IA e IOT aplicado em manutenção preditiva e segurança de dados na indústria 4.0

Abstract

Este trabalho apresenta o desenvolvimento e análise de um sistema para manutenção preditiva que integra Inteligência Artificial (IA) e Internet das Coisas (IoT) em um cenário industrial. A proposta busca compreender de que forma essas tecnologias podem contribuir para o monitoramento de ativos, identificação antecipada de falhas e automação de processos de manutenção. A metodologia adotada contempla a revisão conceitual das tecnologias envolvidas e a construção de um protótipo funcional utilizando a plataforma ERPNext. Os dados coletados por sensores são processados por um sistema especialista, que avalia o funcionamento dos equipamentos e sugere ações corretivas quando necessário. Foram simulados três cenários distintos para validar o desempenho da solução, evidenciando sua eficácia na detecção de anomalias operacionais e na geração automatizada de ordens de serviço. Os resultados reforçam o potencial do sistema como ferramenta de apoio à gestão da manutenção e ao planejamento estratégico. O estudo também ressalta a importância da padronização de dados e da adoção de práticas de segurança da informação. A conclusão aponta que a combinação entre IA e IoT oferece resultados promissores para a modernização da indústria, otimizando recursos e prevenindo falhas. Pesquisas futuras podem aprimorar o modelo com algoritmos de aprendizado contínuo, ampliando sua precisão e capacidade de adaptação.

This research presents the development and evaluation of a predictive maintenance system that integrates Artificial Intelligence (AI) and the Internet of Things (IoT) within an industrial context. The goal is to investigate how these technologies can contribute to asset monitoring, early detection of failures, and automation of maintenance procedures. The approach includes a theoretical review of AI, IoT, and predictive maintenance, along with the creation of a prototype based on the ERPNext platform. Sensor readings are analyzed in real-time by an expert system that diagnoses equipment conditions and triggers necessary interventions. Three different simulation scenarios were applied to validate the solution’s performance, confirming its ability to detect anomalies and generate automated service orders. The findings emphasize the importance of standardized data and information security to ensure operational reliability. Results indicate that combining AI and IoT can significantly enhance maintenance efficiency and support decision-making and strategic planning. With well-established rules and infrastructure, the prototype proved capable of minimizing risks and optimizing resource use. Future studies may explore the inclusion of continuous learning models to further increase system adaptability and predictive accuracy.