Dados para manutenção preditiva: o que precisa existir antes da IA
Antes de prever uma falha, é preciso conseguir explicar o comportamento do ativo que pode apresentá-la.

Neste artigo
- 01A promessa da manutenção preditiva
- 02O erro de começar pelo modelo
- 03O dado precisa conhecer o ativo
- 04O histórico de manutenção também precisa entrar na equação
- 05A importância da qualidade dos dados
- 06Contexto operacional evita interpretações erradas
- 07Da telemetria ao modelo
- 08E se a IA generativa entrar na operação?
- 09Uma arquitetura de dados preparada para IA
- 10O que muda quando os dados são reutilizáveis
- 11O papel do Athenas
- 12Checklist: sua indústria está pronta para aplicar IA aos ativos?
- 13A manutenção preditiva começa muito antes do algoritmo
Projetos de manutenção preditiva raramente falham por falta de algoritmos. Falham porque a base de dados disponível não sustenta o tipo de pergunta que o modelo precisa responder. Antes de prever uma falha, é necessário conseguir descrever o comportamento normal do ativo, o que aconteceu ao seu redor e em quais condições cada leitura foi produzida.
A promessa da manutenção preditiva
Manutenção preditiva é a prática de antecipar a degradação ou a falha de um ativo a partir do seu comportamento observado, em vez de agir apenas por calendário (preventiva) ou após a quebra (corretiva). O objetivo é identificar mudança de padrão com antecedência suficiente para planejar a intervenção.
As fontes de informação normalmente já existem na planta, distribuídas entre sistemas diferentes:
- Vibração
- Temperatura
- Pressão
- Corrente
- Velocidade
- Consumo energético
- Alarmes
- Estados operacionais
- Eventos de manutenção
- Histórico de falhas
O erro de começar pelo modelo
Milhões de registros e uma pergunta mal formulada
Uma empresa hipotética possui milhões de registros de sensores acumulados em um historiador. A partir desse volume, surge a ideia: “vamos usar IA para prever falhas”.
Antes de treinar qualquer modelo, é útil verificar se a base responde às perguntas abaixo:
- Associação
- O sensor está associado a qual ativo?
- Estado
- O ativo estava operando?
- Condição
- Em qual condição operacional?
- Produto
- Qual produto estava sendo processado?
- Intervenção
- O equipamento estava em manutenção?
- Confiabilidade
- O valor é confiável?
- Histórico
- Quando ocorreu a última manutenção?
- Falha
- Qual foi a falha registrada?
- Precursor
- Qual variável mudou antes dela?
Sem essas respostas, o modelo pode aprender padrões incompletos ou equivocados: tratar uma parada programada como anomalia, aprender o comportamento de dois ativos diferentes como se fosse um só, ou associar degradação a uma mudança de produto. Cenário hipotético, para fins didáticos.
O dado precisa conhecer o ativo
Dado isolado
Temperatura = 96 °C
Dado contextualizado
- Temperatura
- 96 °C
- Ativo
- Compressor 04
- Planta
- Planta A
- Área
- Área de Compressão
- Linha
- Linha 02
- Produto
- Produto X
- Condição
- Operação normal
- Timestamp
- 14:32
- Qualidade
- válida
O segundo conjunto é mais útil para análise porque permite comparação legítima: com o histórico do mesmo ativo, com ativos equivalentes de outra linha, com o comportamento sob o mesmo produto e sob a mesma condição operacional. Sem identidade estável do ativo, séries temporais de equipamentos distintos podem se misturar e produzir um padrão que não existe na planta.
Antes de aplicar modelos aos dados, é necessário construir uma visão consistente dos ativos e da operação.O histórico de manutenção também precisa entrar na equação
Telemetria descreve o comportamento; manutenção descreve as intervenções e as consequências. Um modelo que só enxerga sensores não sabe distinguir uma degradação real de um efeito posterior a uma troca de componente.
Comportamento
- Telemetria de sensores
- Estados operacionais
- Alarmes
Intervenção e resultado
- Eventos de manutenção
- Ordens de manutenção
- Falhas registradas
- Condições operacionais
- Contexto do ativo
- 01SensorLeituras contínuas da variável monitorada.
- 02ComportamentoPadrão observado ao longo do tempo, com referência de normalidade.
- 03EventoDesvio, alarme ou mudança de estado registrada.
- 04ManutençãoIntervenção realizada, com escopo, data e componentes.
- 05ResultadoComportamento posterior: retorno ao padrão, reincidência ou nova falha.
A importância da qualidade dos dados
| Dimensão | O que verificar |
|---|---|
| Completude | Existem períodos sem dados, lacunas de coleta ou ativos sem registro? |
| Consistência | A mesma variável possui estruturas, nomes ou escalas diferentes entre fontes? |
| Validade | O valor está dentro de uma faixa fisicamente possível para aquele ativo? |
| Temporalidade | Os timestamps são confiáveis, com fuso definido e sem atrasos silenciosos? |
| Unicidade | Existem registros duplicados por reenvio ou por múltiplas coletas da mesma fonte? |
| Precisão | O dado representa adequadamente a realidade operacional que se pretende medir? |
Contexto operacional evita interpretações erradas
Considere um motor que apresenta aumento de temperatura. Esse aumento pode significar:
- Degradação de componente
- Aumento de carga
- Mudança de produto
- Alteração de velocidade
- Condição ambiental diferente
- Operação fora do padrão
- Execução de um processo diferente
Sem contexto, essas situações podem parecer idênticas na série temporal: em todas elas a temperatura sobe. Com contexto — produto, carga, setpoint, condição ambiental, regime de operação — torna-se possível separar comportamento esperado de comportamento anômalo. Essa separação é justamente o que um modelo de detecção precisa aprender.
Da telemetria ao modelo
- 01Sensores e CLPsAquisição do sinal na planta.
- 02SCADA / HistoriadorSupervisão e registro das séries temporais.
- 03ColetaTransporte confiável, com buffer e reenvio após indisponibilidade.
- 04QualidadeRegras declaradas, verificação contínua e sinalização de leituras suspeitas.
- 05ContextualizaçãoAssociação a ativo, hierarquia, unidade, condição, produto e origem.
- 06HistóricoSérie longa e consistente, com retenção adequada à criticidade do ativo.
- 07Feature engineeringConstrução das variáveis derivadas que o modelo usa: janelas, taxas, desvios, agregações.
- 08ModeloTreinamento e validação com dados representativos das condições reais.
- 09InferênciaExecução do modelo sobre dados novos, no mesmo formato do treinamento.
- 10Alerta e decisãoNotificação com contexto suficiente para que a manutenção decida a ação.
E se a IA generativa entrar na operação?
Modelos de linguagem ampliam a forma de interagir com os dados industriais, mas não substituem a base. As aplicações mais diretas são de consulta e apoio à análise:
- Consulta em linguagem natural sobre o estado e o histórico da operação
- Investigação assistida de um desvio, sugerindo o que verificar
- Explicação de eventos com base nos registros disponíveis
- Consulta a históricos sem depender de exportações manuais
- Apoio à análise, organizando evidências dispersas
- Geração de resumos operacionais por período, linha ou ativo
“Quais equipamentos apresentaram comportamento fora do padrão nas últimas 24 horas?”
Uma resposta confiável a essa pergunta não depende do modelo de linguagem, mas do que existe por baixo dele: identificação dos ativos, histórico disponível, timestamps confiáveis, qualidade declarada, contexto operacional, regras que definem o que é padrão e controle de acesso às informações corretas. Sem isso, a resposta pode ser fluente e ainda assim errada.
Uma arquitetura de dados preparada para IA
- 01OperaçãoSensores, máquinas e sistemas industriais que produzem os dados.
- 02Camada de dadosColeta, contextualização, qualidade, organização e distribuição em um modelo comum.
- 03AplicaçõesAnalytics, BI, manutenção, IA/ML e IA generativa consumindo a mesma base.
O ponto central é a reutilização: a mesma base contextualizada atende necessidades diferentes. O indicador que alimenta um painel de operação e a variável que alimenta um modelo de detecção podem vir da mesma origem, com o mesmo significado e a mesma rastreabilidade.
O que muda quando os dados são reutilizáveis
Sem uma base comum
- Cada projeto reconstrói integrações
- Cada projeto refaz limpeza
- Cada projeto redefine contexto
- Cada projeto identifica ativos à sua maneira
- Cada projeto monta seu próprio histórico
Com uma base contextualizada
- Projetos reutilizam dados
- Projetos reutilizam modelos de informação
- Projetos reutilizam contexto
- Projetos reutilizam a hierarquia de ativos
- Projetos reutilizam eventos e histórico
Não se trata de prometer redução de esforço em percentuais. Trata-se de onde o esforço é aplicado: em construir e manter uma base comum, ou em repetir a mesma preparação em cada iniciativa.
O papel do Athenas
O Athenas Data Intelligence estrutura a camada que antecede e sustenta essas aplicações: uma base de dados industriais contextualizados, organizada para ser consumida por analytics, aplicações operacionais e iniciativas de inteligência artificial.
- 01Dados industriaisFontes de planta e sistemas corporativos existentes.
- 02ContextualizaçãoCatálogo, normalização de unidades, hierarquia ISA-95, qualidade e rastreabilidade da origem.
- 03Base reutilizávelHistórico e estado atual disponíveis para múltiplos consumidores, com governança de acesso.
- 04Athenas AIConsulta sobre essa base contextualizada, cruzando fontes e ativos, com a origem da resposta rastreável.
- 05Aplicações inteligentesAnalytics, painéis operacionais e iniciativas de modelagem construídas sobre a mesma base.
Checklist: sua indústria está pronta para aplicar IA aos ativos?
- Ativos possuem identificação consistente
- Dados históricos estão disponíveis
- Eventos de manutenção estão registrados
- Timestamps são confiáveis
- Qualidade é monitorada
- Variáveis possuem contexto
- Existe hierarquia dos ativos
- Fontes diferentes podem ser relacionadas
- Histórico de falhas pode ser associado aos ativos
- Dados podem ser consumidos por aplicações diferentes
- Existe governança de acesso
- Existe observabilidade da cadeia de dados
Quanto mais itens estiverem ausentes, mais o desafio está na engenharia de dados e menos no modelo de IA.
A manutenção preditiva começa muito antes do algoritmo
A discussão sobre IA industrial costuma começar pelo modelo. Na prática, o modelo depende de uma cadeia muito maior.
É necessário saber de onde o dado veio, a qual ativo pertence, em que condição foi produzido, se é confiável, quais eventos aconteceram ao seu redor e como essas informações se relacionam.
Por isso, uma arquitetura de dados contextualizados não é apenas infraestrutura para analytics. Ela é parte da própria capacidade de construir aplicações de IA confiáveis na indústria.
Leia também: Dados contextualizados na prática: como transformar números em informação útil.Veja como o Athenas organiza os dados da sua operação
Uma demonstração de aproximadamente 40 minutos mostrando a conexão das fontes, o catálogo, o UNS ISA-95 e a distribuição dos dados em tempo real.
Continue lendo

