma combinação sinérgica de instalações computacionais e recursos humanos.
Conseqüentemente, as indústrias devem se concentrar no recrutamento de mais cientistas de dados

que sejam especialistas em aprendizado de máquina e aprendizado profundo. Para transformar fábricas
em fábricas inteligentes, os órgãos legislativos devem envolver-se para resolver questões relativas ao
financiamento de empreendimentos que visam gerar máquinas inteligentes através de formação de
modelos e aprendizagem profunda. Se a infraestrutura e a tecnologia adequadas forem fornecidas ao
pessoal certo, a erradicação destes desafios será fácil e a implementação da Manutenção 4.0 será uma realidade.
Referências
Alqahtani, AY, Gupta, SM e Nakashima, K. (2019), “Análise de garantia e manutenção de produtos
incorporados em sensores usando Internet das coisas na indústria 4.0”, International Journal of
Production Economics, Vol. 208, pp.
Ansari, F., Erol, S. e Sihn, W. (2018), “Repensando a aprendizagem humano-máquina na indústria 4.0:
como a mudança de paradigma trata o papel da aprendizagem humana?”, Procedia Manufacturing,
Vol. 23, pp.
Aschenbrenner, D., Maltry, N., Kimmel, J., Albert, M., Scharnagl, J. e Schilling, K. (2016), “ARTab usando
métodos de realidade virtual e aumentada para uma melhor consciência da situação para
telemanutenção ”, IFAC-Papers OnLine, Vol. 49 Nº 30, pp.
Attri, R., Dev, N. e Sharma, V. (2013), “Abordagem de modelagem estrutural interpretativa (ISM): uma
visão geral”, Research Journal of Management Sciences, Vol. 2319 nº 2, pág. 1171.
Badri, A., Boudreau-Trudel, B. e Souissi, AS (2018), “Saúde e segurança ocupacional no
era da indústria 4.0: um motivo de grande preocupação?”, Safety Science, Vol. 109, pp.
Bag, S. e Pretorius, JHC (2022), “Relações entre indústria 4.0, manufatura sustentável e economia circular:
proposta de uma estrutura de pesquisa”, International Journal of Organizational Analysis, Vol. 30 No.
4, pp.
Beetz, M., Bartels, G., AlbuSchaffer, A., BalintBenczedi, F., Belder, R., Bebler, D., Haddadin, S., Maldonado,
A., Mansfeld, N., Wiedemeyer, T., Weitschat, R. e Worch, JH (2015), “Agentes robóticos capazes
de interação física natural e segura com colegas de trabalho humanos”, Conferência Internacional
sobre Robôs e Sistemas Inteligentes, IEEE, No.
Benias, N. e Markopoulos, AP (2017), “Uma revisão sobre o nível de prontidão e desafios de segurança
cibernética na Indústria 4.0”, 2017 Conferência de Automação de Design, Engenharia de
Computação, Redes de Computadores e Mídia Social do Sudeste Europeu (SEEDA-CECNSM) ,
IEEE, pp.
Bokrantz, J., Skoogh, A., Berlin, C., Wuest, T. e Stahre, J. (2020), “Manutenção Inteligente: uma
conceituação empiricamente fundamentada”, International Journal of Production Economics, Vol. 223, 107534.
Brettel, M., Friederichsen, N., Keller, M. e Rosenberg, M. (2014), “Como a virtualização, a descentralização e a
IJQRM construção de redes mudam o cenário da manufatura: uma perspectiva da indústria 4.0”, International
40,7 Journal of Mechanical, Industrial Science and Engenharia, vol. 8 Nº 1, pp.
Bruneo, D. e De Vita, F. (2019), “Sobre o uso de redes LSTM para manutenção preditiva em indústrias
inteligentes”, Conferência Internacional IEEE sobre Computação Inteligente (SMARTCOMP), IEEE, pp.
Carcel-Carrasco, J. e Carcel-Carrasco, JA (2021), “Análise para a aplicação da gestão do conhecimento em

1724 engenharia de manutenção: percepção dos técnicos de manutenção”, Applied Sciences, Vol. 11 Nº 2,
pág. 703.
Causano, C. e Napoletano, P. (2017), “Reconhecimento visual de peças mecânicas de aeronaves para
manutenção inteligente”, Computers in Industry, Vol. 86, pp.
Chen, J., Jing, H., Chang, Y. e Liu, Q. (2019), “Rede neural recorrente baseada em unidade recorrente fechada
para previsão de vida útil restante do processo de deterioração não linear”, Engenharia de Confiabilidade
e Segurança de Sistemas, Vol. 185, pp.
Chiu, YU, Fan-Tien, C. e Hsien-Cheng, H. (2017), “Desenvolvendo um sistema de manutenção preditiva
inteligente para toda a fábrica baseado na Indústria 4.0”, Journal of the Chinese Institute of Engineers,
Vol. 40 Nº 7, pp.
Compare, M., Baraldi, P. e Zio, E. (2019), “Desafios à manutenção preditiva habilitada para IoT para a indústria
4.0”, IEEE Internet of Things Journal, Vol. 7 No. 5, pp.
Cristians, A. e Methven, JM (2017), “Indústria 4.0: fundamentos e uma análise quantitativa de benefícios através
de uma simulação de eventos discretos, In. desafios para a Inovação Tecnológica: uma Agenda para o
Futuro”, Actas da Conferência Internacional sobre Fabrico Inteligente Sustentável (S2M 2016), CRC
Press, Lisboa, Portugal, p. 177.
D'Anniballe, A., Silva, J., Marzocca, P. e Ceruti, A. (2020), “O papel da realidade aumentada na investigação de
acidentes aéreos e treinamento de profissionais”, Engenharia de Confiabilidade e Segurança de Sistemas,
Vol. 204, 107149.
Dalzochio, J., Kunst, R., Pignaton, E., Binotto, A., Sanyal, S., Favilla, J. e Barbosa, J. (2020), “Aprendizado de
máquina e raciocínio para manutenção preditiva na Indústria 4.0: situação atual e desafios”, Computers
in Industry, Vol. 123, 103298.
De Crescenzio, Fantini, M., Persiani, F., Di Stefano, L., Azzari, P. e Salti, S. (2011), “Realidade aumentada para
treinamento de manutenção de aeronaves e suporte a operações”, IEEE Computer Graphics and
Applications, Vol. 31 Nº 1, pp.
Dinardo, G., Fabbiano, L. e Vacca, G. (2018), “Um monitoramento inteligente e intuitivo da condição da máquina
no cenário da Indústria 4.0”, Measurement, Vol. 126, pp.
Dubey, R., Gunasekaran, A., Childe, SJ, Papadopoulos, T., Luo, Z., Wamba, SF e Roubaud, D. (2019), “O big
data e a análise preditiva podem melhorar a sustentabilidade social e ambiental?” , Previsão Tecnológica
e Mudança Social, Vol. 144, pp.
Farsi, MA e Zio, E. (2019), “Indústria 4.0: alguns desafios e oportunidades para engenharia de confiabilidade”,
International Journal of Reliability, Risk and Safety: Theory and Application, Vol. 2 Nº 1, pp.
Fernandez-Carames, TM, Fraga-Lamas, P., Suarez-Albela, M. e Vilar-Montesinos, M. (2018), “Um sistema de

computação em neblina e realidade aumentada baseado em cloudlet para o estaleiro da indústria 4.0”,
Sensores, Vol . 18 Nº 6, pág. 1798.
Flores, M., Maklin, D., Golob, M., Al-Ashaab, A. e Tucci, C. (2018), “Conscientização para a indústria 4.0:
principais facilitadores e aplicações para internet das coisas e big data”, Trabalhando conferência sobre
empresas virtuais, Springer, Cham, pp.
Forcina, A., Introna, V. e Silvestri, A. (2021), “Habilitando tecnologia para manutenção em uma fábrica inteligente:
uma revisão de literatura”, Procedia Computer Science, Vol. 180, pp.
Franciosi, C., Iung, B., Miranda, S. e Riemma, S. (2018), “Manutenção para a sustentabilidade no contexto da
indústria 4.0: uma revisão de literatura de escopo”, IFAC-Papers OnLine, Vol. 51 Nº 11, pp.
Fusko, MI, Rakyta, MI, Krajcovic, MA, Dulina, LU, Gaso, MA e Grznar, PA (2018), “Basics of Maintenance 4.0 projetando processos
de manutenção na indústria 4.0”, MM Science Journal, Vol. 3, páginas 2252-2259. implementação
Galar, D. e Kans, M.
(2017), “O impacto da manutenção 4.0 e da análise de big data nos desafios estratégicos da gestão de
ativos”, Desempenho de
Manutenção e Medição e Gestão, Lulea tekniska universitet, Lulea, pp.
Ghobakhloo, M. (2020), “Indústria 4.0, digitalização e oportunidades para sustentabilidade”, Journal of

Produção Mais Limpa, vol. 252, doi: 10.1016/j.jclepro.2019.119869.
1725
Gibson, I. (2014), Tecnologias de Fabricação Aditiva, Springer, Nova York.
Glazer, O. (2019), “Existe um atalho para a implementação de Industrial Analytics/Maintenance 4.0?”,
disponível em: https://www.presenso.com/blog/maintenance4deploymentshortcuts
Hazen, BT, Boone, CA, Ezell, JD e Jones-Farmer, LA (2014), “Qualidade de dados para ciência de dados,
análise preditiva e big data na gestão da cadeia de suprimentos: uma introdução ao problema e
sugestões para pesquisas e aplicações ”, Jornal Internacional de Economia de Produção, Vol. 154,
pp. 72-80.
Jasiulewicz-Kaczmarek, M., Antosz, K., Wyczoÿkowski, R., Mazurkiewicz, D., Sun, B., Qian, C. e Ren, Y.
(2021), “Aplicação de MICMAC, Fuzzy AHP e Fuzzy TOPSIS para avaliação dos fatores de
manutenção que afetam a produção sustentável”, Energies, Vol. 14 Nº 5, pág. 1436.
Jasiulewicz-Kaczmarek, M., Legutko, S. e Kluk, P. (2020), “Tecnologias de manutenção 4.0 – novas
oportunidades para manutenção orientada à sustentabilidade”, Management and Production
Engineering Review, Vol. 11 Nº 2, pp.
Ji, C., Li, Y., Qiu, W., Jin, Y., Xu, Y., Awada, U., Li, K. e Qu, W. (2012), “Grande processamento de dados:
grandes desafios e oportunidades”, Journal of Interconnection Networks, Vol. 13 Nos 3-4, 1250009.
Kamble, SS, Gunasekaran, A. e Sharma, R. (2018), “Análise do poder de condução e dependência das
barreiras para adotar a indústria 4.0 na indústria manufatureira indiana”, Computers in Industry, Vol.
101, pp.
Kandemir, C. e Celik, M. (2020), “Uma avaliação da confiabilidade humana das operações de manutenção
de máquinas auxiliares marítimas sob PMS de navio e conceitos de manutenção 4.0”, Cognition,
Technology and Work, Vol. 22 No. 3, pp.
Kaparthi, S. e Bumblauskas, D. (2020), “Projetando sistemas de manutenção preditiva usando técnicas de
aprendizado de máquina baseadas em árvores de decisão”, International Journal of Quality and
Reliability Management, Vol. 37 No. 4, pp.
Karadayi-Usta, S. (2019), “Uma análise estrutural interpretativa para os desafios de adoção da indústria
4.0”, IEEE Transactions on Engineering Management, Vol. 67 No. 3, pp.
Katiraee, N., Battini, D., Battaia, O. e Calzavara, M. (2019), “Fatores de diversidade humana na modelagem
e design de sistemas de produção: estado da arte e pesquisas futuras”, IFAC-papers On Line, Vol. .
52, páginas 2544-2549.
€
Kiel, D., Muller, JM, Arnold, C. e Voigt, K. (2017), “Criação de valor industrial sustentável: benefícios e
desafios da indústria 4.0”, International Journal of Innovation Management, Vol. 21 nº 8, 1740015,
doi: 10.1142/S1363919617400151.
Koch, PJ, van Amstel, MK, Deÿbska, P., Thormann, MA, Tetzlaff, AJ, Bøgh, S. e Chrysostomou, D. (2017),
“Um robô colega de trabalho baseado em habilidades para tarefas de manutenção industrial ”,
Procedia Manufacturing, Vol. 11, pp. 83-90.
Kumar, U. e Galar, D. (2018), “Manutenção na era da indústria 4.0: questões e desafios”, em Qualidade, TI
e Operações de Negócios, Springer, disponível em: https://link.springer.com/ capítulo/10.
1007/978-981-10-5577-5_19
Kumar, S. e Sharma, R. (2018), “Principais barreiras no crescimento dos cuidados de saúde rurais: uma
abordagem ISM-MICMAC”, Benchmarking: An International Journal, Vol. 25 No. 7, pp.
Kumar, R., Singh, RK e Dwivedi, YK (2020), “Aplicação de tecnologias da indústria 4.0 em PMEs para operações
IJQRM
éticas e sustentáveis: análise de desafios”, Journal of Cleaner Production, Vol. 275, 124063.
40,7
Kumar, S., Gupta, M., Suhaib, M. e Asjad, M. (2021), “Status atual, facilitadores e barreiras da implementação
de sistema de fabricação celular na indústria esportiva por meio de ISM”, International Journal of System
Assurance Engineering and Management , vol. 12 No. 3, pp.
Lasi, H., Fettke, P., Kemper, HG, Feld, T. e Hoffmann, M. (2014), “Indústria 4.0”, Engenharia de Negócios e
1726 Sistemas de Informação, Vol. 6 Nº 4, pp.
Lass, S. e Gronau, N. (2020), “Um sistema operacional de fábrica para estender fábricas existentes para
a Indústria 4.0”, Computers in Industry, Vol. 115, doi: 10.1016/j.compind.2019.103128.
Li, L. (2017), “O locus de produção da China em 2025: com uma comparação entre “Made-in-China 2025” e
“Indústria 4.0”, Previsão Tecnológica e Mudança Social, Vol. 135, pp.
Li, Z., Wang, Y. e Wang, KS (2017), “Manutenção preditiva inteligente para diagnóstico e prognóstico de falhas
em centros de máquinas: cenário da indústria 4.0”, Advances in Manufacturing, Vol. 5 Nº 4, pp.
Li, N., Gebraeel, N., Lei, Y., Fang, X., Cai, X. e Yan, T. (2020), “Previsão da vida útil restante com base em um
modelo de fusão de dados multissensor”, Confiabilidade Engenharia e Segurança de Sistemas, Vol. 208,
107249.
Lira, DN e Borsato, M. (2016), “Modelagem de confiabilidade para prognósticos de falhas na fabricação

inteligente”, Engenharia Transdisciplinar: Cruzando Limites, Vol. 4, pp. 885-894.
Man, J. e Zhou, Q. (2018), “Predição de falhas graves com sinais de degradação estocástica usando processo
Wiener e modelo de riscos proporcionais”, Computers and Industrial Engineering, Vol. 125, pp.
Mandal, A. e Deshmukh, SG (1994), “Seleção de fornecedores usando modelagem estrutural interpretativa

(ISM)”, International Journal of Operations and Production Management, Vol. 14 Nº 6, pp.
Masoni, R., Ferrise, F., Bordegoni, M., Gattullo, M., Uva, AE, Fiorentino, M., Carrabba, E. e Di Donato, M.
(2017), “Apoiando a manutenção remota na indústria 4.0 através da realidade aumentada”, Procedia
Manufacturing, Vol. 11, pp.
Masood, T. e Egger, J. (2019), “Realidade aumentada em apoio aos desafios de implementação da Indústria
4.0 e fatores de sucesso”, Robotics and Computer-Integrated Manufacturing, Vol. 58, pp.
Masood, T. e Sonntag, P. (2020), “Indústria 4.0: desafios de adoção e benefícios para PMEs”, Computers in
Industry, Vol. 121, 103261.
McKinsey (2015), Indústria 4.0: Como navegar pela digitalização do setor manufatureiro, McKinsey &
Empresa, Detroit, MI.
Mishra, RC e Pathak, K. (2012), Engenharia e Gerenciamento de Manutenção, PHI Learning Pvt,
Nova Delhi.
Mohammadi, M., Al-Fuqaha, A., Sorour, S. e Guizani, M. (2018), “Aprendizagem profunda para big data de IoT
e análise de streaming: uma pesquisa”, IEEE Communications Surveys and Tutorials, Vol. 20 No. 4, pp.
Moktadir, MA, Ali, SM, Kusi-Sarpong, S. e Shaikh, MAA (2018), “Avaliando desafios para implementar a Indústria
4.0: implicações para a segurança do processo e proteção ambiental”, Segurança de Processo e
Proteção Ambiental, Vol. 117, páginas 730-741.
Mosyurchak, AN, Veselkov, VL, Turygin, AN e Hammer, MI (2017), “Prognóstico do comportamento de fusos de
máquinas-ferramenta, seu diagnóstico e manutenção”, MM Science Journal, Vol. 5, páginas 2100-2104.
Navas, MA, Sancho, C. e Carpio, J. (2020), “Engenharia de manutenção disruptiva 4.0”, International Journal of
Quality and Reliability Management, Vol. 37 Nº 6/7, pp.
Nordal, H. e El-Thalji, I. (2021), “Modelando uma arquitetura de gerenciamento de manutenção preditiva para Desafios de
atender aos requisitos da indústria 4.0: um estudo de caso”, Engenharia de Sistemas, Vol. 24 Nº 1, pp.
implementação
Pati, N., Dube, AS e Gawande, RS (2016), “Análise de barreiras verdes da cadeia de abastecimento usando
abordagem integrada ISM-fuzzy MICMAC”, Benchmarking: An International Journal, Vol. 23 Nº 6, pp. da Manutenção 4
Peres, RS, Rocha, AD, Leitão, P. e Barata, J. (2018), “IDARTS – Rumo à análise inteligente de dados e
supervisão em tempo real para a indústria 4.0”, Computadores na Indústria, Vol. 101, pp.
1727
Pettitt, G. e Westfall, S. (2016), “As vantagens da integração de avaliações de impacto e segurança de
grandes riscos para projetos de oleodutos”, Anais da Conferência Bienal Internacional de Oleodutos,
IPC 2, Coleção Digital da Sociedade Americana de Engenheiros Mecânicos.
Raj, A., Dwivedi, G., Sharma, A., de Sousa Jabbour, ABL e Rajak, S. (2020), “Barreiras à adoção de
tecnologias da indústria 4.0 no setor manufatureiro: uma perspectiva comparativa entre países” , Jornal
Internacional de Economia de Produção, Vol. 224, 107546.
Ribeiro, A., Silva, A. e da Silva, AR (2015), “Modelagem de dados e análise de dados: uma pesquisa na
perspectiva de big data”, Journal of Software Engineering and Applications, Vol. 8 Nº 12, pág. 617.
Roda, I., Macchi, M. e Fumagalli, L. (2018), “O futuro da manutenção na indústria 4.0: uma pesquisa empírica
na manufatura”, Conferência Internacional IFIP sobre Avanços em Sistemas de Gestão de Produção,
Springer, Cham, pp. 39-46.
Roy, R., Stark, R., Tracht, K., Takata, S. e Mori, M. (2016), “Manutenção contínua e o futuro – fundamentos e
desafios tecnológicos”, CIRP Annals, Vol. 65 No. 2, páginas 667-688.
Seneviratne, D., Ciani, L., Catelani, M. e Galar, D. (2018), “Manutenção inteligente e inspeção de ativos
lineares: uma abordagem da Indústria 4.0”, ACTA IMEKO, Vol. 7 Nº 1, pp.
Shafiq, SI, Sanin, C., Szczerbicki, E. e Toro, C. (2016), “Fábrica de engenharia virtual: criando base de
experiência para a indústria 4.0”, Cibernética e Sistemas, Vol. 47 Nºs 1-2, pp.
Sharma, P., Thakar, G. e Gupta, RC (2013), “Modelagem estrutural interpretativa de objetivos funcionais
(critérios) do problema de balanceamento de linha de montagem”, International Journal of Computer
Applications, Vol. 83 Nº 13, pp.
Siemieniuch, CE, Sinclair, MA e Henshaw, MJC (2015), “Drivers globais, fabricação sustentável e ergonomia
de sistemas”, Applied Ergonomics, Vol. 51, pp.
Silvestri, L., Forcina, A., Introna, V., Santolamazza, A. e Cesarotti, V. (2020), “Transformação de manutenção
através de tecnologias da Indústria 4.0: uma revisão sistemática da literatura”, Computers in Industry,
Vol. 123, 103335.
Sindhwani, R. e Malhotra, V. (2017), “Modelagem e análise de sistema de manufatura ágil por análise ISM e
MICMAC”, International Journal of System Assurance Engineering and Management, Vol. 8 Nº 2, pp.
Singh, S., Galar, D., Baglee, D. e Bj€orling, SE (2014), “Técnicas de automanutenção: uma abordagem
inteligente para o sistema de automanutenção”, International Journal of System Assurance Engineering
and Management, Vol. . 5 Nº 1, pp.
Stojkic, Z., Veza, I. e Bosnjak, I. (2015), “Um conceito de implementação de sistema de informação na indústria
4.0”, Annals of DAAAM e Proceedings of the International DAAAM Symposium, pp.
Subramaniyan, M., Skoogh, A., Salomonsson, H., Bangalore, P. e Bokrantz, J. (2018), “Um algoritmo baseado
em dados para prever gargalos de rendimento em um sistema de produção com base em períodos
ativos das máquinas” , Computadores e Engenharia Industrial, Vol. 125, pp.
Susto, GA, Schirru, A., Pampuri, S., Beghi, A. e De Nicolao, G. (2018), “Uma abordagem de filtragem e
previsão baseada em modelo gama oculta para fatores de saúde monotônicos na fabricação”,
Engenharia de Controle Prática, vol. 74, pp. 84-94.
Tortorella, GL, Fogliatto, FS, Cauchick-Miguel, PA, Kurnia, S. e Jurburg, D. (2021), “Integração de tecnologias
IJQRM
da Indústria 4.0 nas práticas de Manutenção Produtiva Total”, International Journal of Production
40,7 Economics, Vol. 240, 108224.
Trotta, D. e Garengo, P. (2018), “Principais tópicos de pesquisa da Indústria 4.0: uma revisão bibliométrica”, 7ª
conferência internacional sobre tecnologia e gestão industrial (ICITM), IEEE, pp.
Vinodh, S. e Wankhede, VA (2021), “Aplicação de DEMATEL fuzzy e CODAS fuzzy para análise de atributos
1728 de força de trabalho pertencentes à Indústria 4.0: um estudo de caso”, International Journal of Quality
and Reliability Management, Vol. 38 No. 8, pp.
Wang, W. e Lu, Z. (2013), “Segurança cibernética na rede inteligente: pesquisa e desafios”, Redes de
Computadores, Vol. 57 No. 5, pp.
Warfield, JW (1974), “Desenvolvendo Matrizes Interconectadas em Modelagem Estrutural”, Transcrição IEEE
em Sistemas, Homens e Cibernética, Vol. 4 Nº 1, pp.
€
Waschneck, B., Altenmuller, T., Bauernhansl, T. e Kyek, A. (2017), “Programaçãode produção em oficinas
complexas a partir de uma perspectiva da indústria 4.0: uma revisão e desafios na indústria de
semicondutores”, CEUR Workshop Proceedings, pág. 1793.
Watson, RH (1978), “Modelagem estrutural interpretativa – Uma ferramenta útil para avaliação de tecnologia?”,
Previsão Tecnológica e Mudança Social, Vol. 11 Nº 2, pp.
Windelband, L. (2014), “Zukunft der Facharbeit im Zeitalter Industrie 4.0”, Journal of Technical
Educação (JOTED), Vol. 2 Nº 2, pp.
Windelband, L. (2017), “Requisitos de trabalho e qualificações em manutenção 4.0”, em Advances in Ergonomic
Design of Systems, Products and Processes, Springer, Berlin, Heidelberg, pp.
Xu, LD, Xu, EL e Li, L. (2018), “Indústria 4.0: estado da arte e tendências futuras”, International Journal of
Production Research, Vol. 56 No. 8, pp.
Yadav, S. e Singh, SP (2020), “Fatores críticos de sucesso do Blockchain para cadeia de abastecimento
sustentável”, Recursos, Conservação e Reciclagem, Vol. 152, doi: 10.1016/j.resconrec.2019.104505.
Yen, CT, Liu, YC, Lin, CC, Kao, CC, Wang, WB e Hsu, YR (2014), “Solução de fabricação avançada para
tendência da indústria 4.0 por meio de redes de detecção e tecnologias de computação em nuvem”,
Conferência Internacional IEEE sobre Automação de 2014 Ciência e Engenharia (CASE), IEEE, pp.
Zolotova, I., Papcun, P., Kajati, E., Miskuf, M. e Mocnej, J. (2020), “Soluções inteligentes e cognitivas para
Operador 4.0: estudos de caso de laboratório H-CPPS”, Computadores e Engenharia Industrial, Vol.
139, 105471.
Zonta, T., da Costa, CA, da Rosa Righi, R., de Lima, MJ, da Trindade, ES e Li, GP (2020), “Manutenção
preditiva na Indústria 4.0: uma revisão sistemática da literatura”, Computadores e Engenharia Industrial,
vol. 150, 106889.
O autor correspondente
Girish Kumar pode ser contatado em: girish.kumar154@gmail.com
Para obter instruções sobre como solicitar reimpressões deste artigo, visite nosso
website: www.emeraldgrouppublishing.com/licensing/reprints.htm Ou
entre em contato conosco para obter mais detalhes: permissions@emeraldinsight.com

Maintenance 4.0 Implementation Challenges

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Maintenance 4.0 Implementation Challenges

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

IJQRM PAPEL DE CONFIABILIDADE

A literatura revelou que as tecnologias em I4.0 têm um papel decisivo na manutenção.

2. Identificação de desafios na implementação da Manutenção 4.0 As discussões acima

2.1 Desafios organizacionais

2.2 Desafios de competências

2.3 Desafios da cibersegurança

2.5 Desafios de Saúde e Segurança

1712 2.6 Desafios relacionados com big data

2.7 Desafios da computação e do armazenamento em

2.8 Desafios de custos

2.9 Desafios de confiabilidade e disponibilidade

3. Descrição da metodologia híbrida Esta seção

3.1 Modelagem estrutural interpretativa (ISM)

IJQRM Identificação de desafios para

Modelagem Estrutural através do ISM

Etapa 1: Identifique os desafios

Etapa 2: Desenvolvimento da matriz estrutural de autointeração (SSIM)

(1) V, se o desafio “a” influenciará o desafio “b”.

(2) A, se o desafio “a” for influenciado pelo desafio “b”.

(3) X, se ambos os desafios “a” e “b” se influenciarem mutuamente.

(4) Ó, se não houver relação entre os desafios “a” e “b”.

Etapa 3: Desenvolvimento da matriz de acessibilidade e verificação da transitividade

A matriz de alcançabilidade é ainda utilizada para obter os conjuntos antecedentes e de

Etapa 5: Formação da matriz cônica seguida do desenvolvimento de uma relação estrutural em

matriz de alcançabilidade é convertida na matriz cônica, na qual os elementos são organizados de

3.2 Análise MICMAC

4.1 Desenvolvimento de matriz estrutural de autointeração

Sr. Não Desafios Notação

E1 Desafios organizacionais AAAAAAA –

Desafios E1 I2 I3 I4 I5 I6 I7 I8 I9 Poder de condução

IJQRM Desafios E1 I2 I3 I4 I5 I6 I7 I8 I9 Poder de condução

4.3 Partições de nível

Desafios Conjunto de acessibilidade Conjunto de antecedentes Conjunto de interseção Nível

E1 E1 I1, I2, I3, I4, I5, I6, I7, I8, I9 E1 Nível 1

4.4 Matriz cônica Manutenção 4.0

4.5 Relacionamento estrutural

Desafios Conjunto de acessibilidade Conjunto de antecedentes Conjunto de interseção Nível

I2 I2, I5, I6, I7, I8, I9 I2 I2

Desafios Conjunto de acessibilidade Conjunto de antecedentes Conjunto de interseção Nível

E1 E1 I1, I2, I3, I4, I5, I6, I7, I8, I9 E1 Nível 1

IJQRM Desafios Organizacionais (I1)

Desafios de custo (I8) )

Os resultados da análise MICMAC são discutidos abaixo. 1721

Nome do desafio Poder de dependência Poder de condução

Desafios organizacionais (I1) 91

S. Não Nome do cluster Desafios na manutenção 4.0

1 Desafios do motorista I2, I3, I4

MICMAC 4 Desafios autônomos I5

Conseqüentemente, as indústrias devem se concentrar no recrutamento de mais cientistas de dados

Carcel-Carrasco, J. e Carcel-Carrasco, JA (2021), “Análise para a aplicação da gestão do conhecimento em

Fernandez-Carames, TM, Fraga-Lamas, P., Suarez-Albela, M. e Vilar-Montesinos, M. (2018), “Um sistema de

Ghobakhloo, M. (2020), “Indústria 4.0, digitalização e oportunidades para sustentabilidade”, Journal of

Lira, DN e Borsato, M. (2016), “Modelagem de confiabilidade para prognósticos de falhas na fabricação

Mandal, A. e Deshmukh, SG (1994), “Seleção de fornecedores usando modelagem estrutural interpretativa

Você também pode gostar