Eficiencia industrial na indústria automobilistica
DOI:
https://doi.org/10.34188/bjaerv9n2-225Palavras-chave:
Manutenção preditiva, Indústria 4.0, Eficiência operacional, Internet das Coisas (IoT), Indústria automobilísticaResumo
O artigo “Eficiência industrial na indústria automobilistica” apresenta a manutenção preditiva como uma importante estratégia para aumentar a eficiência operacional e reduzir custos nas indústrias. O estudo destaca que modelos tradicionais, como a manutenção corretiva, costumam gerar prejuízos devido às falhas inesperadas e às paradas não programadas dos equipamentos. Nesse contexto, a manutenção preditiva surge como uma alternativa mais eficiente, utilizando sensores e sistemas de monitoramento contínuo para acompanhar o desempenho das máquinas em tempo real. Além disso, o artigo evidencia que o avanço da Indústria 4.0 possibilitou a integração da manutenção preditiva com tecnologias como Internet das Coisas (IoT), inteligência artificial e análise de dados, tornando o processo mais preciso e automatizado. Com isso, as empresas conseguem identificar falhas antecipadamente, planejar intervenções com maior eficiência e reduzir desperdícios. Dessa forma, a aplicação da manutenção preditiva contribui para o aumento da produtividade, maior disponibilidade dos equipamentos e redução significativa dos custos operacionais nas indústrias.
Referências
AUTOR. Modelo preditivo para otimização de operações em equipamentos pesados. João Pessoa: Universidade Federal da Paraíba, [2025]. Disponível em: UFPB Monografias. Acesso em: 20 maio 2026.
BALDISSARELLI, Luciano; FABRO, Elton. Manutenção preditiva na indústria 4.0. Scientia cum Industria, Caxias do Sul, v. 7, n. 2, p. 12–22, 2019. Disponível em: Scientia cum Industria. Acesso em: 17 maio 2026.
BARLOW, R. E.; PROSCHAN, F. Reliability and Life Testing Probability Models. New York: Holt, Rinehart and Winston, 1975.
BISHOP, Christopher M. Pattern Recognition and Machine Learning. New York: Springer, 2006.
BOLTON, W. Programmable Logic Controllers. 6. ed. Oxford: Newnes, 2015.
CARVALHO, T. P. et al. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, v. 137, p. 106024, 2019.
DAVID, G. A.; MONSON, P. M. C.; AGUIAR, P.; CONCEIÇÃO JUNIOR, P. O.; GODOY, E. P.; KENNERLY, V. D. [Dados incompletos da referência].
DELOITTE. Predictive maintenance and the smart factory. Deloitte Insights, 2021.
DELOITTE. Predictive maintenance and smart manufacturing: reducing downtime and operational costs. [S. l.]: Deloitte, 2024. Disponível em: Deloitte Predictive Maintenance.
FREITAS, et al. [Título do artigo]. Revista Interface Tecnológica, [S.l.], v. XX, n. XX, ano. Disponível em: Revista Interface Tecnológica. Acesso em: 21 maio 2026.
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. Cambridge: MIT Press, 2016.
GUBBI, Jayavardhana et al. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, v. 29, n. 7, p. 1645–1660, 2013.
IBM. The role of AI in predictive maintenance. 2025. Disponível em: IBM Insights.
JARDINE, Andrew K. S.; LIN, Daming; BANJEVIC, Dragan. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, v. 20, n. 7, p. 1483–1510, 2006.
KOBBACY, K. A. H.; PERCY, D. F.; FAWZI, B. B. Small data sets and preventive maintenance modeling. Journal of Quality in Maintenance Engineering, v. 3, n. 1, p. 5–16, 1997.
LEE, Jay; BAGHERI, Behrad; JIN, Hung-Na. Cyber physical systems for predictive maintenance in Industry 4.0. Manufacturing Letters, v. 3, p. 18–23, 2015.
LEE, Jay; KAO, Hung-Na; YANG, Shanhu. Service innovation and smart analytics for Industry 4.0 and big data environment. Procedia CIRP, v. 16, p. 3–8, 2014.
MAINTAINX. The unplanned downtime paradox. 2024. Disponível em: MaintainX Blog.
MAKIS, V.; JARDINE, A. K. S. Optimal Replacement in the Proportional Hazards Model. INFOR, 1992.
MCKINSEY & COMPANY. Manufacturing analytics unleashes productivity and profitability. 2017. Disponível em: McKinsey Manufacturing Analytics.
MCKINSEY & COMPANY. The Internet of Things: Mapping the value beyond the hype. McKinsey Global Institute, 2018.
MOBLEY, R. Keith. An Introduction to Predictive Maintenance. 2. ed. Burlington: Butterworth-Heinemann, 2002.
NEPOMUCENO, Lauro Xavier. Técnicas de manutenção preditiva. v. 1. São Paulo: Blucher, 1989.
OSLAND, Håkon. Impactos da automação industrial na mão de obra. 2025.
OUDGHIRI, M.; CHADLI, M.; HAJJAJI, A. E. A fuzzy approach for sensor fault-tolerant control of vehicle lateral dynamics. In: 16th IEEE International Conference on Control Applications. Singapore, 2007.
SI, Xiao-Sheng et al. Remaining useful life estimation – A review on the statistical data driven approaches. European Journal of Operational Research, v. 213, n. 1, p. 1–14, 2011.
SENSORES e IoT ajudam indústrias a reduzir custos com paradas de máquinas. Valor Econômico, 20 mar. 2026. Disponível em: Valor Econômico - Pressworks. Acesso em: 21 maio 2026.
SPLUNK; OXFORD ECONOMICS. The Hidden Costs of Downtime. 2024.
TRACTIAN. Manutenção sensorizada: o que é e como funciona. Disponível em: TRACTIAN Blog. Acesso em: 21 maio 2026.
VR ENERGIA. Sensores automação industrial e suas aplicações essenciais na indústria moderna. Disponível em: VR Energia Blog. Acesso em: 15 maio 2026.
WANG, Tao; ZHANG, Lei; DUAN, Feng. Intelligent predictive maintenance for industrial systems based on IoT and machine learning. Journal of Manufacturing Systems, 2020.
WEG. Sensores industriais. Disponível em: WEG Sensores Industriais. Acesso em: 15 maio 2026.
WINBERG, Emil; AHRÉN, Jesper. Industry 4.0 from a technology adoption perspective: A case study at Sandvik Coromant. 2018.
ZHANG, Wei et al. Deep learning-based fault diagnosis methods: A review. IEEE Access, v. 7, p. 191–205, 2019.
ZHOU, H.; YANG, S.; GAN, Y. et al. An automatic surface defect inspection system for automobiles using machine vision methods. Sensors, v. 19, n. 3, p. 644, 2019. Disponível em: MDPI Sensors Article. Acesso em: 15 maio 2026.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
- O conteúdo dos artigos é de responsabilidade exclusiva dos autores.
- É permitida a reprodução total ou parcial do conteúdo dos artigos, desde que citada a fonte.
- Artigos com plágio serão recusados, e o autor do plágio perderá o direito de publicar nesta revista.
- Os nomes e endereços informados nesta revista serão utilizados exclusivamente para os serviços prestados por esta publicação e não estão disponíveis para outros fins ou a terceiros.
- Depois de enviar os artigos, os autores cedem os direitos autorais de seus artigos ao BJAER. Se você se arrepender da submissão, o autor tem o direito de solicitar ao BJAER que não publique seu artigo. Porém, essa solicitação deve ocorrer até dois meses antes da divulgação do número que o artigo será publicado.
- O BJAER usa a licença Creative Commons CC BY. Informações sobre esta licença podem ser encontradas em: https://creativecommons.org/licenses/by/3.0/br/
Brazilian Journal of Animal and Environmental Research (BJAER) se reserva o direito de efetuar nos originais alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores. Os trabalhos finais não serão enviadas aos autores.
