IA na manutenção industrial avança, mas escala depende de dados, governança e conhecimento técnico

Especialistas expõem aplicações da tecnologia, resultados em empresas do setor e desafios na manutenção industrial 

A inteligência artificial deixou de ser apenas uma tendência tecnológica e passou a integrar a rotina de empresas da indústria de base, mas transformar experimentos em soluções escaláveis exige mais do que escolher uma ferramenta. Qualidade dos dados, governança, conhecimento técnico, participação das equipes de operação e capacidade de validar as recomendações dos algoritmos foram apontados como fatores determinantes para que a tecnologia gere valor na manutenção industrial. O tema foi discutido na mesa-redonda “Inteligência artificial aplicada à tomada de decisão na gestão da manutenção industrial”, realizada durante a 10ª edição da ABM Week, em São Paulo.

O encontro da Comissão Técnica de Manutenção e Engenharia de Projetos teve moderação de Fabio Missiato, Managing Director da Alvarez & Marsal, e reuniu Hernane do Bom Sucesso Xavier Moreira, analista de Tecnologia da FIEMG; Eliezer Furtado de Oliveira, gerente Sênior de Engenharia de Manutenção da Usiminas; Paulo Augusto Vieira Loss, gerente de Engenharia da ArcelorMittal; e Thiago Norio Nakata, gerente Técnico da Gerdau.

O debate partiu de uma questão que já ultrapassa a adoção inicial da tecnologia: como fazer com que modelos de IA sejam confiáveis o suficiente para apoiar decisões em ambientes industriais críticos? Os participantes apresentaram aplicações relacionadas à manutenção preditiva, detecção de anomalias, segurança, análise de falhas e assistência aos profissionais de campo, além de discutirem os requisitos para ampliar essas soluções dentro das empresas.

Para Missiato, a diferença entre uma companhia que apenas testa ferramentas de IA e outra que consegue incorporá-las à estratégia está, principalmente, no patrocínio da alta liderança e na definição clara de objetivos. Segundo ele, uma estratégia para inteligência artificial não pode ficar restrita à média gestão, pois precisa ser orientada pelo comitê executivo e respaldada pelos acionistas.

A partir desse direcionamento, a tecnologia deixa de ser utilizada de maneira pontual e passa a fazer parte de uma transformação mais ampla do negócio. “Isso precisa vir como uma orientação muito clara dos comitês executivos e, obviamente, muito respaldada pelos próprios acionistas”, afirmou.

Dados são a base para transformar informação em decisão

Antes de chegar aos algoritmos, entretanto, existe uma etapa fundamental: estruturar os dados que alimentarão os modelos. Hernane do Bom Sucesso Xavier Moreira, da FIEMG, destacou durante o painel que a transformação começa pela digitalização e pela conectividade dos processos.

A lógica apresentada passa pela capacidade de coletar e armazenar dados, transformá-los em informação e, posteriormente, gerar conhecimento que possa apoiar decisões mais autônomas. Para isso, a indústria precisa construir bases de dados robustas, contextualizadas e confiáveis.

Um dos projetos apresentados pelo especialista envolve aplicações em metalmecânica e engenharia de superfície, com utilização de IA em inspeções, ensaios de qualidade e avaliação da integridade de estruturas. Nesse tipo de aplicação, a qualidade da base de dados é essencial para que os modelos consigam produzir resultados consistentes.

Outro projeto apresentado trabalha com modelos de predição e classificação voltados ao controle de processos de manufatura aditiva por deposição direcionada de energia. A solução permite identificar a localização do cordão de soldagem, com índice de acerto de 94% no caso apresentado.

Os exemplos reforçaram uma das premissas discutidas na mesa: a IA pode correlacionar grandes volumes de informação, mas o resultado depende da qualidade e do contexto dos dados utilizados. Por isso, a recomendação apresentada à indústria foi de que a implementação seja progressiva, com testes, validações e estruturação dos processos antes da ampliação das soluções.

Usiminas leva IA para manutenção e operação

Na Usiminas, a inteligência artificial já é utilizada em diferentes frentes e deixou de ser tratada apenas como uma tendência. Eliezer Furtado de Oliveira explicou que a empresa passou por um processo de organização da jornada de IA, com definição de governança e etapas para que as iniciativas pudessem efetivamente gerar retorno.

Entre as plataformas utilizadas estão o MES.IA, voltado à estrutura corporativa; o UMSAI, para indicadores e dados; e o UAISO, direcionado ao chão de fábrica e à otimização de processos siderúrgicos. A companhia também trabalha com ferramentas externas e com novas aplicações baseadas em agentes de IA.

Entre os casos apresentados estão sistemas para detectar tendências de queda de grelhas, monitoramento de setores e acompanhamento da espessura de rodas. Também foram citadas iniciativas relacionadas à mobilidade da manutenção e à identificação de equipamentos em estado crítico a partir da correlação de diferentes resultados.

Outra frente em desenvolvimento é a utilização de IA na análise de falhas. Nesse caso, a tecnologia pode ajudar a identificar relações entre condições de operação e ocorrências, mas a análise final continua sob responsabilidade do engenheiro.

A experiência apresentada pela Usiminas reforçou que a definição de uma governança foi importante para transformar iniciativas isoladas em uma estratégia estruturada. Segundo Oliveira, enquanto a empresa ainda não havia estabelecido etapas e critérios claros, algumas ações não produziam os resultados esperados. Com uma estrutura mais definida, o processo passou a apresentar maior retorno.

Segurança e confiabilidade entram no avanço da ArcelorMittal

Na ArcelorMittal, a inteligência artificial vem sendo aplicada tanto para ampliar a segurança quanto para apoiar a confiabilidade dos ativos. Paulo Augusto Vieira Loss apresentou iniciativas voltadas à identificação de pessoas e situações de risco, além de aplicações relacionadas ao monitoramento de estruturas e processos industriais.

Entre os exemplos está o IRedZone, utilizado para identificação de pessoas e geração de alertas em áreas como fornos e operações com empilhadeiras. Também foram citadas aplicações de vigilância em linhas férreas e monitoramento da altura de pilhas.

Na área de confiabilidade, a empresa mantém equipes dedicadas à manutenção preditiva, utilizando ferramentas de análise avançada e machine learning para identificar anomalias. A tecnologia também é utilizada em projetos com drones para monitoramento do perímetro das usinas.

Para Loss, a utilização da IA precisa estar associada à ampliação das capacidades das pessoas e à existência de mecanismos de proteção e controle. A tecnologia, nesse contexto, é tratada como investimento de longo prazo, e não como uma tendência passageira.

Escalar exige confiança na tecnologia e nas pessoas

A discussão convergiu para um ponto comum: a escalabilidade da IA na manutenção industrial depende da combinação entre tecnologia, dados e conhecimento humano. Mesmo com modelos capazes de identificar padrões e fazer recomendações, a validação por profissionais que conhecem os processos continua sendo necessária, especialmente em operações nas quais uma decisão equivocada pode afetar segurança, produção ou confiabilidade dos ativos.

Para Missiato, a estruturação dos dados e a capacitação das pessoas são dois pilares fundamentais dessa evolução, acompanhados por uma governança capaz de estabelecer limites claros para o uso da tecnologia. A recomendação é que a escalabilidade seja considerada desde o desenho dos projetos, e não apenas depois que um piloto apresentar resultados.

O debate também reforçou que a IA não elimina a necessidade de conhecimento especializado. Ao contrário, quanto maior a utilização de sistemas inteligentes em ambientes industriais, maior é a importância de profissionais capazes de compreender os processos, questionar os resultados apresentados pelos modelos e validar se uma recomendação faz sentido diante das condições reais da operação.

Fonte: Assessoria ABM