Manutenção Preditiva e Indústria 4.0. Que contribuição para o SGQ?
Manutenção Preditiva e Indústria 4.0. Que contribuição para o SGQ?
A manutenção preditiva é uma abordagem que visa otimizar a eficiência e a fiabilidade dos sistemas industriais através da previsão e prevenção de falhas. Ao utilizar dados em tempo real e análise avançada para prever quando uma falha pode ocorrer, a manutenção preditiva difere da manutenção reativa ou corretiva, que responde a falhas após sua ocorrência, e da manutenção preventiva, baseada em intervalos de tempo, previamente fixados. Esta abordagem emprega tecnologias da Indústria 4.0, tais como sensores IoT (Internet of Things), Machine Learning e análise de Big Data para monitorizar continuamente o desempenho e a condição dos equipamentos.
Este estudo pretende identificar as vantagens e os desafios inerentes à manutenção preditiva e a sua relação com o Sistema de Gestão da Qualidade, através de revisão bibliográfica sobre o tema e a construção de um modelo que traduz a relação: Manutenção Preditiva, Indústria 4.0 e SGQ. Por último será apresentada a ferramenta da K-Factory que irá ser usada como estudo de caso, ainda em curso.
Identificámos que a implementação da manutenção preditiva contempla inúmeros benefícios para a indústria; aumentando a fiabilidade dos sistemas, melhorando a segurança operacional, reduzindo o tempo de inatividade e os custos operacionais. Para além disso, contribui para uma gestão mais eficiente dos recursos e uma maior sustentabilidade ambiental, ao minimizar o desperdício de materiais e energia.
No entanto, a adoção da manutenção preditiva também apresenta desafios, como o alto investimento inicial em tecnologia e formação, a necessidade de integração com sistemas existentes e a gestão eficiente de grandes volumes de dados. Apesar desses desafios, a manutenção preditiva representa um avanço significativo na gestão industrial, oferecendo uma abordagem proativa que pode transformar a eficiência e a eficácia das operações industriais.
Indústria 4.0, Manutenção Preditiva, Qualidade, SGQ, Otimização.
Ana Rolo has received a PhD from University of Évora – Portugal in 2015. She is Coordinator Professor at IPS – Polytechnic University of Setúbal. Her research interests are in the areas of Project Management, Production Management, E-Business, Innovation and Entrepreneurship. Integrates the IPStartUp incubator as a tutor. She is the author of a book chapter and publications in national and international journals and and collaborator on various projects.
Rui Alves is a specialist in Management and invited Professor at IPS – Polytechnic University of Setúbal. His research interests are in the areas of E-Business, Innovation Management and Entrepreneurship. Integrates the IPStartUp incubator as a tutor and mentor in the areas of IT and Business Models. He is the author of a book chapter and publications in national and international journals.
Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. P., Basto, J. P., & Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024.
Cen, L., Chen, L., Liu, Y., & Wang, Z. (2020). Data-driven predictive maintenance planning framework for smart manufacturing systems. Journal of Manufacturing Systems, 56, 305-315.
Kamble, S. S., Gunasekaran, A., & Gawankar, S. A. (2018). Sustainable Industry 4.0 framework: A systematic literature review identifying the current trends and future perspectives. Process Safety and Environmental Protection, 117, 408-425.
Lee, J., Davari, H., Singh, J., & Pandhare, V. (2018). Industrial Artificial Intelligence for Industry 4.0-based manufacturing systems. Manufacturing Letters, 18, 20-23.
Lee, J., Kao, H. A., & Yang, S. (2014). Service innovation and smart analytics for industry 4.0 and big data environment. Procedia CIRP, 16, 3-8.
Mourtzis, D., Vlachou, E., & Milas, N. (2018). Industrial big data as a result of IoT adoption in manufacturing. Procedia CIRP, 55, 290-295.
Qin, J., Liu, Y., & Grosvenor, R. (2016). A categorical framework of manufacturing for industry 4.0 and beyond. Procedia CIRP, 52, 173-178.
Zhou, K., Liu, T., & Zhou, L. (2020). Industry 4.0: Towards future industrial opportunities and challenges. Procedia Manufacturing, 11, 2338-2343.
