Ferramentas Preditivas para Diagnóstico e Prognóstico de Falhas em Máquinas de Manufatura: uma Revisão Sistemática da Literatura

Resumo

A manutenção preditiva, baseada em modelos estatísticos ou algoritmos de aprendizado de máquina, tem se mostrado uma estratégia promissora para antecipar falhas, reduzindo custos de manutenção corretiva e evitando interrupções nos processos produtivos. No entanto, a diversidade de abordagens disponíveis, cada uma com diferentes requisitos de dados, custos e desempenho, exige uma avaliação sistemática que compare sua efetividade em diferentes contextos (ALIYU, MOKHTAR e HUSSIN, 2023). A manutenção e operação de máquinas em ambientes laboratoriais de engenharia apresentam desafios significativos relacionados à previsibilidade de falhas, segurança operacional e continuidade das atividades didáticas e experimentais. Muitas vezes, esses equipamentos não estão conectados a sistemas modernos de monitoramento preditivo baseados em sensores ou tecnologias de Internet das Coisas (IoT), devido a limitações orçamentárias, infraestrutura ou complexidade técnica. Isso gera um cenário de elevada dependência de manutenções corretivas, aumentando o tempo de inatividade, os custos operacionais e o risco de acidentes. No contexto acadêmico, especialmente em laboratórios de engenharia, os desafios se ampliam diante de restrições tecnológicas e limitações na coleta de dados. Dessa forma, encontrar modelos preditivos viáveis e eficazes mesmo em cenários com poucos recursos se torna essencial (CONVERSO et al., 2023). Nos últimos anos, algoritmos de aprendizado de máquina e modelos estatísticos têm sido aplicados com sucesso na detecção e previsão de falhas (ABIDI, MOHAMMED e ALKHALEFAH, 2022). Entretanto, ainda há uma lacuna quanto à comparação sistemática de tais métodos sob critérios como simplicidade, desempenho e aplicabilidade prática em ambientes restritivos. Assim, este estudo tem como objetivo apresentar uma revisão sistemática da literatura sobre modelos estatísticos e algoritmos preditivos aplicados ao diagnóstico e prognóstico de falhas em máquinas de manufatura. A RSL busca responder: “Quais modelos apresentam melhor desempenho, simplicidade e aplicabilidade em cenários com limitações tecnológicas como laboratórios universitários?”. Este trabalho trata-se de um estudo analítico e descritivo que utiliza uma revisão sistemática da literatura. Para responder a pergunta apresentada anteriormente, foi feita revisão de literatura através do método PRISMA - Preferred Reporting Items for Systematic Reviews and Meta Analysis. O PRISMA trata-se de uma metodologia de revisão sistemática e meta-análise, ferramenta essencial para pesquisadores de modo a resumir as evidências com precisão, confiabilidade e atualidade quanto a determinado tema estudado (LIBERATI et al., 2009). A partir deste método a revisão se dividiu em três etapas: 1) Protocolo de revisão; 2) Exclusão de trabalhos e 3) Análise de dados. Foram consultadas 50 bases de dados para obter publicações científicas, com destaque para Engineering Village, Scopus e Web of Science, que são reconhecidas pela qualidade dos trabalhos (Harzing e Alakangas, 2016). As palavras-chave usadas para selecionar os artigos foram “predictive maintenance”; “fault diagnosis”; “fault prognosis”; “manufacturing machines”; “industrial equipment”; “statistical model”; “machine learning”; “regression”. Essas combinações foram pesquisadas nos títulos, resumos e palavras-chave das bases de dados. Para inclusão no estudo, os trabalhos deveriam apresentar um método de gestão do risco de queda em altura em atividades de construção ou manutenção na área de engenharia. O protocolo de pesquisa aplicou critérios de inclusão como: Publicações entre 2015 e início de 2025; Textos em inglês, espanhol ou português; Texto completo disponível para leitura; Estudos originais (HARZING e ALAKANGAS, 2016); Trabalhos revisados por pares e com fator de impacto, garantindo qualidade (STOLL et al., 2019). Os critérios foram aplicados em todas as combinações de palavras-chave nas bases de dados, filtrando produções acadêmicas relevantes. Em seguida, iniciou-se o processo de exclusão dos trabalhos que não atendiam aos objetivos e área de interesse deste estudo. Após a revisão sistemática da literatura utilizando o método PRISMA, foram identificados 10.328 trabalhos. O processo de exclusão ocorreu em quatro etapas. Na primeira etapa, os trabalhos duplicados foram removidos e aqueles que não estavam em inglês, espanhol ou português foram excluídos, reduzindo o número para 2.853 estudos. Na segunda etapa, foram excluídos 371 trabalhos que não atendiam aos critérios de qualidade (revisão por pares e fator de impacto), resultando em 2.482 trabalhos restantes. Na terceira etapa, os títulos dos 2.482 trabalhos foram avaliados quanto à abordagem do tema de segurança do trabalho e controle do risco de queda em atividades de engenharia. Nessa etapa, foram excluídos 2.382 trabalhos, restando 100 estudos. Na última etapa, os resumos dos 100 trabalhos restantes foram analisados quanto à adequação ao tema e organização. Foram excluídos 70 trabalhos, resultando em 30 trabalhos selecionados para análise na próxima etapa da metodologia. Os 30 artigos restantes após o processo de exclusão foram organizados em uma planilha do Microsoft Excel e analisados detalhadamente. Durante a análise, foram extraídas informações como ano de publicação, modelo preditivo utilizado, faixa de precisão, complexidade de implementação e aplicabilidade industrial. Dentre os principais resultados encontrados na pesquisa, tivemos: Modelos estatísticos tradicionais são adequados para ambientes com dados limitados e recursos restritos (CONVERSO et al., 2023); Modelos de aprendizado de máquina oferecem maior acurácia, mas com maior custo de implementação (ABIDI, MOHAMMED e ALKHALEFAH, 2022); Modelos híbridos podem unir o melhor dos dois mundos; A escolha do modelo ideal depende do contexto: volume de dados, infraestrutura disponível e nível de exigência da aplicação (ALIYU, MOKHTAR e HUSSIN, 2023). Em resumo, para laboratórios universitários de engenharia, modelos estatísticos ainda se mostram como uma alternativa viável e eficiente.