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.
| Tipo | Quando intervém | O que precisa | Risco principal |
|---|---|---|---|
| Corretiva | Depois que quebrou | Equipe de manutenção e peça em estoque | Parada fora de hora, peça que não está na prateleira |
| Preventiva | Em intervalo fixo (horas, dias, ciclos) | Plano e disciplina | Trocar peça boa e, ainda assim, quebrar entre uma intervenção e outra |
| Preditiva por condição | Quando uma medição passa de um limite | Sensor ou rota de medição e um limite definido | Limite mal ajustado: alarme demais ou de menos |
| Preditiva com IA | Quando o padrão do sinal se afasta do normal | Dado contínuo, histórico e alguém para validar o modelo | Alerta 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:
- 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.
- 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.
- 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.
- 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.
- 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:
| Dado | Valor |
|---|---|
| Falhas por ano (rolamento, redutor, motor) | 8 |
| MTTR, incluindo a espera pela peça | 10 h |
| Horas paradas por falha no ano | 8 × 10 = 80 h |
| MTBF | (4.800 − 80) ÷ 8 = 590 h |
| Custo de cada hora parada do gargalo | R$ 1.800 |
| Custo de reparo emergencial por falha | R$ 4.000 |
| Custo anual das falhas | 80 × 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.
| Dado | Antes | Depois |
|---|---|---|
| Falhas não planejadas | 8 | 4 |
| Horas paradas | 80 h | 4 × 10 + 4 × 3 = 52 h |
| Custo das horas paradas | R$ 144.000 | R$ 93.600 |
| Custo de reparo | R$ 32.000 | 4 × 4.000 + 4 × 2.500 = R$ 26.000 |
| Total no ano | R$ 176.000 | R$ 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.