Recursos e conteúdos
Casos de uso 10 de setembro de 2026 18 min de leitura

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.

Athenas — Dados para manutenção preditiva: o que precisa existir antes da IA
Neste artigo

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

Exemplo didático

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

A mesma leitura, com e sem identidade do 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.

Fontes que precisam ser relacionadas

Comportamento

  • Telemetria de sensores
  • Estados operacionais
  • Alarmes

Intervenção e resultado

  • Eventos de manutenção
  • Ordens de manutenção
  • Falhas registradas
  • Condições operacionais
  • Contexto do ativo
Cadeia de evidência de um ativo
  1. 01SensorLeituras contínuas da variável monitorada.
  2. 02ComportamentoPadrão observado ao longo do tempo, com referência de normalidade.
  3. 03EventoDesvio, alarme ou mudança de estado registrada.
  4. 04ManutençãoIntervenção realizada, com escopo, data e componentes.
  5. 05ResultadoComportamento posterior: retorno ao padrão, reincidência ou nova falha.
Para isso, dados provenientes de diferentes ambientes OT e IT precisam ser integrados em uma arquitetura coerente.

A importância da qualidade dos dados

Dimensões de qualidade e a verificação correspondente
DimensãoO que verificar
CompletudeExistem períodos sem dados, lacunas de coleta ou ativos sem registro?
ConsistênciaA mesma variável possui estruturas, nomes ou escalas diferentes entre fontes?
ValidadeO valor está dentro de uma faixa fisicamente possível para aquele ativo?
TemporalidadeOs timestamps são confiáveis, com fuso definido e sem atrasos silenciosos?
UnicidadeExistem registros duplicados por reenvio ou por múltiplas coletas da mesma fonte?
PrecisãoO 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

Cadeia completa de uma aplicação preditiva
  1. 01Sensores e CLPsAquisição do sinal na planta.
  2. 02SCADA / HistoriadorSupervisão e registro das séries temporais.
  3. 03ColetaTransporte confiável, com buffer e reenvio após indisponibilidade.
  4. 04QualidadeRegras declaradas, verificação contínua e sinalização de leituras suspeitas.
  5. 05ContextualizaçãoAssociação a ativo, hierarquia, unidade, condição, produto e origem.
  6. 06HistóricoSérie longa e consistente, com retenção adequada à criticidade do ativo.
  7. 07Feature engineeringConstrução das variáveis derivadas que o modelo usa: janelas, taxas, desvios, agregações.
  8. 08ModeloTreinamento e validação com dados representativos das condições reais.
  9. 09InferênciaExecução do modelo sobre dados novos, no mesmo formato do treinamento.
  10. 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

Três blocos da arquitetura
  1. 01OperaçãoSensores, máquinas e sistemas industriais que produzem os dados.
  2. 02Camada de dadosColeta, contextualização, qualidade, organização e distribuição em um modelo comum.
  3. 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

Com e sem base comum

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.

Do dado industrial à aplicação inteligente
  1. 01Dados industriaisFontes de planta e sistemas corporativos existentes.
  2. 02ContextualizaçãoCatálogo, normalização de unidades, hierarquia ISA-95, qualidade e rastreabilidade da origem.
  3. 03Base reutilizávelHistórico e estado atual disponíveis para múltiplos consumidores, com governança de acesso.
  4. 04Athenas AIConsulta sobre essa base contextualizada, cruzando fontes e ativos, com a origem da resposta rastreável.
  5. 05Aplicações inteligentesAnalytics, painéis operacionais e iniciativas de modelagem construídas sobre a mesma base.

Checklist: sua indústria está pronta para aplicar IA aos ativos?

Pré-requisitos de dados para IA aplicada a 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.
EAEquipe AthenasAthenas Data Intelligence
Compartilhar

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.