Análise de coeficiente de correlação entre componentes automotivos para previsão de manutenção.

Abstract

Nos dias de hoje é fundamental de implementar um sistema de manutenção preventiva em veículos pesados, especialmente considerando a complexidade e o custo elevado de reparos nesses equipamentos. Por meio de uma análise de dados operacionais e do diagnóstico de falhas, foi possível identificar padrões que indicam a necessidade de intervenção antes que problemas graves ocorram. Durante uma experiência prática realizada em uma oficina especializada, observou-se que muitas falhas frequentes em componentes críticos, como motores e câmbios, poderiam ser significativamente minimizadas com a adoção de técnicas de manutenção preditiva. Desse modo o presente estudo propõe a utilização de sensores de vibração e outros sensores de monitoramento veicular, em tempo real, para avaliar quais são os principais sensores que podem prever falhas antes que elas aconteçam. O estudo foi estruturado em etapas que incluíram levantamento bibliográfico, aquisição de dados e análise da correlação entre os sensores, comparando duas técnicas: O coeficiente de correlação de Pearson e o Rank de Spearman. Além das técnicas também foi abordado a estabilidade da correlação entre os sensores avaliando o desvio padrão dos resultados. Essa abordagem reforça a importância de uma gestão eficiente e preventiva, promovendo melhorias contínuas na operação e manutenção de frota.

Nowadays, it is essential to implement a preventive maintenance system in heavy vehicles, especially considering the complexity and high cost of repairs to this equipment. Through an analysis of operational data and fault diagnosis, it was possible to identify patterns that indicate the need for intervention before serious problems occur. During a practical experience carried out in a specialized workshop, it was observed that many frequent failures in critical components, such as engines and gearboxes, could be significantly minimized with the adoption of predictive maintenance techniques. Thus, this study proposes the use of vibration sensors and other vehicle monitoring sensors, in real time, to evaluate which are the main sensors that can predict failures before they occur. The study was structured in stages that included a bibliographic survey, data acquisition and analysis of the correlation between the sensors, comparing two techniques: Pearson's correlation coefficient and Spearman's Rank. In addition to the techniques, the stability of the correlation between the sensors was also addressed by evaluating the standard deviation of the results. This approach reinforces the importance of efficient and preventive management, promoting continuous improvements in fleet operation and maintenance.