Resumo Executivo

Victor Cirimbelli Castilho; Diego Marques de Carvalho

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Este trabalho desenvolveu uma aplicação web para análise preditiva da temperatura do óleo em uma Unidade de Produção de Ar (APU) de um trem de metrô, utilizando o modelo ARIMA e o conjunto de dados “MetroPT-3” para fornecer uma ferramenta de suporte à decisão em manutenção. A pesquisa buscou solucionar a carência de plataformas de fácil implementação para antecipar falhas em equipamentos críticos, um desafio em setores industriais que dependem de abordagens reativas ou preventivas. A proposta central foi criar um sistema com interface web intuitiva, permitindo que equipes de manutenção interajam com as projeções de forma dinâmica, ajustando parâmetros e visualizando resultados.

A relevância do tema reside na necessidade de otimização de recursos e maximização da disponibilidade de ativos na Indústria 4.0. A manutenção preditiva, conforme destacado por Almeida (2018), visa a otimização da produtividade, qualidade e lucratividade. A capacidade de prever avarias permite a transição da manutenção corretiva, associada a paradas não planejadas e custos elevados, para uma gestão proativa. A implementação de sistemas preditivos, como o proposto, alinha-se aos benefícios citados por Lee et al. (2013), que incluem a diminuição de gastos com reparos, a ampliação da durabilidade dos equipamentos, o reforço da segurança operacional e a redução de riscos. O problema central abordado é a lacuna entre a teoria da manutenção preditiva e sua aplicação prática e acessível, especialmente onde soluções comerciais são proibitivas.

A transição para a manutenção preditiva enfrenta desafios. Saran, Saran e Franzotti (2023) identificam barreiras como a garantia da confiabilidade dos dados, pois falhas na coleta comprometem a precisão dos modelos. Outro ponto crítico é a interpretabilidade dos modelos de aprendizado de máquina, que podem se tornar “caixas-pretas”, dificultando a compreensão da lógica por trás das previsões. Adicionalmente, a aceitação cultural e a necessidade de capacitação das equipes são fatores humanos cruciais. Os custos de infraestrutura de TI e as preocupações com a segurança da informação também representam desafios que precisam ser gerenciados (Mobley, 2002).

A abordagem deste estudo se justifica por propor uma solução de código aberto, utilizando Python e Django, o que reduz barreiras de custo e permite maior flexibilidade. A escolha de focar na temperatura do óleo de uma APU foi deliberada, pois seu comportamento anômalo é um forte indicador de desgaste ou falha. A análise de séries temporais com o modelo ARIMA é adequada para esse tipo de dado, que exibe dependência temporal e padrões sazonais. A NBR 5462 (ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS, 1994) já estabelecia a importância de minimizar manutenções preventivas e reduzir as corretivas através da análise de dados, um princípio que este trabalho buscou materializar.

Para alcançar o objetivo geral, foram definidos três objetivos específicos. O primeiro foi a análise e pré-processamento do conjunto de dados “MetroPT-3”, com foco na variável de temperatura do óleo. O segundo foi a implementação e comparação de desempenho entre os modelos ARIMA (Autoregressive Integrated Moving Average), SVR (Support Vector Regression) e Random Forest, para justificar empiricamente a escolha do algoritmo mais adequado. O terceiro objetivo foi disponibilizar o código-fonte da aplicação em um repositório público, fomentando a reutilização e colaboração.

A metodologia adotada foi um estudo de caso, ideal para a investigação de um fenômeno em seu contexto real (Gil, 2017). O caso foi o desenvolvimento de uma aplicação web de análise preditiva para a temperatura do óleo de uma APU de um trem de metrô de Porto, Portugal, usando o dataset “MetroPT-3”. A linguagem de programação escolhida foi Python, devido ao seu ecossistema de bibliotecas para ciência de dados (Rashed Md; Ahsan Raquib, 2012). Para a interface web, optou-se pelo framework Django, que promove um desenvolvimento rápido e pragmático.

A coleta e preparação dos dados foi uma etapa fundamental. Os dados brutos, de um arquivo . CSV do repositório “MetroPT-3”, foram inseridos em um banco de dados MySQL local, simulando um ambiente “on-premise”. Durante o pré-processamento, todos os registros com valores de temperatura do óleo inferiores ou iguais a zero foram removidos. Essa decisão partiu da premissa de que tais valores não representavam uma condição operacional normal, mas sim períodos em que o equipamento estava desligado ou falhas na coleta, o que poderia introduzir ruído nos modelos.

A seleção do modelo preditivo foi realizada por meio de uma análise comparativa entre ARIMA, SVR e Random Forest. O modelo ARIMA, técnica estatística para séries temporais, foi investigado por sua capacidade de modelar autocorrelação e tendências, seguindo a metodologia Box-Jenkins (Silva et al., 2021). O SVR, uma extensão das Support Vector Machines para regressão, foi testado por sua eficácia em lidar com relações não-lineares (Awad & Khanna, 2015). O Random Forest, um método de ensemble learning, foi incluído por sua robustez e capacidade de evitar overfitting ao combinar múltiplas árvores de decisão (Salman, 2024). A avaliação desses modelos foi realizada em um protótipo, utilizando métricas como MAE (Mean Absolute Error) e RMSE (Root Mean Squared Error).

A gestão do projeto utilizou a metodologia ágil Scrum, adaptada para um desenvolvedor único, com a ferramenta ClickUp para organizar o backlog e planejar os ciclos de desenvolvimento (Schwaber e Sutherland, 2020). Essa abordagem permitiu flexibilidade para ajustar prioridades. O desenvolvimento foi conduzido em um notebook com processador Intel Core i5, 24 GB de RAM e Windows 11, utilizando a IDE Visual Studio e o banco de dados MySQL. Os requisitos de software incluíram Python 3.9+ e bibliotecas como pandas, numpy, matplotlib, pmdarima, statsmodels, scikit-learn e django.

O resultado mais significativo da modelagem foi a confirmação do desempenho superior do ARIMA em comparação com SVR e Random Forest. A análise revelou que o ARIMA foi mais eficaz por ser projetado para séries temporais, capturando com maior precisão a dependência temporal e a autocorrelação presentes nos dados. Os valores previstos pelo ARIMA seguiram a tendência dos dados reais de forma mais próxima e apresentaram uma leve superestimação, um comportamento desejável no contexto da manutenção, pois cria uma margem de segurança.

Em contraste, os outros modelos apresentaram limitações. O SVR não explora nativamente a estrutura sequencial dos dados, tratando cada ponto com uma independência que não corresponde à realidade do fenômeno. De forma semelhante, o Random Forest também tratou as observações como independentes, ignorando a relação temporal que uma medição de temperatura tem com as anteriores. Essa incapacidade de modelar a dinâmica temporal resultou em previsões menos precisas, conforme quantificado pelas métricas MAE e RMSE, validando a escolha do ARIMA como motor preditivo.

Com base na superioridade do ARIMA, a aplicação final, “PredToolWeb”, foi desenvolvida com Django. A arquitetura foi projetada com um backend para comunicação com o banco de dados MySQL e execução do modelo, e um frontend em HTML e JavaScript. A aplicação foi estruturada em três páginas principais: “Home”, como portal de entrada; “Predicao”, o núcleo da ferramenta; o usuário define parâmetros como a data final dos dados históricos, o número de passos de previsão e os limites de temperatura; e “Results”, que exibe os resultados.

Uma funcionalidade notável da página “Predicao” é a capacidade de iniciar as previsões a partir do último registro ou com um avanço de até 12 horas, simulando um cenário operacional que permite a uma equipe de manutenção avaliar a condição futura do equipamento para o próximo turno. Após a análise, a página “Results” apresenta dois gráficos, um com dados históricos e outro com as previsões, destacando visualmente quaisquer pontos que violem os limites definidos. Uma quarta página, “Results_list”, armazena um histórico das análises realizadas.

A discussão dos resultados estende-se às implicações práticas da ferramenta. A aplicação “PredToolWeb” materializa os conceitos de manutenção preditiva em uma solução que pode ser utilizada por uma equipe de Planejamento e Controle de Manutenção (PCM). Conforme apontado por Marques e Brito (2019), o diagnóstico de falhas em estado inicial permite um planejamento mais eficiente. Com a capacidade de antecipar uma violação de limite de temperatura com até 12 horas de antecedência, uma equipe pode agendar uma parada programada, evitando as perdas de uma parada corretiva não planejada.

O potencial de impacto econômico de tais sistemas é substancial. Embora o projeto não tenha sido implementado em produção, casos de sucesso de mercado, como os divulgados pela Tractian (2025) com empresas como Yara e Inpasa, ilustram economias de milhões de reais e a prevenção de milhares de horas de paradas. Esses exemplos reforçam que o investimento em tecnologia preditiva gera um retorno significativo. A solução desenvolvida, por ser de código aberto, oferece um caminho de baixo custo para que empresas menores explorem esses benefícios.

A escolha de Python como linguagem de desenvolvimento foi estratégica. Kutubuddin (2025) reforça que abordagens baseadas em Python estão ganhando tração para monitoramento preditivo, pois a linguagem e suas bibliotecas oferecem versatilidade e eficiência. A sintaxe clara e a vasta documentação, embora tenham apresentado uma curva de aprendizado, facilitaram o desenvolvimento e garantem uma manutenção mais simples do código (Vivanco; Itaz; Sánchez, 2024). Comparativamente, embora linguagens como C++ possam oferecer maior desempenho, a agilidade de desenvolvimento e o ecossistema de ciência de dados do Python representam uma vantagem decisiva para projetos dessa natureza (Prechelt, 2000).

O monitoramento do desempenho da aplicação em ambiente local permitiu definir os requisitos mínimos de hardware e software para sua implementação. A aplicação demonstrou consumo moderado de recursos, exigindo um processador Intel Core i5 de 7ª geração, 8 GB de RAM e 10 GB de armazenamento, tornando-a viável para servidores de baixo custo. A lista de bibliotecas Python necessárias (pandas, numpy, statsmodels, scikit-learn, django, etc.) fornece um guia claro para a configuração do ambiente, facilitando sua replicação. Essa especificação de requisitos é um resultado prático que orienta a infraestrutura necessária para a implantação.

Em conclusão, este trabalho demonstrou que a aplicação de técnicas de manutenção preditiva, utilizando o modelo ARIMA e ferramentas de código aberto como Python e Django, permite monitorar ativos industriais de forma eficiente, antecipando falhas. O desenvolvimento da aplicação “PredToolWeb” evidenciou a viabilidade de integrar as etapas de coleta, armazenamento, análise e visualização de dados em uma plataforma unificada. A superação do desafio de aprendizado da linguagem Python e a simulação de um cenário industrial agregaram valor prático ao projeto. O modelo ARIMA provou ser a escolha mais adequada para a predição de séries temporais de temperatura, superando modelos de aprendizado de máquina de propósito geral ao capturar as dependências temporais dos dados.

O projeto abre caminhos para evoluções, como a predição de múltiplas variáveis, a implementação de modelos híbridos e a validação da aplicação em diferentes ambientes. A disponibilização do código-fonte em um repositório público é uma contribuição para a comunidade, incentivando a colaboração. A pesquisa reforça que a integração entre ciência de dados e engenharia de manutenção é um pilar para a transformação digital da Indústria 4.0, oferecendo ganhos de confiabilidade, eficiência e redução de custos. Conclui-se que o objetivo foi atingido: demonstrou-se a viabilidade do desenvolvimento de uma aplicação web funcional para análise preditiva da temperatura do óleo, utilizando o modelo ARIMA para antecipar falhas com eficácia em um ambiente industrial simulado.

Referências:
ALMEIDA, Márcio Tadeu de. Manutenção preditiva: confiabilidade e qualidade. Itajubá – MG, 2018.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS (ABNT). NBR 5462: Confiabilidade e Mantenabilidade. Rio de Janeiro – RJ, 1994.
AWAD, Mariette; KHANNA, Rahul. Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers. 1. ed. Berkeley, CA: Apress, 2015.
DJANGO SOFTWARE FOUNDATION. Django documentation — Django 5.2.6. Disponível em: https://docs. djangoproject. com/en/5.2/. Acesso em: 18 set. 2025.
ERBIYIK, Hikmet. Definition of Maintenance and Maintenance Types with Due Care on Preventive Maintenance. London: IntechOpen, 2023.
GIL, A. C. Como elaborar projetos de pesquisa. 6. ed. São Paulo: Atlas, 2017.
INTERNATIONAL ELECTROTECHNICAL COMMISSION. IEC 61131: Programmable controllers. 3. ed. Geneva: IEC, 2013.
KUTUBUDDIN, Shaikh Azharuddin. A Python-Based Approach for Predictive Maintenance Condition Monitoring of Lubricants. Journal of Information Systems Engineering & Management, v. 10, n. 23s, p. 712-720, mar. 2025.
LEE, Jay; LAPIRA, Edzel; YANG, Shanhu; KAO, Ann. Predictive manufacturing system – trends of next generation production systems. IFAC PapersOnLine, São Paulo, v. 46, n. 7, p. 150–155, 22–24 maio 2013.
LEE, Jay; WU, Fangji; ZHAO, Wenyu; GHAFFARI, Masoud; LIAO, Linxia; SIEGEL, David. Prognostics and health management design for rotary machinery systems — reviews, methodology and applications. Mechanical Systems and Signal Processing, v. 42, n. 1–2, p. 314–334, jan. 2014.
MARQUES, A. C.; BRITO, J. N. Importância da manutenção preditiva para diminuir o custo em manutenção e aumentar a vida útil dos equipamentos / Importance of predictive maintenance to reduce maintenance costs and increase equipment life. Brazilian Journal of Development, v. 5, n. 7, p. 8913–8923, 2019.
MOBLEY, R. Keith. An Introduction to Predictive Maintenance. 2. ed. Oxford: Butterworth-Heinemann, 2002.
PRAJAPATI, Ashok; BECHTEL, James; GANESAN, Subramaniam. Condition based maintenance: a survey. Journal of Quality in Maintenance Engineering, [S. l.], v. 18, n. 4, p. 384–400, 2012.
PRECHELT, Lutz. An empirical comparison of C, C++, Java, Perl, Python, Rexx, and Tcl for a search/string-processing program. IEEE Computer, v. 30, n. 10, p. 23–29, out. 2000.
RASHED, Md. Golam; AHSAN, Raquib. Python in computational science: applications and possibilities. International Journal of Computer Applications, Foundation of Computer Science, NY, v. 46, n. 20, p. 26–30, maio 2012.
SALMAN, H. A. Random forest algorithm overview. Babylonian Journal of Machine Learning, [S. l.], v. 4, n. 1, p. 1–11, 2024.
SARAN, David José; SARAN, Marina Cláudia Brustello; FRANZOTTI, Celso Luiz. O impacto da inteligência artificial na manutenção industrial: benefícios, desafios e tendências. SITEFA – International Journal of Innovation in Management and Industry, Sertãozinho, v. 1, n. 1, p. 51–66, 2023.
SCHWABER, Ken; SUTHERLAND, Jeff. Guia do Scrum: o guia definitivo para o Scrum: as regras do jogo. Tradução: Pedro Silva e Mário Pereira. Versão 3.0, novembro 2020. [S. l.]: Scrum. org; Scrum Alliance, 2020.
SILVA, Aline Beatriz dos Santos. Modelo autorregressivo integrado de médias móveis (ARIMA): aspectos conceituais e metodológicos e aplicabilidade na mortalidade infantil. Revista Brasileira de Saúde Materno Infantil, Recife, v. 21, n. 2, p. 1–11, abr./jun. 2021.
TAVARES, Lourival Augusto. Administração moderna da manutenção. São Paulo: Editora Atlas, 2001.
TRACTIAN. Cases de sucesso. Tractian, 2025. Disponível em: https://tractian. com/en/blog/categories/cases-de-sucesso. Acesso em: 8 jun. 2025.
VIVANCO, Daniel Arias; ITAZ, Mariana Defas; SÁNCHEZ, Esteban Jarrín. Reseña del uso del lenguaje de programación Python en el Desarrollo de Software. Revista Élite, v. 6, n. 2, 2024.
ZIYA07. Engine fault detection data. [S. l.]: Kaggle, 2022. Disponível em: https://www. kaggle. com/datasets/ziya07/engine-fault-detection-data/data. Acesso em: 11 jun. 2025.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy