Manutenção preditiva na indústria: reparar antes de avariar

As máquinas costumam avisar antes de avariar. Um rolamento começa a vibrar de outra forma, um motor passa a puxar um pouco mais de corrente, um redutor aquece mais uns graus. Muitas fábricas só dão por isso quando a linha para.

Numa fábrica grande, isso soma cerca de 27 horas por mês (Siemens, 2024). A manutenção preditiva é a disciplina de ouvir mais cedo: ler o desvio nos dados das máquinas e resolver o problema numa paragem planeada, antes de ele se tornar uma paragem não planeada. Este artigo aprofunda o que mostrámos no episódio 1 do AI Xplained: o que é a manutenção preditiva, o que dizem os estudos, onde está a indústria europeia, e como começar com uma máquina e 90 dias.

Quanto custa, de facto, uma paragem não planeada

O estudo de 2024 da Siemens estima que as paragens não planeadas custam às 500 maiores empresas do mundo 11% da receita, quase 1,4 biliões de dólares por ano. Uma fábrica grande perde em média 27 horas por mês, contra 39 em 2019, e uma hora de linha parada numa grande fábrica automóvel custa hoje 2,3 milhões de dólares (Siemens, 2024).

A maioria das empresas industriais europeias não é um gigante automóvel. Na UE, uma empresa da indústria transformadora tem, em média, cerca de 14 pessoas (Eurostat, 2023). A lógica vale para qualquer dimensão, porque o custo de uma hora parada nunca é só o das peças que ficaram por fazer. Inclui operadores à espera, horas extra para recuperar, encomendas urgentes de peças, refugo ao reiniciar o processo e, muitas vezes, uma entrega atrasada.

Uma fórmula simples põe um número nisto:

Horas de paragem não planeada por mês × custo de uma hora parada × 12 = custo anual

Como exemplo, uma fábrica com 12 horas de paragens não planeadas por mês e uma hora parada que custa 800 € perde 115 200 € por ano. Os valores são um exemplo, não uma referência do setor. O que importa é a fórmula: a maioria das fábricas nunca fez esta conta.

Três formas de fazer manutenção

Corretiva (ou reativa). Repara-se depois de avariar. Não exige planeamento, e é por isso que continua a existir, mas cada avaria chega no pior momento, com peças à pressa e horas extra.

Preventiva. Repara-se por calendário ou por contador: a cada 500 horas, a cada trimestre, a cada 10 000 ciclos. Transforma muitas surpresas em paragens planeadas, mas parte do princípio de que as peças se desgastam com a idade. Muitas avarias não seguem a idade, por isso o calendário tanto substitui peças em bom estado como deixa escapar falhas que surgem entre intervenções.

Preditiva. Repara-se quando os dados o indicam. São os sinais da própria máquina que decidem quando é preciso intervir. Segundo o Departamento de Energia dos EUA, um programa preditivo bem implementado poupa entre 8% e 12% face a um programa só preventivo (US DOE, 2010).

As três não são exclusivas. A maioria das fábricas vai manter a manutenção corretiva para equipamento barato e pouco crítico, e a preventiva onde o desgaste depende de facto da idade. A preditiva justifica-se nas máquinas cujas paragens custam mais.

Como funciona

A maioria das linhas de produção já regista mais do que se pensa: temperatura, vibração, corrente e consumo, pressão, contagem de ciclos e alarmes, guardados em autómatos (PLC), sistemas SCADA ou controladores das máquinas. Nove em cada dez grandes fabricantes (87%) já recolhem dados que tornam a manutenção preditiva possível (Siemens, 2024).

Um modelo preditivo usa esse histórico para aprender o que é normal em cada máquina e em cada condição de funcionamento. O mesmo motor comporta-se de forma diferente em carga máxima e em vazio, com um produto ou com outro, por isso a referência tem de ser específica. Com essa referência definida, o modelo vigia o desvio: uma mudança lenta em relação ao normal que ainda não faz disparar nenhum alarme.

Os engenheiros de fiabilidade chamam a esta janela intervalo P-F: o tempo entre o momento em que uma falha em desenvolvimento se torna detetável (P) e o momento em que a máquina avaria (F). Os alarmes por limite costumam disparar perto de F. A manutenção preditiva procura detetar perto de P, quando ainda há tempo para encomendar a peça, marcar a paragem e fazer a reparação como deve ser.

O último passo é humano. O modelo assinala o desvio, um técnico confirma e uma pessoa aprova a ordem de trabalho. A manutenção preditiva não substitui a equipa de manutenção; dá-lhe tempo. Escrevemos sobre como desenhar estas aprovações sem travar a operação em Humano no circuito.

O que dizem os estudos

Os números principais são consistentes entre estudos, com uma ressalva: são médias de empresas que já fazem manutenção preditiva, não o que um primeiro piloto consegue.

• Paragens e vida útil. A manutenção preditiva reduz tipicamente as paragens das máquinas entre 30% e 50% e aumenta a vida útil entre 20% e 40% (McKinsey, 2017).
• Utilizadores europeus. Num inquérito a 268 empresas da Bélgica, Alemanha e Países Baixos, as empresas que estão a implementar ou a testar manutenção preditiva avançada reportaram, em média, mais 9% de disponibilidade, menos 12% de custos, menos 14% de riscos de segurança, saúde, ambiente e qualidade, e mais 20% de vida útil nos equipamentos mais antigos (PwC e Mainnovation, 2018).
• Adoção. Quase metade das empresas inquiridas pela Siemens já tem equipas de manutenção preditiva, o dobro de 2019, e as horas perdidas por fábrica desceram no mesmo período (Siemens, 2024).

O mesmo inquérito europeu mostra a distância a que a maioria das empresas ainda está desse nível. Só 11% tinham chegado à manutenção preditiva avançada. A maioria fazia inspeções visuais (25%) ou inspeções com instrumentos (42%), e 20% tinham monitorização em tempo real sem a camada preditiva (PwC e Mainnovation, 2018).

Onde está a indústria europeia

A adoção de IA na Europa ainda é baixa. Em 2025, 20% das empresas da UE com 10 ou mais pessoas ao serviço usavam IA, com grandes diferenças entre países: 42% na Dinamarca e 5% na Roménia (Eurostat, 2025). A dimensão também conta: usavam IA 17% das pequenas empresas, 30% das médias e 55% das grandes.

A forma de usar a IA também depende da dimensão. Entre as empresas europeias que já usam IA, um terço das grandes (33,5%) aplica-a aos processos de produção, contra 19% das pequenas (Eurostat, 2025). No chão de fábrica, as pequenas empresas são as que estão mais atrás, e a maioria da indústria europeia é ainda mais pequena: quase 85% das empresas da indústria transformadora da UE têm menos de 10 pessoas (Eurostat, 2023).

As razões dizem muito. Entre as empresas europeias que consideraram usar IA mas não avançaram, 71% apontam a falta de conhecimentos especializados, 53% a falta de clareza sobre as consequências legais e 49% preocupações com a proteção de dados e a privacidade (Eurostat, 2025). No inquérito europeu sobre manutenção, 63% das empresas sem planos para avançar disseram que não conseguiam construir um caso de negócio sólido ou que não era relevante para o seu negócio, e 23% que não tinham dados suficientes (PwC e Mainnovation, 2018).

Conhecimento, caso de negócio e dados. Os três podem ser testados numa só máquina, antes de se avançar para um programa em toda a fábrica.

O que é preciso: três coisas

Dados da máquina. Temperatura, vibração e consumo são o ponto de partida habitual, e a maioria das linhas já regista pelo menos um deles. Quando uma máquina crítica não tem sensores, normalmente é possível instalar sensores de vibração e temperatura sem redesenhar a linha. Os dados não precisam de estar perfeitos para começar, como explicámos em Os teus dados não precisam de estar perfeitos.

Histórico de manutenção. Avarias e reparações passadas, mesmo as que estão em papel ou numa folha de cálculo. É o histórico que permite ao modelo ligar um padrão no sinal a uma avaria real, e à equipa perceber se um alerta faz sentido.

Alguém que atua. Um alerta sem dono é ruído. Cada alerta precisa de uma pessoa que o confirme e decida, e de um caminho até ao sistema de ordens de trabalho que a equipa já usa. Um modelo que alerta demasiadas vezes passa a ser ignorado, por isso os limites afinam-se com a equipa de manutenção, e não à revelia dela.

A parte legal é mais simples do que parece

Mais de metade das empresas europeias que pensaram em usar IA e não avançaram aponta a falta de clareza sobre as consequências legais (Eurostat, 2025). Na manutenção preditiva contam duas regras europeias, e ambas ajudam mais do que parece.

Regulamento dos Dados (Data Act). Desde 12 de setembro de 2025, quem usa produtos conectados, incluindo máquinas industriais, tem direito a aceder aos dados que o seu equipamento gera, sem custos e, quando tecnicamente possível, de forma contínua e em tempo real. Pode também pedir a quem detém esses dados que os partilhe com um terceiro à sua escolha. Os produtos conectados colocados no mercado europeu depois de 12 de setembro de 2026 têm de ser concebidos para permitir esse acesso (Regulamento (UE) 2023/2854). Na prática, fica muito mais difícil manter os dados que uma máquina produz sobre si própria fechados num contrato de assistência do fornecedor.

Regulamento da IA (AI Act). A manutenção preditiva não está na lista de utilizações de risco elevado. Passaria a sê-lo se o sistema de IA fosse um componente de segurança de um produto que exige avaliação por terceiros ao abrigo da legislação europeia de produtos, como algumas máquinas, ou um componente de segurança na gestão de infraestruturas críticas, como o abastecimento de eletricidade, gás ou água (Regulamento (UE) 2024/1689). Um modelo que recomenda quando fazer a manutenção de um motor, com uma pessoa a aprovar a ordem de trabalho, fica bem fora dessa categoria. Casos concretos devem ser confirmados com assessoria jurídica. O nosso artigo AI Act: o que precisa de saber quem gere operações cobre o resto.

Como começar: uma máquina, 90 dias

Dia 0. Escolher a máquina. A que custa mais por hora quando para, normalmente o gargalo da linha. Uma máquina chega para provar o caso. Explicámos como escolher em Como escolher o primeiro processo para pôr a IA a trabalhar.

Dias 1 a 30. Ligar o que já existe. Sensores, registos dos autómatos e o histórico de manutenção que a equipa já mantém. Preencher só as falhas que importam.

Dias 31 a 60. Aprender o normal. O modelo constrói a referência para cada condição de funcionamento. Os alertas vão para a equipa de manutenção rever, e a equipa ajuda a decidir o que conta como desvio real.

Dias 61 a 90. Agir e medir. A equipa atua nos alertas que importam. Comparam-se as paragens não planeadas, as horas perdidas e o seu custo com o mesmo período anterior.

De volta ao exemplo: uma fábrica que perde 115 200 € por ano em paragens não planeadas e as reduz em 30%, o limite inferior do intervalo da McKinsey, poupa 34 560 € por ano. Um piloto de 90 dias numa máquina não chega lá ao dia 90, nem precisa. O que tem de fazer é provar, com os números da própria fábrica, que o desvio era visível antes da avaria. Definir essa medida antes de o projeto começar é o tema de Como medir o retorno de um projeto de IA antes de começar.

Reparar antes de avariar, não depois

A manutenção preditiva não é uma ideia nova. O que mudou foi o custo de a pôr em prática: os dados já estão na maioria das fábricas, os modelos estão maduros e a lei europeia dá hoje às empresas o direito aos dados que as suas máquinas produzem. A maior diferença que falta fechar é o conhecimento, e essa é a mais fácil, uma máquina de cada vez.