Voltar para o blog IA aplicada

Manutenção preditiva com IA: o que precisa e por onde começar

Manutenção preditiva com IA prevê a falha pelo sinal da máquina (vibração, temperatura, corrente). O que ela exige, por onde começar barato e quando não vale.

Manutenção preditiva com IA é usar o sinal que a própria máquina emite — vibração, temperatura, corrente do motor — para perceber que uma falha está se formando antes de ela parar a produção. O modelo aprende como o equipamento se comporta quando está saudável e avisa quando o comportamento se afasta disso. Para funcionar, precisa de três coisas: sensor no ativo certo, dado contínuo e alguém que aja quando o alerta chega.

O que quase nunca se diz na venda: a IA é a última camada. Antes dela vem medir, e medir com disciplina já resolve boa parte do problema.

Corretiva, preventiva, preditiva e preditiva com IA

Os quatro tipos respondem à mesma pergunta — quando intervir na máquina — de formas diferentes.

TipoQuando intervémO que precisaRisco principal
CorretivaDepois que quebrouEquipe de manutenção e peça em estoqueParada fora de hora, peça que não está na prateleira
PreventivaEm intervalo fixo (horas, dias, ciclos)Plano e disciplinaTrocar peça boa e, ainda assim, quebrar entre uma intervenção e outra
Preditiva por condiçãoQuando uma medição passa de um limiteSensor ou rota de medição e um limite definidoLimite mal ajustado: alarme demais ou de menos
Preditiva com IAQuando o padrão do sinal se afasta do normalDado contínuo, histórico e alguém para validar o modeloAlerta que ninguém entende e, por isso, ninguém confia

Os quatro não competem. Uma fábrica bem cuidada usa todos: corretiva no que é barato e tem reserva, preventiva no que se desgasta de forma previsível, e monitoramento de condição — com ou sem IA — no punhado de equipamentos que param a fábrica quando param.

A preventiva tem um limite que vale entender. Ela funciona bem quando a falha depende da idade: correia, filtro, óleo. Mas boa parte das falhas de equipamento rotativo não segue calendário — rolamento mal montado, desalinhamento, lubrificante contaminado. Para essas, trocar a peça a cada seis meses não evita a quebra no terceiro. É aí que entra medir a condição.

Como a IA entra na manutenção preditiva

Quase toda falha mecânica avisa antes. Um rolamento que começa a se degradar muda o padrão de vibração bem antes de esquentar, e esquenta antes de travar. O intervalo entre o primeiro sinal detectável e a quebra é o que a literatura de manutenção chama de intervalo P-F, da falha potencial à falha funcional. Toda estratégia preditiva é uma forma de enxergar o P cedo o bastante para planejar a troca antes do F.

A IA ajuda de duas maneiras, com exigências bem diferentes:

  • Detecção de anomalia. O modelo aprende o comportamento normal da máquina, em cada regime de operação, e avisa quando o sinal foge dele. Não precisa de histórico de falhas, só de algumas semanas de dado da máquina saudável. É o uso realista para quem está começando.
  • Previsão de falha e de vida útil restante. O modelo diz “este rolamento tem alta chance de falhar nas próximas duas semanas”. Para isso, precisa ter visto muitas falhas daquele tipo, com o sinal que veio antes de cada uma. É o que aparece nas apresentações — e o que menos fábricas conseguem alimentar.

A vantagem sobre o limite fixo é o contexto. A vibração de uma bomba é diferente com carga cheia e com meia carga, com o produto A e com o produto B. Um limite único gera alarme falso num regime e deixa passar o problema no outro. O modelo compara o sinal com o que é normal naquela condição.

É o mesmo padrão dos casos de IA que se pagam na fábrica, descrito em onde a IA gera retorno na indústria: volume repetitivo, uma regra que alguém já sabe aplicar e um erro que dá para verificar antes de virar ação. Aqui, quem verifica é o técnico que vai até a máquina conferir o alerta.

O que a IA precisa para funcionar

Sensores no ativo certo

Três sinais cobrem a maior parte dos casos:

  • Vibração — rolamento, desbalanceamento, desalinhamento, folga. É o sinal mais rico para máquina rotativa: motor, bomba, ventilador, compressor, redutor.
  • Temperatura — mancais, motores, painéis elétricos, sistemas hidráulicos.
  • Corrente do motor — sobrecarga, problema na carga acionada, alguns defeitos elétricos. Tem a vantagem de ser medida no painel, longe da máquina.

Muitas máquinas mais novas já expõem parte disso pelo CLP. Antes de comprar sensor, vale olhar o que a máquina já mede e ninguém está guardando.

Dado contínuo e com contexto

Sinal sem contexto ajuda pouco. O modelo precisa saber se a máquina estava rodando, com qual produto, em que velocidade. Isso costuma estar no apontamento de produção ou no CLP — e, com frequência, em lugar nenhum. Escrevemos sobre esse problema em por que o dado não chega.

Histórico de falhas anotado

Este é o gargalo da maioria dos projetos. Para prever falha, o modelo precisa de exemplos: quando quebrou, qual componente, qual foi o modo de falha, quanto tempo ficou parado. Na prática, o histórico de manutenção de uma fábrica de porte médio costuma ser uma ordem de serviço com “trocado rolamento” e a data — quando existe. Não diz o que causou a falha nem quando os primeiros sinais apareceram. E o sensor que teria registrado esses sinais não estava lá.

Por isso a ordem importa. Primeiro registrar paradas e falhas direito, com a causa. Depois medir a condição. Só então, com meses de dado e algumas falhas registradas, discutir um modelo de previsão. Um plano de preventiva com registro disciplinado, como o da planilha de manutenção preventiva, é o começo desse histórico.

Alguém que aja no alerta

Alerta que chega e não vira ordem de serviço não muda nada. Defina antes quem recebe, em quanto tempo confere e o que faz depois. Sem isso, a equipe aprende a ignorar o painel na terceira semana.

Por onde começar sem gastar muito

O caminho que costuma dar certo é menor do que o que se vende:

  1. Escolha um ativo crítico. O gargalo da linha, ou o equipamento cuja parada custa mais por hora. Não “a fábrica inteira”. A calculadora de custo-hora máquina ajuda a pôr número nessa hora.
  2. Meça a linha de base. Quantas falhas por ano, quanto tempo cada uma parou, quanto custou o reparo. A calculadora de MTBF e MTTR faz essa conta com o que você já tem.
  3. Monitore a condição com limite, antes de modelo. Sensor de vibração e temperatura nos pontos que mais falham, com limites de alerta definidos. A família de normas ISO 20816, que vem substituindo a ISO 10816, classifica a severidade de vibração de máquinas em zonas — da faixa esperada em máquina nova até a que causa dano — e é um bom ponto de partida para os primeiros limites.
  4. Registre cada alerta e o que se encontrou. O alerta era real? Qual era o defeito? Esse registro é o histórico anotado que o modelo vai precisar.
  5. Só então ponha IA. Detecção de anomalia primeiro, quando o limite fixo começar a gerar alarme falso por causa da variação de regime. Previsão de falha, se e quando houver falhas suficientes registradas.

Os passos 1 a 4 não têm nada de inteligência artificial e já entregam a maior parte do valor. Quem pula direto para o 5 costuma descobrir que não tem dado para treinar nada.

Exemplo de retorno, com MTBF, MTTR e custo de parada

Uma extrusora que é o gargalo da linha, programada para rodar 4.800 horas por ano. Os números são hipotéticos; a conta é a que vale refazer com os seus.

Hoje, corretiva no que quebra:

DadoValor
Falhas por ano (rolamento, redutor, motor)8
MTTR, incluindo a espera pela peça10 h
Horas paradas por falha no ano8 × 10 = 80 h
MTBF(4.800 − 80) ÷ 8 = 590 h
Custo de cada hora parada do gargaloR$ 1.800
Custo de reparo emergencial por falhaR$ 4.000
Custo anual das falhas80 × 1.800 + 8 × 4.000 = R$ 176.000

Com monitoramento de condição. Suponha que metade das falhas — as mecânicas, de rolamento e desalinhamento — dê sinal com antecedência suficiente para planejar a troca. A intervenção planejada leva 3 horas, com a peça já separada, e custa R$ 2.500. As outras quatro falhas continuam acontecendo como antes.

DadoAntesDepois
Falhas não planejadas84
Horas paradas80 h4 × 10 + 4 × 3 = 52 h
Custo das horas paradasR$ 144.000R$ 93.600
Custo de reparoR$ 32.0004 × 4.000 + 4 × 2.500 = R$ 26.000
Total no anoR$ 176.000R$ 119.600

A economia é de R$ 56.400 por ano, ou R$ 4.700 por mês. E o MTBF, contando só as falhas não planejadas, sobe de 590 h para (4.800 − 52) ÷ 4 = 1.187 h.

Agora o custo. Se o monitoramento desse ativo custasse, por exemplo, R$ 30 mil para implantar e R$ 1.000 por mês para manter, a economia líquida seria de R$ 3.700 por mês e o investimento se pagaria em pouco mais de 8 meses (30.000 ÷ 3.700 = 8,1).

O mesmo projeto, na máquina errada, não se paga. Se a hora parada custasse R$ 200 — uma máquina com folga de capacidade, que recupera a produção no turno seguinte —, a economia cairia para 28 h × R$ 200 + R$ 6.000 = R$ 11.600 por ano. Menos que os R$ 12.000 anuais de manutenção do próprio monitoramento, antes mesmo de pagar a implantação.

Repare que o modelo de IA não aparece na conta. A economia vem de transformar falha em intervenção planejada. A IA melhora a antecedência e reduz o alarme falso, e entra quando já existe dado para isso. Para ver o efeito na eficiência da linha, use a calculadora de OEE: cada hora de quebra evitada no gargalo volta como disponibilidade — e, no gargalo, como produção a mais.

Quando não vale a pena

Ser honesto sobre isso economiza projeto.

  • Equipamento barato, com reserva ou fora do gargalo. Se a quebra custa pouco e a troca é rápida, deixar quebrar é uma estratégia legítima — e a mais barata.
  • Falha que não avisa. Placa eletrônica, fonte, fusível costumam falhar sem sinal precursor útil. Não há sensor que preveja o que não dá sinal.
  • Ninguém para agir no alerta. Se a manutenção vive apagando incêndio e não consegue planejar intervenção, o alerta vira mais uma notificação ignorada. Organize a preventiva antes.
  • Sem registro de falhas e paradas. Sem linha de base, não há como provar retorno nem dado para treinar modelo. O primeiro projeto é de registro, não de IA.
  • Quando o fabricante já oferece. Alguns fabricantes de equipamento vendem monitoramento remoto da própria máquina. Compare antes de construir.

Perguntas frequentes

Qual a diferença entre manutenção preventiva e preditiva?

A preventiva intervém por calendário ou horas de uso, esteja a peça boa ou não. A preditiva intervém pela condição medida do equipamento. A primeira troca peça boa por precaução; a segunda tenta trocar só a que começou a falhar.

Preciso de IA para fazer manutenção preditiva?

Não. Medir vibração e temperatura com limites de alerta já é manutenção preditiva, e é o melhor primeiro passo. A IA entra quando o limite fixo gera alarme falso demais ou quando há histórico suficiente para prever a falha com antecedência.

Quais sensores são usados na manutenção preditiva?

Vibração, temperatura e corrente do motor cobrem a maioria dos casos em máquina rotativa. Termografia, análise de óleo e ultrassom também são comuns, em geral em rotas de inspeção periódica em vez de sensor fixo.

Quanto dado a IA precisa para começar?

Para detecção de anomalia, algumas semanas de operação normal, cobrindo os regimes da máquina, costumam bastar para começar. Para prever falha, é preciso ter registrado várias falhas do mesmo tipo com o sinal que veio antes delas — o que, num único equipamento, pode levar anos.

Por qual máquina começar?

Pelo gargalo, ou pela que custa mais por hora parada. É onde cada falha evitada vira produção a mais, e onde a conta de retorno fecha mais rápido.


Quer saber se algum equipamento da sua fábrica justifica monitoramento, e o que medir primeiro? Agende um diagnóstico ou conheça a frente de IA aplicada.

manutenção preditivaiamanutenção industrialmtbfsensores

Pronto para destravar a sua operação?

Agende um diagnóstico: a gente mapeia os gargalos e mostra por onde começar.

Agende um diagnóstico