23 de fevereiro de 2026
Automatização da análise de indicadores para manutenção preventiva
Marina de Godoy Rodrigues; Juliano Souza Vasconcelos
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Este trabalho desenvolveu e validou um sistema de monitoramento inteligente que analisa automaticamente os indicadores de Manutenção, Tempo Médio Entre Falhas (MTBF), Tempo Médio para Reparo (MTTR), disponibilidade e refugo, emitindo alertas para orientar o momento ideal de intervenção. O sistema calcula diariamente esses indicadores por linha de produção, atribuindo um status (OK, Monitorar ou Alerta) com base em regras de negócio parametrizadas para uma planta com maquinário de idade avançada. O objetivo é otimizar a alocação de recursos e aumentar a confiabilidade, funcionando como um elo entre a manutenção preventiva tradicional e a preditiva avançada, que exige altos investimentos.
A transição para a Indústria 4.0 exige agilidade e precisão na tomada de decisão. Paradas não planejadas são um dos maiores desafios do setor de manufatura. Um estudo da Siemens AG (2024) revelou que tais interrupções custam às 500 maiores empresas globais aproximadamente 1,4 trilhões de dólares anualmente, ou 11% de suas receitas. No setor automotivo, cada segundo de inatividade custa cerca de 600 dólares. A capacidade de antecipar falhas e otimizar manutenções tornou-se um pilar para a sustentabilidade operacional (Lee et al., 2015). Ferramentas como Internet das Coisas (IoT) e Aprendizado de Máquina viabilizam essa transformação ao permitir a coleta e análise contínua de dados dos equipamentos.
A Manutenção Preditiva (PdM) é uma abordagem central para mitigar custos de falhas e manutenções excessivas. Zhong et al. (2023) definem a PdM como um método de prognóstico e gestão da saúde de máquinas que usa dados de sensores para prever tendências e antecipar falhas. Essa estratégia permite que intervenções ocorram apenas quando necessárias, evitando custos de estoque e perdas de produção (Hassan et al., 2025). Contudo, a implementação de sistemas PdM completos é um desafio para empresas com parques fabris antigos, devido ao custo de instrumentação e à complexidade analítica. A maioria das operações ainda se baseia em manutenção corretiva (reativa) e preventiva, que pode ser ineficiente por não considerar a condição real do equipamento (Moubray, 1997).
Este estudo utiliza indicadores de desempenho consolidados: MTBF, MTTR, disponibilidade e refugo. O MTBF (Mean Time Between Failures) mede o tempo médio de operação entre falhas, indicando confiabilidade. O MTTR (Mean Time To Repair) quantifica o tempo médio de reparo, refletindo a eficiência da manutenção. A disponibilidade, calculada a partir da relação entre MTBF e MTTR, representa o percentual de tempo em que um equipamento está apto a produzir (Nakajima, 1988). O indicador de refugo, que mede o desperdício de material, foi incluído como métrica complementar, pois desvios na qualidade frequentemente precedem ou acompanham falhas.
A análise sistemática e automatizada desses quatro indicadores, combinada com regras de negócio que consideram a persistência de desvios, pode fornecer um sistema de alerta precoce robusto e de baixo custo. A automação do cálculo e da classificação de status (OK, Monitorar, Alerta) elimina a subjetividade e o trabalho manual, permitindo que a gestão foque nos maiores riscos operacionais. O uso de uma plataforma de Business Intelligence (BI) para visualização democratiza o acesso à informação, promovendo uma cultura de gestão baseada em dados e facilitando a comunicação entre produção, manutenção e engenharia (Sharda et al., 2020). O sistema potencializa o julgamento técnico, fornecendo uma base objetiva para a priorização de ações.
O estudo adotou o método experimental para desenvolver e validar a automação de alertas em uma indústria em Pedreira, São Paulo. A pesquisa foi conduzida em ambiente real de produção, avaliando a eficácia da solução em condições operacionais. Os dados foram coletados por sensores integrados a um software de IoT, que registrava eventos de produção e paradas de máquina. Foram extraídos relatórios de janeiro de 2023 a maio de 2025, garantindo um volume de dados históricos suficiente para a análise e validação das regras.
Três bases de dados foram utilizadas. A base de produção continha registros diários por linha (produto, cliente, quantidade extrusada, produzida e refugo). A base de paradas, do software de IoT, registrava cada evento com data, linha, horários, duração, máquina, tipo de parada (operacional, mecânica, elétrica) e motivo. A terceira, uma base de metas em planilha, centralizava parâmetros como horas de trabalho disponíveis e metas de produção horária. A integração dessas fontes foi fundamental para o cálculo preciso dos indicadores.
O tratamento e a análise dos dados foram realizados com um script em Python. A primeira etapa compilou e filtrou os dados brutos, agregando-os por dia e linha. As paradas foram filtradas para incluir apenas as de natureza mecânica e elétrica, que demandam intervenção da manutenção. Registros de dias sem produção foram removidos para evitar distorções. O script então calculou os quatro indicadores: MTBF (tempo em funcionamento / número de quebras), MTTR (tempo em reparo / número de quebras), disponibilidade ((MTBF / (MTBF + MTTR)) 100) e refugo ((quantidade rejeitada / quantidade total produzida) 100).
A etapa crítica foi a atribuição de status diário (OK, Monitorar, Alerta) para cada linha, usando regras de negócio calibradas. Para o refugo, o status “Monitorar” era acionado se o indicador ultrapassasse 17% por dois dias consecutivos, e “Alerta” se superasse 25% por três dias consecutivos, desconsiderando domingos. Para o MTBF (meta de 16 horas/960 minutos), “Monitorar” era ativado com valores abaixo de 960 minutos por dois dias seguidos, e “Alerta” para valores inferiores a 480 minutos por três dias seguidos. O MTTR acionava “Monitorar” ao exceder 60 minutos por dois dias e “Alerta” ao passar de 180 minutos por três dias. A disponibilidade gerava “Monitorar” abaixo de 96% por dois dias e “Alerta” abaixo de 90% por dois dias. Essa lógica de janelas móveis, que considera a persistência do problema, reduz alarmes falsos e foca em desvios sistêmicos (Dimoudis et al., 2023). O resultado foi um arquivo Excel consolidado para a ferramenta de visualização.
A visualização e os alertas foram implementados no Microsoft Power BI, usando o arquivo Excel gerado pelo Python como fonte de dados. Os dados de 2023 foram excluídos devido a inconsistências. Foram desenvolvidos dois painéis interativos. O primeiro oferece uma visão executiva, consolidando indicadores gerais e apresentando tendências históricas desde janeiro de 2024, com filtros por ano e linha. O segundo painel, de detalhamento, fornece uma análise granular por linha, com filtros por ano, mês e dia. Ele exibe a evolução mensal da quantidade de status (OK, Monitorar, Alerta) e um ranking das cinco linhas com mais alertas. Medidas DAX aplicaram formatação condicional por cores (verde, amarelo, vermelho) para sinalizar visualmente o estado dos indicadores.
A análise do primeiro painel revelou uma trajetória de melhoria, embora nem todas as metas fossem atingidas. O refugo demonstrou redução consistente, e a disponibilidade apresentou tendência de estabilização crescente. O MTBF permaneceu abaixo da meta de 16 horas, mas com melhora expressiva a partir de julho de 2024. Este comportamento é coerente com o parque fabril antigo; máquinas mais velhas tendem a ter maior frequência de pequenas paradas (Polverino et al., 2023). A ferramenta permitiu uma avaliação contextualizada do desempenho.
O segundo painel, focado na análise por linha, forneceu insights para a gestão diária. A distribuição de status mostrou estabilidade nos alertas, reforçando a necessidade de acompanhamento proativo. Observou-se um aumento no número de status “OK”, indicando que as intervenções estavam sendo eficazes. O ranking das cinco linhas com mais alertas provou ser uma ferramenta de priorização valiosa, direcionando recursos limitados (mão de obra, tempo, peças) para os ativos mais críticos. Essa abordagem objetiva substituiu a priorização subjetiva, alinhando as atividades de manutenção com os objetivos estratégicos de confiabilidade (Kaplan & Norton, 1996).
Os resultados demonstraram a eficácia da solução integrada. O script automatizou o cálculo de indicadores e a aplicação de regras, liberando tempo da equipe. Os painéis no Power BI traduziram dados em informações visuais e acionáveis, oferecendo uma ferramenta para priorização objetiva. Os achados alinham-se à literatura, que aponta os benefícios de indicadores e sistemas de alerta para a redução de tempos improdutivos (Montgomery, 2019). A prática de calibrar metas e limiares ao contexto do maquinário é recomendada para evitar falsos alarmes. A estratégia de tratar domingos de forma diferenciada e usar critérios de persistência para acionar alertas é uma prática recomendada para filtrar ruído operacional e focar em problemas crônicos.
O estudo identificou uma limitação central: a dependência da qualidade dos dados de entrada. A precisão dos indicadores está ligada à acurácia dos registros de paradas. Imprecisões na classificação, registros incompletos ou desalinhamentos de relógio podem introduzir erros significativos, levando a conclusões equivocadas. A confiabilidade de qualquer sistema de análise é limitada pela qualidade dos dados que o alimentam (Carvalho & Lima, 2022). A sustentabilidade da solução depende do treinamento contínuo dos operadores e da disciplina operacional.
A implementação gerou implicações práticas significativas. Promoveu uma melhoria na tomada de decisão, com intervenções de manutenção mais oportunas e direcionadas com base em evidências quantitativas. A solução também padronizou as análises de desempenho, estabelecendo um método único e consistente para cálculo e visualização, eliminando interpretações variadas e criando uma “única fonte da verdade”. Isso resultou em reuniões diárias mais produtivas e comunicação mais eficiente. O sistema estabeleceu uma base para a melhoria contínua, com o histórico de dados permitindo a análise de tendências de longo prazo e a avaliação da eficácia das ações. O estudo entregou um mecanismo de monitoramento que sustenta a gestão da rotina e habilita um ciclo de aprendizado.
Conclui-se que a abordagem, integrando automação em Python com visualização em Power BI, foi bem-sucedida em criar um sistema de monitoramento ágil e eficaz para a gestão da manutenção. A classificação automática em OK, Monitorar e Alerta, baseada em regras calibradas, demonstrou ser uma ferramenta valiosa para orientar a priorização de recursos e disciplinar o acompanhamento do desempenho. A solução contribuiu para a padronização das análises, a melhoria da tomada de decisão e o estabelecimento de uma base de dados estruturada para futuras melhorias.
Como recomendação para trabalhos futuros, sugere-se a incorporação de modelos de aprendizado de máquina para avançar na capacidade preditiva. Utilizando o histórico de indicadores, é possível treinar algoritmos para detectar anomalias e prever a probabilidade de uma linha entrar em estado de alerta. Essa evolução permitiria a transição de uma postura preventiva para uma abordagem preditiva, antecipando problemas antes que impactem a produção. Conclui-se que o objetivo foi atingido: demonstrou-se que a automatização da análise de indicadores, com regras de negócio contextualizadas, fornece um sistema de monitoramento confiável que otimiza a priorização de intervenções de manutenção e fortalece a tomada de decisão diária.
Referências:
Carvalho, M., & Lima, G. (2022). Qualidade de Dados na Indústria 4.0: Fundamentos e Aplicações Práticas. Editora Técnica.
Dimoudis, D.; Vafeiadis, T.; Nizamis, A.; Ioannidis, D.; Tzovaras, D. (2023). Utilizing an adaptive window rolling median methodology for time series anomaly detection. Procedia Computer Science, 217, 584-593.
Hassan, I.; Panduru, K.; Walsh, J. (2025). Predictive maintenance in industry 4.0: a review of data processing methods. In: The 8th International Conference on Emerging Data and Industry (EDI40), Patras, Grécia.
Kaplan, R. S., & Norton, D. P. (1996). The Balanced Scorecard: Translating Strategy into Action. Harvard Business Press.
Lee, J., Bagheri, B., & Kao, H. A. (2015). A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18-23.
Montgomery, D. C. (2019). Introduction to Statistical Quality Control. John Wiley & Sons.
Moubray, J. (1997). Reliability-centered Maintenance. Industrial Press Inc.
Nakajima, S. (1988). Introduction to TPM: Total Productive Maintenance. Productivity Press.
Polverino, L.; Abbate, R.; Manco, P.; Perfetto, D.; Caputo, F.; Macchiaroli, R.; Caterino, M. (2023). Machine learning for prognostics and health management of industrial mechanical systems and equipment: a systematic literature review. International Journal of Engineering Business Management, 15, 1-20.
Sharda, R., Delen, D., & Turban, E. (2020). Analytics, Data Science, & Artificial Intelligence: Systems for Decision Support. Pearson.
Zhong, D.; Xia Z.; Zhu, Y.; Duan, J. (2023). Overview of predictive maintenance based on digital twin technology. Heliyon, 9(4), e14534.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
