Aplicação da Manutenção Preditiva no Envase de uma Cervejaria

Vieira, João Henrique Antunes; Sette, Ana Beatriz Pereira

doi:10.22167/2675-6528-202602237

Artigo

15 de setembro de 2026

Aplicação da Manutenção Preditiva no Envase de uma Cervejaria

João Henrique Antunes Vieira; Ana Beatriz Pereira Sette

DOI: 10.22167/2675-6528-202602237

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A eficiência da manutenção em linhas de envase é um fator crítico para a competitividade na indústria cervejeira, impactando diretamente na produtividade e a confiabilidade operacional. O estudo teve como objetivo analisar a eficiência das estratégias de manutenção aplicadas em duas linhas de envase de latas de uma indústria cervejeira, por meio da avaliação de Indicadores-Chave de Desempenho. Para isso, foi conduzido um estudo de caso comparativo entre duas linhas: uma com manutenção preditiva internalizada e outra com manutenção corretiva, preventiva e preditiva terceirizada. A metodologia envolveu a extração, tratamento e modelagem de dados operacionais e de manutenção, seguida da construção e análise de indicadores de desempenho, incluindo Line Performance, OPI NONA, Unplanned Downtime, Breakdown e MTBF, além da avaliação da execução de ordens de manutenção baseadas em tempo e em condição. Os resultados evidenciaram que a linha com manutenção preditiva internalizada apresentou maior estabilidade operacional, menor incidência de paradas não planejadas e melhor desempenho nos indicadores analisados. Em contrapartida, a linha com manutenção corretiva e preventiva apresentou maior variabilidade e índices superiores de falhas. Concluiu-se que a adoção da manutenção preditiva contribui para o aumento da confiabilidade operacional e melhoria da performance no processo de envase.

Palavras-chave: Base de dados; Data Wrangling; Indicadores; Indústria Cervejeira.

1. Introdução

A manutenção desempenha um papel crucial na garantia da segurança e eficiência dos processos produtivos. A ausência ou a má execução dessas atividades pode comprometer a produtividade e aumentar os riscos aos colaboradores, conforme apontado por Mendes (2002). A Norma Regulamentadora NR-12 (1978), que aborda a segurança no trabalho em máquinas e equipamentos, estabelece que a manutenção deve ser periódica, estratégica e conduzida por profissionais competentes em condições seguras, reforçando seu caráter legal e estratégico.

Na indústria cervejeira, a eficiência da manutenção em linhas de envase é um fator crítico para a competitividade, influenciando diretamente a produtividade e a confiabilidade operacional. O Brasil, em 2024, registrou 1.949 cervejarias e uma produção de 15,34 bilhões de litros, segundo dados do Ministério da Agricultura e Pecuária (MAPA, 2025). Nesse cenário, a confiabilidade dos equipamentos é essencial para assegurar a qualidade e o alto desempenho operacional, minimizando falhas.

Estudos indicam a relevância dessas falhas. Oke et al. (2021) observaram que, em 126 dias de operação, uma linha de envase registrou 664 paradas por falhas em equipamentos, com a enchedora, inspeção eletrônica de garrafas (EBI) e rotuladora sendo os principais responsáveis. Fernandes (2024) complementa que uma linha de envase pode apresentar cento e noventa e cinco mil garrafas quebradas em um mês, com um índice de breakdown de 0.92% do tempo.

Entre os tipos de manutenção, Júnior (2019) destaca a corretiva, preventiva e preditiva. A manutenção corretiva consiste no trabalho realizado para reparar uma falha em máquina ou equipamento (Bloom, 2006). A manutenção preventiva, por sua vez, é definida pela Norma Brasileira NBR 5462 (1994) como uma atividade intervalada, que visa reduzir a probabilidade de quebras ou falhas nos equipamentos.

A manutenção preditiva, também definida pela NBR 5462 (1994), diferencia-se por fundamentar-se na coleta e análise de dados para identificar anomalias no funcionamento dos equipamentos antes da ocorrência de falhas. Variáveis como vibração, ruído, temperatura e consumo de energia podem ser monitoradas. Essa abordagem permite intervenções direcionadas, otimizando recursos e reduzindo custos, além de se alinhar aos avanços da transformação digital, que integra sensores inteligentes, monitoramento em tempo real e análise de dados para ampliar suas possibilidades de aplicação.

Nesse contexto, a aplicação da manutenção preditiva no envase de cervejarias representa uma oportunidade para reduzir falhas não planejadas, aumentar a disponibilidade das linhas e fortalecer a competitividade do setor. Contudo, a adoção dessas práticas ainda enfrenta desafios relacionados à integração de tecnologias digitais, ao investimento necessário e à capacitação de profissionais. Essa realidade evidencia a importância de investigar como a transformação digital pode apoiar a implementação da manutenção preditiva no envase, contribuindo para processos mais seguros, eficientes e sustentáveis.

Assim, o objetivo deste estudo é analisar o efeito da manutenção preditiva internalizada na eficiência e disponibilidade da linha de envase de uma cervejaria ao longo do tempo através de identificação e definição de KPIs relevantes para a linha e da avaliação desses indicadores. Desse modo, será possível determinar o impacto dessa estratégia de manutenção no desempenho operacional do processo.

2. Material e Métodos

Este trabalho foi um estudo de caso que avaliou a manutenção preditiva e seus resultados nos KPIs de produtividade e cumprimento de ordens de manutenção em uma indústria cervejeira. A análise foi conduzida através da comparação de duas linhas de envase: uma baseada em manutenção preditiva internalizada; e outra em manutenção preventiva, entretanto terceirizada.

A empresa objeto de estudo foi uma cervejaria holandesa de grande porte, com 13 fábricas no Brasil. As linhas de envase estudadas estão localizadas em Alexânia (GO) [ALE] e Alagoinhas (BA) [ALA]. A linha ALE era consolidada, com KPIs estáveis e time de produção com conhecimento avançado, enquanto a linha ALA, apesar de maior investimento, possuía KPIs instáveis e um time menos desenvolvido.

Nos objetos de estudo, todos os apontamentos e ordens que geraram a base de dados eram manuais, registrados no SAP pelos próprios colaboradores das linhas de envase. Os ajustes e cadastros de eventos não planejados foram realizados na zheipack, conforme ilustrado na Figura 1. Após a identificação de uma anomalia, o funcionário documentava o ocorrido no sistema.

Figura 1. Ajustes e cadastros de paradas SAP zheipack

Fonte: Dados originais da pesquisa

A criação de ordem de manutenção ocorria na tela de criação de notas, como mostrado na Figura 2, onde o funcionário classificava a nota de acordo com o tipo de manutenção e detalhava o modo de falha.

Figura 2. Criação de ordem de manutenção

Fonte: Dados originais da pesquisa

As fases do estudo compreenderam: extração e tratamento da base de dados; definição e cálculo de indicadores de desempenho; modelagem e visualização dos dados para acompanhamento dos KPIs; e análise crítica da efetividade das estratégias de manutenção. A coleta de dados ocorreu no SAP, onde foram extraídos, da zheipack, os dados de apontamentos de produção das linhas de ALA e ALE, incluindo registros de paradas e seus respectivos tempos, informados sempre que ocorria uma interrupção ou evento no processo produtivo. O período de análise compreendeu o intervalo entre 01/07/25 e 31/12/25.

Após a extração, o processo de data wrangling foi realizado por meio do Power Query. Foram removidos apontamentos vazios, tempos de zero minutos, apontamentos de produção líquida, produção bruta e notas não ativas, visando garantir uma base de dados consistente e confiável. A extração de ordens de manutenção foi realizada através da transação SAP IW38. No data wrangling, foram removidas ordens canceladas e de tipos de manutenção diferentes de Manutenção Baseada em Tempo [MBT] e Manutenção Baseada em Condição [MBC]. As ordens MBT são baseadas em intervalos de tempo definidos e executadas preventivamente, enquanto as ordens MBC são realizadas com base na condição do equipamento, acionadas por necessidade de intervenção (NBR 5462). Para a integração das bases de dados, as informações foram unidas com base nas linhas de envase e no período filtrado, utilizando tabelas de dimensão correspondentes.

Na etapa de construção de indicadores de desempenho, foram definidas métricas para avaliar a evolução do desempenho das linhas selecionadas. Os Key Performance Indicators [KPIs] adotados neste estudo foram definidos de forma hierárquica. O principal indicador é o Line Performance, seguido do OPI NONA, que analisam, respectivamente, o desempenho da linha produtiva e o impacto das paradas não desejadas na disponibilidade operacional. Em um segundo nível de análise, foram considerados os indicadores de manutenção UNPL, BKD e MTBF, utilizados para avaliar a indisponibilidade não planejada e a confiabilidade dos equipamentos. Para a análise da execução de ordens de manutenção, foram consideradas as ordens classificadas como Manutenção Baseada em Condição [MBC] e Manutenção Baseada em Tempo [MBT], abrangendo atividades preditivas, preventivas e corretivas. Para assegurar o foco na manutenção, a análise de falhas considerou apenas eventos diretamente relacionados ao envase, desconsiderando fatores externos como logística e qualidade. Os indicadores básicos de eficiência operacional considerados estão listados na Figura 3.

Figura 3. Indicadores básicos de eficiência operacional

Fonte: Dados originais da pesquisa

O Line Performance é calculado pela razão entre o tempo produzido e o tempo esperado de produção, expresso na eq. (1), sendo desejável que seus valores se aproximem de 100%.

Line Performance (%) = HPT / HPR x 100 (1)

O OPI NONA representa a razão entre o tempo que a linha operou e o tempo disponível para operação, desconsiderando períodos perdidos por ausência de atividades, conforme descrito na eq. (2).

OPI NONA (%) = HPT / HE x 100 (2)

O UNPL é o fator de período em que a linha não produziu em decorrência de paradas não planejadas, incluindo quebras e pequenas paradas, descrito na eq. (3).

Unplanned Downtime (%) = HPR-HP / HE x 100 (3)

O Breakdown [BKD] corresponde ao tempo em que a linha não produziu por conta de quebras, como descrito na eq. (4), considerando eventos com duração superior a cinco minutos.

Breakdown (%) = HPR-HP / HE x 100, se Evento = “quebra” (4)

O MTBF representa o tempo médio entre falhas, calculado a partir da relação entre as horas operadas e a quantidade de quebras, conforme descrito na eq. (5).

MTBF (h) = HO / ∑ Quebras (5)

A etapa de modelagem e visualização dos dados foi conduzida para estruturar e analisar os KPIs ao longo do período estudado, por meio da integração das bases, definição de relacionamentos entre variáveis e construção de visualizações para acompanhamento temporal e comparação de desempenho entre as linhas de envase. Para análise crítica da efetividade da manutenção, adotou-se uma abordagem quantitativa de caráter comparativo e evolutivo, fundamentada na análise temporal dos KPIs para ALA e ALE, permitindo identificar padrões de desempenho e variações ao longo do tempo, relacionando-os aos tipos de manutenção aplicados. O estudo utilizou um método estruturado de análise de dados aplicada, fundamentado em análise descritiva e diagnóstica orientada por KPIs, com avaliação temporal dos resultados por meio de séries históricas, visando organizar os dados operacionais e compreender o comportamento dos indicadores.

Com o objetivo de consolidar e facilitar a visualização dos resultados, foi desenvolvido um dashboard no software Microsoft Power BI. O painel foi estruturado para apresentar os KPIs analisados, incluindo Line Performance, OPI NONA, Unplanned Downtime, Breakdown, MTBF e execução de ordens de MBC e MBT, possibilitando a análise comparativa entre as linhas ALA e ALE ao longo do período estudado. O dashboard foi desenvolvido de forma flexível, permitindo a incorporação de novos dados ao longo do tempo, o que viabiliza seu uso contínuo como ferramenta de acompanhamento operacional. Conforme ilustrado na Figura 4, o dashboard apresenta uma visão geral do desempenho das linhas.

Figura 4. Criação de ordem de manutenção

Fonte: Dados originais da pesquisa

3. Resultados e Discussão

A análise dos indicadores de desempenho revelou comportamentos distintos entre as linhas de envase ALA e ALE. A linha ALA apresentou maior variabilidade e valores inferiores de Line Performance e OPI NONA ao longo do período analisado, indicando instabilidade operacional e perda de eficiência na produção. Em contraste, a linha ALE manteve um desempenho estável e superior, sugerindo maior controle do processo e maturidade operacional. A média do Line Performance para ALA foi de 55,9%, enquanto para ALE foi de 89,4%. Similarmente, o OPI NONA médio de ALA foi de 50,8%, e o de ALE, 83,2%, com uma amplitude de 32,4% para ALA, evidenciando suas oscilações na eficiência operacional.

Tabela 1. Line Performance ao decorrer do tempo

Linha	jul/25	ago/25	set/25	out/25	nov/25	dez/25	Média
ALA	56,3%	37,0%	52,1%	58,0%	59,5%	69,7%	55,9%
ALE	90,1%	89,5%	88,6%	89,8%	87,8%	90,5%	89,4%