Um Estudo Sobre o Uso de Modelos de Machine Learning para Manutenção Preditiva Industrial

Aug 3, 2026

Carregar por Finn

A integração trazida pela Indústria 4.0 fortaleceu a aplicação de algoritmos de machine learning para estimar estados atuais e futuros de equipamentos, com foco na manutenção. O trabalho apresenta um estudo experimental comparativo envolvendo cinco algoritmos de classificação: Decision Tree, Naive Bayes, Support Vector Machines, XGBoost e Redes Neurais. Após treinamento e avaliação, os modelos foram analisados por métricas como acurácia, precisão, recall e tempo de treinamento. Os resultados indicam quais modelos são mais adequados para apoiar decisões e planejar intervenções, reduzindo paradas e custos.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas8

Tempo de leitura12 min

AcessoDownload gratuito

Índice

Introdução

Fundamentação teórica

Árvore de decisão

Métricas e normalização de dados

Metodologia

Coleta e tratamento de dados

Ajuste de hiperparâmetros e treinamento

Resultados experimentais

Conclusões e trabalhos futuros

Um Estudo Sobre o Uso de Modelos de Machine Learning para Manutenção Preditiva Industrial Pedro Vinícius Meerholz Centro Universitário SENAI/SC [pedro_meerholz@estudante.sesisenai.org.br](pedro_meerholz@estudante.sesisenai.org.br) Dhyonatan Santos de Freitas Centro Universitário SENAI/SC[dhyonatan.freitas@edu.sc.senai.br](dhyonatan.freitas@edu.sc.senai.br) Willian Daniel de Mattos Centro Universitário SENAI/SC [willian.mattos@edu.sc.senai.br](willian.mattos@edu.sc.senai.br) Eduardo Camilo Inacio Centro Universitário SENAI/SC [eduardo.inacio@edu.sc.senai.br](eduardo.inacio@edu.sc.senai.br) ABSTRACT With Industry 4.0, the integration between physical and digital environments enabled some improvements within several production segments. Among these improvements, advancements on the application of machine learning algorithms to predict current and future states of equipment have been gaining attention, specially, for maintenance purposes. This research work presents a comparative experimental study on machine learning algorithms applied to classification of industrial machinery states. After training and evaluating models based on five different algorithms (i.e., Decision Tree, Naive Bayes, Support Vector Machines, XGBoost and Neural Network), some interesting results were obtained. Considering the accuracy, precision, recall and training time of each model, it was observed that some models performed well, while others may not be as suitable for solving the problem. Such good performing models could be used to schedule interventions on a given industrial equipment, avoiding production stoppages. KEYWORDS MACHINE LEARNING, APRENDIZAGEM SUPERVISIONADA, REDES NEURAIS, INDÚSTRIA 4.0 1 INTRODUÇÃO Com a chegada da Quarta Revolução Industrial, também chamadade Indústria 4.0, os equipamentos físicos utilizados dentro do ambiente industrial passam a trabalhar em conjunto com o meio digital e, dessa forma, essa integração entre máquinas e sistemas, quando utilizada da forma correta, pode proporcionar dados relevantes que podem ser utilizados a favor da indústria de diversas maneiras. Uma das maneiras de se utilizar os dados obtidos com essa integração, é aplicá-los junto ao conceito de manutenção preditiva. A manutenção preditiva utiliza informações obtidas através de dados históricosparaprever em qual momento, uma determinada máquinaprecisará de manutenção. Ao prever quando uma máquina irá precisar de manutenção, alguns benefícios são obtidos, tais como a reduçãode custos sobre manutenção e a redução do tempo de manutenção [1] . A partir disso, a área de machine learning foi uma das quaisobteve destaque quando se trata da Indústria 4.0 . De forma geral, o machine learning consiste em utilizar algoritmos computacionaise dados para detectar padrões que irão ajudar em alguma tomadade decisão, nesse caso, se é necessário realizar a manutenção do equipamento ou não. No entanto, para que o machine learning seja aplicado de forma eficiente, algumas etapas devem ser realizadas, sendo elas a coleta e o tratamento de dados. Quando se fala em obter dados para aplicartécnicas de machine learning, existem algumas possibilidades que podem ser exploradas. Primeiramente, é possível produzir os próprios dados, que no caso da indústria, por exemplo, poderiam ser produzidos através da instalação de sensores [2], o qual no cenário industrial seria a principal forma de adquirir esses dados. No entanto, essa pode não ser uma tarefa tão simples e pode trazer novos custos ao processo, por isso, outra opção seria comprar dados de outras instituições que forneçam dados confiáveis e legítimos para aquele determinado fim. Depois da obtenção de dados, possivelmente será necessário realizar o tratamento desses dados, pois os mesmos não podem seraplicados diretamente nos algoritmos de machine learning. Durantea coleta de dados, é possível que alguns dados estejam faltando, estejam errados ou não sejam necessários para aquele contexto [1]

Perguntas frequentes

Qual é o objetivo do estudo sobre machine learning para manutenção preditiva?

O estudo compara modelos de machine learning para classificar máquinas industriais como “com defeito” ou “sem defeito”, usando dados industriais sintéticos.

Quais algoritmos de classificação foram avaliados no trabalho?

Foram treinados e avaliados Decision Tree, Naive Bayes, Support Vector Machines, XGBoost e Redes Neurais.

Que métricas foram usadas para avaliar o desempenho dos modelos?

Os modelos foram analisados por acurácia, precisão, recall e tempo de treinamento, permitindo identificar quais se adequam melhor ao problema.

Como os resultados podem beneficiar a indústria?

Modelos com bom desempenho podem apoiar o agendamento de intervenções em equipamentos, ajudando a evitar paradas de produção e reduzir custos associados à manutenção.

Aug 3, 2026

Carregar por Finn