Pular para conteúdo

Situação de Aprendizagem

Você foi contratado como Engenheiro de IA por uma grande planta siderúrgica que opera 24 horas por dia. O principal ativo da fábrica é uma estação de usinagem CNC de alto desempenho. Recentemente, a quebra inesperada do cabeçote de corte dessa máquina causou uma parada na linha de produção que durou 36 horas, gerando um prejuízo estimado em R$ 150.000,00 entre peças de reposição urgentes, ociosidade da equipe e multas por atraso na entrega dos produtos aos clientes.

A gerência de manutenção possui sensores que medem variáveis físicas da máquina a cada segundo, mas atualmente esses dados são apenas visualizados em telas isoladas e descartados. O seu desafio no semestre é interligar essa telemetria e criar um sistema inteligente capaz de prever uma falha mecânica com antecedência, permitindo que a equipe agende o reparo durante uma pausa planejada de produção.

Metodologia CRISP-DM

O fluxo de trabalho para resolver o problema da quebra do cabeçote de corte CNC, utilizando a metodologia CRISP-DM (Cross Industry Standard Process for Data Mining - Processo Padrão Inter-Indústrias para Mineração de Dados), organiza o projeto de Aprendizado de Máquina (ML) em seis etapas cíclicas que garantem que a solução técnica esteja alinhada aos objetivos financeiros da siderúrgica (LET'S DATA, 2021; POD ACADEMY, 2023).

Abaixo, detalha-se como cada etapa seria aplicada à situação-problema:

1. Entendimento do Negócio (Business Understanding)

O foco inicial é traduzir o problema industrial em um problema de dados.

  • Objetivo de Negócio: Evitar paradas inesperadas de 36 horas e eliminar o prejuízo de R$ 150.000,00 por falha (POD ACADEMY, 2023).
  • Critério de Sucesso: O sistema deve prever falhas mecânicas com antecedência mínima suficiente para que a manutenção seja agendada em uma pausa planejada (POD ACADEMY, 2023).
  • Avaliação de Viabilidade: Verificar se o custo de implementar o monitoramento e o modelo de ML é inferior ao prejuízo causado pelas quebras recorrentes (POD ACADEMY, 2023).

2. Entendimento dos Dados (Data Understanding)

Nesta fase, interrompe-se o descarte da telemetria para análise.

  • Coleta: Interligar os sensores que medem variáveis como vibração, temperatura e carga a cada segundo, armazenando-os em uma base de dados histórica (ENCOPEL ROLAMENTOS, 2020; POD ACADEMY, 2023).
  • Exploração: Realizar uma análise exploratória para identificar padrões de comportamento nos sensores nos momentos que antecederam a quebra do cabeçote (MURPHY, 2022; LET'S DATA, 2021).
  • Teste de Sanidade: Garantir que os dados coletados pelos sensores representam fielmente o estado físico da máquina CNC (POD ACADEMY, 2023).

3. Preparação dos Dados (Data Preparation)

É a fase mais trabalhosa, onde os dados brutos são transformados para o treinamento (LET'S DATA, 2021; GÉRON, 2019).

  • Limpeza e Integração: Unir as diferentes telas isoladas de telemetria em um único conjunto de dados estruturado (SANTOS et al., 2025; LET'S DATA, 2021).
  • Engenharia de Atributos (Feature Engineering): Transformar a telemetria bruta em indicadores úteis, como o uso de Transformada Rápida de Fourier (FFT) para extrair frequências de vibração que indicam desgaste de rolamentos (SANTOS et al., 2025; INDUSTRIA 4.0, 2020).
  • Rotulagem: Marcar nos dados históricos o tempo exato de cada falha para que o modelo possa aprender a diferença entre o estado Normal e o Estado Perigoso (BOUSDEKIS et al., 2019; SANTOS et al., 2025).

4. Modelagem (Modeling)

Aqui, selecionam-se os algoritmos de ML.

  • Seleção de Modelos: Testar diferentes arquiteturas, como Árvores de Decisão, SVM ou Redes Neurais (ANN), para classificar o risco de falha ou prever a Vida Útil Restante (RUL) (RASCHKA, 2015; SANTOS et al., 2025).
  • Divisão dos Dados: Separar o histórico em conjuntos de treinamento (ex: 70%) e teste (ex: 30%) para garantir a capacidade de generalização do sistema (GÉRON, 2019; SANTOS et al., 2025).
  • Otimização: Ajustar os hiperparâmetros dos modelos via Grid Search para extrair a melhor performance preditiva (MURPHY, 2022; SANTOS et al., 2025).

5. Avaliação (Evaluation)

Antes de implantar, verifica-se se o modelo resolve o problema de negócio.

  • Métricas Técnicas: Avaliar o Recall (Sensibilidade), pois um "Falso Negativo" (falha não prevista) custa R$ 150 mil à empresa (GÉRON, 2019; SANTOS et al., 2025).
  • Alinhamento com o Negócio: Se o modelo prediz falhas com 98% de acurácia, mas apenas com 5 minutos de antecedência, ele falha no objetivo de permitir um reparo planejado. Caso os critérios não sejam atendidos, deve-se retornar à etapa de Entendimento do Negócio para reajustar as premissas (POD ACADEMY, 2023; LET'S DATA, 2021).

6. Implantação (Deployment)

A etapa final coloca o modelo em operação real.

  • Integração: Conectar o modelo de ML diretamente ao fluxo de dados em tempo real da CNC (LET'S DATA, 2021; POD ACADEMY, 2023).
  • Interface: Criar um Dashboard ou sistema de alertas (via e-mail ou SMS) que notifique a equipe de manutenção assim que uma anomalia for detectada (INDUSTRIA 4.0, 2020; ENCOPEL ROLAMENTOS, 2020).
  • Monitoramento: Implementar o acompanhamento do modelo para detectar degradação de performance ao longo do tempo (model drift), garantindo retreinos periódicos com novos dados (GÉRON, 2019; POD ACADEMY, 2023).

Referências

ABNT - ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 14724: informação e documentação: trabalhos acadêmicos: apresentação. 4. ed. Rio de Janeiro: ABNT, 2024.

ABNT - ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 6023: informação e documentação: referências: elaboração. Rio de Janeiro: ABNT, 2018.

BOUSDEKIS, Alexandros; APOSTOLOU, Dimitris; MENTZAS, Gregoris. Predictive maintenance in the 4th industrial revolution: benefits business opportunities and managerial implications. [S. l.]: [s. n.], 2019.

ENCOPEL ROLAMENTOS. Webinar: manutenção preditiva na indústria 4.0. [S. l.]: Youtube, 2020. Disponível em: https://www.youtube.com/watch?v=A8f9D590p8c. Acesso em: 8 jul. 2026.

GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. 2. ed. [S. l.]: O'Reilly Media, 2019.

INDUSTRIA 4.0. Manutenção Preditiva On-Line - Industria 4.0. [S. l.]: Youtube, 2020. Disponível em: https://www.youtube.com/watch?v=Fst5jZ8v7I8. Acesso em: 8 jul. 2026.

LET'S DATA. CRISP-DM: a melhor metodologia para projetos de Data Science. [S. l.]: Youtube, 2021. Disponível em: https://www.youtube.com/watch?v=fV7i6U-0Q7M. Acesso em: 8 jul. 2026.

MURPHY, Kevin P. Probabilistic machine learning: an introduction. [S. l.]: MIT Press, 2022.

POD ACADEMY | DATA & ANALYTICS. Aprenda a metodologia CRISP-DM para tomada de decisão data-driven [Webinar PoD Academy]. [S. l.]: Youtube, 2023. Disponível em: https://www.youtube.com/watch?v=C7QYm0fL2vA. Acesso em: 8 jul. 2026.

RASCHKA, Sebastian. Python machine learning. Birmingham: Packt Publishing, 2015.

SANTOS, Bruno J. et al. Electroencephalogram Signal Acquisition System with Machine Learning for Robotic Prosthesis Control: In Vivo Dataset. Artificial Intelligence and Applications, [S. l.], v. 00, n. 00, p. 1-22, 2025. DOI: 10.47852/bonviewAIA52024252.

Material produzido com auxílio de NotebookLM