Revisão da Literatura Sobre Detecção de Anomalias em Dispositivos Industriais

Resumo

Com a automação industrial em alta e a chegada da Indústria 4.0, o setor de manufatura passou por uma transformação. A Inteligência Artificial (IA) desempenha um papel importante, otimizando a performance operacional, desde simples automações até insights e análises que auxiliam as indústrias na otimização de processos. Neste cenário, a detecção de falhas em dispositivos industriais surge como uma área da automação industrial a ser explorada, tendo a IA como uma das peças chaves para essa tarefa (LEITE, 2024). Este estudo tem como objetivo realizar uma revisão sistemática da literatura (KITCHENHAM, 2009) para identificar, analisar e sintetizar as principais técnicas baseadas em redes utilizadas na detecção de falhas em dispositivos industriais, e também suas métricas de desempenho e desafios de implementação. Para isso, foi conduzida uma Revisão Sistemática da Literatura (RSL), com buscas feitas nas bases de dados IEEE Xplore, Springer Nature Link, e ScienceDirect, com artigos publicados entre 2020 e 2025. A estratégia de busca utilizou termos como "fault detection", "industrial electromechanical devices", "multimodal" e "time series", resultando em 426 estudos. Os resultados dos artigos revelam a predominância de metodologias baseadas em redes neurais profundas para a detecção de falhas e anomalias em equipamentos industriais. Destacam-se o uso de Redes Neurais de Grafos (GNNs, na sigla em inglês Graph Neural Networks), incluindo Redes Convolucionais de Grafos (GCNs, Graph Convolutional Networks) e Redes de Atenção em Grafos (GATs, Graph Attention Networks), utilizadas para capturar correlações espaciais e temporais em séries temporais multivariadas (LANKO, 2024), e Transformers para extrair características temporais e dependências de longo alcance (KIM, 2025). Redes de Cápsulas (CapsNets, Capsule Networks) são também aplicadas por sua capacidade de preservar informações hierárquicas e melhorar a interpretabilidade (DALIAN, 2025). A fusão de dados multimodais (vibração, corrente, acústicos, imagens) é uma abordagem primordial para melhorar a precisão e robustez do diagnóstico, utilizando esquemas de fusão precoce ou tardia, ou modelagem de hipergrafos (YU, 2025). Modelos generativos como Redes Adversárias Generativas (GANs, Generative Adversarial Networks) e modelos de difusão são utilizados para aprender distribuições de dados normais e combinar amostras anômalas, moderando problemas de dados desbalanceados e escassos. As metodologias apresentam bons resultados, com vários estudos com altos índices de precisão e robustez em cenários reais e simulados. Concluiu-se que, apesar da alta eficácia demonstrada, os principais desafios residem na interpretabilidade (XAI, do inglês Explainable Artificial Intelligence) dos modelos de aprendizado profundo ("problema da caixa-preta"), importante para a confiança e ação dos operadores (KIM, 2025). Outro desafio persistente é a escassez de amostras anômalas rotuladas e o severo desbalanceamento entre classes, o que requer o contínuo desenvolvimento de métodos não supervisionados e semi-supervisionados. A complexidade computacional de algumas arquiteturas também pode dificultar a inferência em tempo real e a implantação em dispositivos com recursos limitados. As direções futuras de pesquisa apontam para aprofundamento em XAI e o desenvolvimento de modelos leves (lightweight models) para computação de borda, além de Aprendizado Federado (FL, Federated Learning) para ambientes distribuídos (KIM, 2025) (LI, 2025) (ZHAO, 2025). A utilização de Modelos de Base Industriais (IFMs, Industrial Foundation Models), baseados em grandes modelos visuo-linguísticos, também se apresenta como uma abordagem promissora para generalização e detecção de anomalias em ambientes industriais (ZHAO, 2025).
 
Palavras-chave: Detecção de Falhas; Aprendizado Profundo; Fusão de Dados Multimodais; Séries Temporais.
 
Referências 
 
DALIAN, Yang; JUNJUN, Zou; HUI, Long. Capsule networks for intelligent fault diagnosis: a roadmap of recent advancements and challenges. Expert Systems with Applications, p. 128814, 2025.
 
KIM, Ka-Kyung; KIM, Joon-Seok; EUOM, Ieck-Chae. Explainable Anomaly Detection Based on Operational Sequences in Industrial Control Systems. IEEE Access, 2025.
 
KITCHENHAM, Barbara et al. Systematic literature reviews in software engineering–a systematic literature review. Information and software technology, v. 51, n. 1, p. 7-15, 2009.
 
LANKO, Vadim; MAKAROV, Ilya. Graph Attention Diffusion for Enhanced Multivariate Time Series Anomaly Detection. IEEE Open Journal of the Industrial Electronics Society, 2024.LEITE, Denis et al. Fault detection and diagnosis in industry 4.0: a review on challenges and opportunities. Sensors (Basel, Switzerland), v. 25, n. 1, p. 60, 2024.
 
LI, Zhuo et al. A survey of deep learning for industrial visual anomaly detection. Artificial Intelligence Review, v. 58, n. 9, p. 279, 2025.
 
YU, Yue. DMAC: Discovering Multi-Attribute Correlations of Deep Quality Features for Defect Detection in Mechanical Components. IEEE Access, 2025.
ZHAO, Shuxuan et al. Industrial Foundation Models (IFMs) for intelligent manufacturing: A systematic review. Journal of Manufacturing Systems, v. 82, p. 420-448, 2025.