IA Generativa e Manutenção Preditiva

Neste artigo entra-se em detalhe sobre a IA Generativa e Manutenção Preditiva. Descreve-se como a IA Generativa está a transformar a Manutenção Preditiva, e, em detalhe, os seguintes aspetos:

• Desafios enfrentados pela manutenção preditiva nas organizações de manutenção atuais
• Evolução histórica da monitorização de condição
• Terminologia de IA
• IA e IA Generativa
• Machine Learning (aprendizagem automática)
• O Gémeo Digital
• Benefícios da IA Generativa em Manutenção Preditiva
• Exemplos de aplicação

Este artigo é uma transcrição do Webinar apresentado por Tümay Karaver, da ARTESIS, a 17 de dezembro de 2025.

IA Generativa e Manutenção Preditiva Fig. 1 – Uma nova época

Introdução – E quanto à tomada de decisões?

O que acontece quando adicionamos grandes modelos de linguagem e IA generativa por cima do que já fazemos na monitorização de condição?

Realmente ficámos excelentes em:

• A recolher dados.
• Detetar padrões,
• A disparar alarmes,
• Tendência ao longo do tempo.

Mas a parte que ainda não está automatizada é a tomada de decisão.

IA Generativa e Manutenção Preditiva Fig. 2 – A tomada de decisões

Transformar todos esses sinais em informação clara e consistente, sobre o que significa e o que fazemos a seguir, ainda depende de um número reduzido de pessoas experientes.

O que fazer para eliminar toda essa informação?

E paralelamente a estes desenvolvimentos na monitorização de condição, a análise de assinatura elétrica cresceu muito em popularidade porque cobre muito tipos de avarias. Abrange falhas elétricas, falhas mecânicas e até questões relacionadas com processo.

E cumpre muitos requisitos caso se esteja a tentar construir um programa sustentável de manutenção preditiva. Mas esta informação vem de mundos diferentes. Portanto, porque cobre múltiplos aspetos da monitorização de condição:

• É preciso compreender o comportamento elétrico.
• É preciso compreender a análise espectral para falhas mecânicas.
• E precisa de processar dados de contexto, como caudal, pressão e condição de funcionamento.
• E para perceber o que muda e porquê muda.

E é exatamente aí que a IA generativa começa realmente a fazer diferença.

Portanto, neste artigo é explicado como a IA generativa se encaixa em cima destas ferramentas que já estão a ser utilizadas.

E não para as substituir, mas para ajudar a traduzir as evidências em algo mais claro e consistente, para que as equipas de fiabilidade possam escalar com facilidade.

Da deteção automática ao raciocínio especializado

Na verdade, está-se a passar da deteção automática para algo que se aproxima muito mais de um raciocínio a nível de especialista.

Disponível o tempo todo, 24 horas por dia, 7 dias por semana, quando necessário. Se olharmos para com que as equipas de manutenção e fiabilidade estão a lidar com as operações diárias atualmente, a mensagem é bastante consistente:

Temos mais dados do que alguma vez tivemos. E temos menos tempo para interpretá-los. E os equipamentos também não estão a ficar mais simples. Temos Variadores de Frequência, muitas equipamentos em locais remotos e equipamento que funciona de forma intermitente.

Os sinais não se mantêm limpos e previsíveis, e tudo se torna mais dinâmico. E assim, o que acontece é que surge uma insuficiência, que continua a crescer. Assim, cada um tem mais medições, mais tendências, mais alarmes. Mas quase não há tempo suficiente para os especialistas perceberem o que tudo isto realmente significa.

E é aqui que surge o risco. Por vezes é óbvio quando se pode perder um aviso precoce e isto converte-se em tempo de indisponibilidade.

Mas às vezes é o problema oposto. Um pode acabar por perder tempo com assuntos inúteis e está-se a gastar tempo e recursos na coisa errada. Por isso, é por isso que este tema é importante agora e não daqui a cinco anos.

O desafio

Para enquadrar todo o desafio da indústria em termos de dor, temos quatro pontos de dor práticos. Depois de os nomear, percebe-se que a maioria está a lidar com a mesma coisa:

• Excesso de dados
• Escassez de analistas
• Inconsistência
• Pressão de custos

Excesso de dados

Os sistemas de monitorização estão a fazer exatamente o que lhes é pedido. Estão a recolher mais medições, mais tendências, mais espectros, mais eventos. Isso é ótimo, mas a realidade é que agora existe demasiada informação para um humano a rever de forma disciplinada.

Ninguém tem tempo para se sentar ali a percorrer centenas de gráficos e painéis todos os dias. E mesmo que se tente, acaba-se sempre focado no que é mais recente e não necessariamente no que é mais importante.

IA Generativa e Manutenção Preditiva Fig. 3 – Excesso de dados

A escassez de especialistas

Muitos já estão a passar por isto. As pessoas estão a reformar-se e a mudar para diferentes funções, e substituir esse conjunto de competências não é apenas contratar alguém.

Demora anos a formar pessoas novas e a construir essa intuição para saber o que é normal para um local específico ou aplicações específicas que se está a gerir.

• E como é uma verdadeira progressão de falhas,
• E como é uma mudança de processo,
• E essa experiência é conquistada com esforço.

Inconsistência de informação

Esta é subestimada porque se pode ter dois ou vários engenheiros muito competentes, a analisarem as mesmas evidências, e ainda assim discordar. Um chama-lhe desalinhamento e a outro chama-lhe desequilíbrio ou desaperto. Assim, um diz monitorar e o outro diz manutenção agendada.

E por vezes ambos são razoáveis. Estão apenas a aplicar modelos mentais diferentes. Mas para uma organização, esta inconsistência torna-se um problema porque significa que as ações são irrepetíveis e os resultados dependem de quem as analisou, naquele momento.

Pressão de custos

A toda a gente é pedido para fazer mais com menos: mais ativos, mais localizações e mais disponibilidade. Mas há menos recursos, menos especialistas e menos tempo para investigar. Portanto, essa pressão não afeta apenas os orçamentos. Também afeta o comportamento.

Como mantemos a qualidade do julgamento pericial

Assim, as equipas ou se tornam excessivamente conservadoras e seguem todos os alarmes, ou ficam insensíveis e começam a ignorar os avisos. Portanto, quando se juntam estes quatro, a questão consiste em saber se podemos detetar falhas? Mas a verdadeira questão passa então a ser como manter a qualidade do julgamento pericial e como torná-lo consistentemente disponível para toda a frota que estamos a gerir?

Evolução da monitorização da condição

A monitorização da condição evoluiu em camadas:

• A fase de inspeção sensorial
• Ferramentas portáteis e recolha manual de dados
• Sistemas em linha
• Da automação à inteligência

A fase de inspeção sensorial

No início, eram sobretudo verificações manuais, rondas, audição da temperatura e inspeções básicas.

Muito orientado pela experiência, mas também muito limitado. Portanto, só se vê o que se verifica e só se verifica ocasionalmente.

IA Generativa e Manutenção Preditiva Fig. 4 – A inspeção sensorial

Ferramentas portáteis e recolha manual de dados

Depois passou-se para as ferramentas portáteis. Foi um grande avanço porque agora se podia recolher medições reais e comparar ao longo do tempo, mas continuava a ser periódico. Uma captura uma imagem, depois volta uma semana depois ou um mês depois e tira outra imagem. Esta é ainda uma abordagem muito boa e válida para ativos semi ou menos críticos onde não é necessário monitorizar 24 horas por dia, 7 dias por semana.

Sistemas on-line

E depois disso, os sistemas online entram em cena, o que é necessário para ativos críticos. Com eles obtém-se visibilidade contínua e as tendências e alarmes operam em contexto. Não se espera pela próxima rota para descobrir que algo está errado ou que algo está a desviar-se.

IA Generativa e Manutenção Preditiva Fig. 5 – Os sistemas on-line

 

Aprendizagem automática e automação

A camada seguinte foi a implementada pela ARTESIS: aprendizagem automática e automatização. O sistema ajuda a detetar padrões em escala, consegue acompanhar mudanças mais rapidamente, detetar repetições e acompanhar tendências num grupo de ativos sem que alguém fique a olhar para gráficos o dia todo.

Da automação à inteligência

E agora estamos no próximo passo, o que consiste em passar da automação para a inteligência. Porque a deteção sozinha não é o objetivo final aqui. O verdadeiro valor está quando o sistema pode ajudar a responder às perguntas que se colocam em manutenção e operação:

• Algo mudou, mas o que é que isso provavelmente significa?
• Isto é importante ou é apenas um ruído de funcionamento?
• Qual é a causa mais provável e o que devemos fazer a seguir?
• Monitorizar, verificar, ou devemos planear a manutenção ou agir imediatamente?

Isto não é apenas informar que algo mudou, mas sim explicar porque é importante e traduzir isso em ações que alguém pode implementar.

Terminologia de IA

Antes de continuar a explicação, vamos analisar a terminologia, porque a IA tornou-se em muitas coisas diferentes hoje em dia.

Assim, quando se refere a IA, refere-se ao guarda-chuva amplo, que são sistemas que podem fazer coisas normalmente associadas à inteligência humana:

• Reconhecimento de padrões,
• Apoio à decisão,
• Por vezes, até uma forma de raciocínio.

O objetivo é pegar na parte repetitiva e demorada da análise, que é rever repetidamente o mesmo tipo de facto, e transformá-la num apoio à decisão, para que os especialistas possam dedicar o seu tempo às decisões difíceis, aos casos extremos e às decisões de alto risco.

Outro ponto importante é que IA não é o mesmo que IA Generativa, e esta é uma distinção muito importante.

IA não é o mesmo que IA Generativa

A IA generativa, ou Gen-AI, atualmente é uma categoria sob esse guarda-chuva. É poderosa e tem de ser usada da forma certa. E funciona melhor quando está fundamentada em medidas reais e indicadores estruturados, não apenas em texto flutuante.

Aqui, quando falarmos de Gen-AI ou IA Generativa, esta deve ser considerada como uma camada que ajuda a traduzir evidências em explicações claras, mas que ainda precisa de medições e diagnósticos sólidos como base.

Na monitorização de condição, é importante lembrar que a IA não é uma única coisa. É realmente um conjunto de camadas que funcionam em conjunto.

E lembrem-se, não estamos a falar de Gen-AI aqui, é a IA que é o guarda-chuva amplo.

Aprendizagem Automática (Machine Learning)

Portanto, na base, há aprendizagem automática. Essa é a parte que é excelente a reconhecer padrões nos dados. E dentro disso, existem duas variantes, que são usadas nos sistemas ARTESIS:

• Aprendizagem supervisionada
• O gémeo digital

Aprendizagem supervisionada

Aprendizagem supervisionada é quando se está a treinar o sistema para detetar os tipos de falha conhecidos para classificar automaticamente quando voltar a aparecer.

Aprendizagem não supervisionada, que é mais sobre aprender a identificar o que é normal. E para isso ocorrer, decorre no ambiente operacional e depois sinaliza anomalias quando começa a desviar-se do padrão normal.

O gémeo digital

Depois, existe a passagem do digital para bits, pela tecnologia do MCM da ARTESIS, que acrescenta outra dimensão. É aí que a física e os modelos baseados em dados são combinados. Não se percebe apenas que algo mudou, mas existe um modelo de como o equipamento deve comportar-se em certas condições.

IA Generativa e Manutenção Preditiva Fig. 6 – O gémeo digital

Esta é a base das nossas soluções online usando análise de assinatura elétrica.

IA generativa ou Grande Modelo de Linguagem (Large Language Model -LLM)

Para além da aprendizagem e do gémeo digital, existe a camada mais próxima, que é a camada de IA generativa, ou LLM. Esta camada é diferente, porque pode interpretar os resultados produzidos por estes sistemas, interligar a informação e produzir explicações que soam muito mais próximas do raciocínio de um especialista, nomedamente:

• O que isso provavelmente significa,
• Porque é que isso importa,
• O que fazer a seguir.

O que é importante notar é que estes não são métodos concorrentes. Não se escolhe um e deita os outros fora.

São complementares, e os melhores resultados surgem quando trabalham juntos. Portanto, o “Machine Learning”, que foi a primeira camada, é algo que se tem usado na monitorização de condição há muito tempo, nos sistemas existentes. É de notar que faz várias coisas extremamente bem.

• Pode detetar anomalias cedo;
• Consegue reconhecer padrões repetitivos nos sinais;
• Pode acompanhar a progressão das falhas ao longo de semanas ou meses;
• Pode comparar constantemente o comportamento atual com uma assinatura ou linha de base aprendida.

E mesmo quando o equipamento tem muita variação operacional como seja com os Variadores de Frequência, variações e flutuações de carga, etc. Assim, na prática, o sistema existente, baseado em aprendizagem automática, já automatiza uma grande parte da carga de trabalho de diagnóstico.

E, claro, para quem está familiarizado com os sistemas ARTESIS, grande parte da análise já está automatizada. Existe uma classificação das diferentes falhas em certas categorias, para que se saiba o que observar. Assim ajudam a organizar a informação e a destacar o que está a mudar apontando para o ativo que merece atenção.

Mas ainda há uma limitação

Mas ainda existe uma limitação, que se sente quando se olha para o sistema ARTESIS numa visão mais ampla de uma forma critica:

Bem, estou a ver um problema e sei que é um problema de transmissão ou uma base que não está bem, e então?

O “Machine Learning” é muitas vezes muito bom a reportar o que está a acontecer; isto parece anormal e assemelha-se a um padrão de rolamento em degradação e isto é uma tendência. Mas nem sempre diz porque está a acontecer e qual o provável mecanismo por trás disso e informação sobre qual é a próxima ação recomendada.

Leva o utilizador às provas certas mais rapidamente, mas nem sempre fecha este ciclo numa explicação e recomendação de decisão clara que alguém possa implementar. É frequente ser necessário uma análise manual de todos os dados para chegar a algo mais preciso.

Existe ainda a abordagem do gémeo digital, que é a segunda camada, que é simples, porque trata da expectativa versus realidade.

Assim, o sistema constrói um gémeo digital, ou seja, modelo matemático de como um motor, ou uma bomba, ou um ventilador, ou o que quer que esteja sob monitorização, deve comportar-se em condição normais, e depois compara continuamente esse comportamento esperado com o que está a ver no mundo real.

Em vez de apenas perguntar se algo realmente mudou, está a perguntar se o equipamento se está a comportar-se como devia neste momento. Quando há desvio, muitas vezes pode detetá-lo cedo, seja algo elétrico, mecânico ou até por vezes algo originado pelo processo. E é por isto que gémeo digital é forte para alertas precoces e para compreender a direção das tendências. E sem dúvida a tendência é o indicador mais importante na monitorização da condição, para que se possa identificar a deriva antes que se torne um evento importante e se os sintomas de avaria estão a estabilizar ou a piorar.

Mas mesmo assim, ainda há uma lacuna. Um gémeo digital pode informar que foi detetado um desvio e há um problema. Sem dúvida que isto é informação valiosa, mas nem sempre é completa.

Ainda assim, muitas vezes necessita-se de um especialista humano

Muitas vezes, ainda é preciso um especialista para produzir informação accionavél: aqui está o mecanismo mais provável, aqui está o que está a acontecer e aqui está o que devemos fazer a seguir. Portanto, mesmo com o Machine Learning e os modelos digitais que a ARTESIS e algumas outras tecnologias estão a usar, ainda há uma informação em falta, e a maioria das equipas sente-a no momento em que tenta tomar decisões.

Portanto, a aprendizagem automática é excelente na deteção e classificação, mas normalmente não explica a causa raiz de forma simples.

Também pode sinalizar um padrão ou classificar um tipo de falha. Não conta naturalmente a história do que a origina. Também não combina automaticamente múltiplos sinais que a solução baseada em análise de assinatura elétrica gera numa única narrativa, o que significa que, por vezes, terá problemas mecânicos num rolamento, mas se isso vier da passagem de corrente num rolamento, que é causado por correntes induzidas num Variador de Frequência, é necessária uma análise mais abrangente de múltiplas fontes de dados para criar uma narrativa única.

Na vida real, não se olha para uma tendência isoladamente. Olha-se para múltiplas como por exemplo as analisar as condições de funcionamento, o espectro, alterações de carga e indicadores de processo em conjunto, tentando ligá-los numa única avaliação coerente.

Existe ainda o contexto, que também é muito importante. As unidades industriais não são um ambiente de laboratório limpo e por isso existem diferentes modos de operação, diferentes exigências de processo, diferentes históricos de manutenção e diferentes aplicações. De facto, as bombas, compressores, etc., são todos diferentes e os modelos tradicionais nem sempre se adaptam a todas as situações sem ajustes adicionais.

E, finalmente, isso não elimina a necessidade do julgamento de um especialista, especialmente quando se trata de centenas ou milhares de ativos. Os especialistas continuam a ser o gargalo porque alguém tem de interpretar, priorizar e comunicar o que importa.

IA Generativa e Manutenção Preditiva Fig. 7 – Muitas vezes ainda é preciso um especialista

 

Porque é que a IA Generativa faz uma diferença tão grande

É por isso que a IA Generativa faz tanta diferença. Porque pode assentar sobre essas camadas, de informação que são os resultados de aprendizagem automática, desvios do gémeo digital, tudo criado no contexto, e traduzi-los em:

• Algo mais próximo de como um especialista explicaria,
• O que provavelmente significa,
• E porque é que isso importa,
• E como estamos confiantes,
• E qual é a próxima melhor ação.

IA Generativa e Manutenção Preditiva Fig. 8  – Impacto da IA Generativa

Portanto, aqui, a IA generativa não é apenas mais um algoritmo montado no sistema ARTESIS. É um tipo diferente de camada porque foi construída para compreender, interpretar e explicar, e não apenas para detetar.

A forma mais simples de explicar isto consiste em considerar que se tem um técnico de fiabilidade ou um técnico de diagnóstico disponível 24 horas por dia, 7 dias por semana. Não alguém a substituir a equipa de especialistas, mas alguém a fazer a parte repetitiva do trabalho, que consume tempo, ou seja, a parte em que se analisa as provas e se percebe o que é relevante.

Assim, em vez de disponibilizar outro gráfico ou outro alarme, a IA Generativa pode rever o que as outras camadas já estão a produzir por exemplo espetros de Densidade Espectral de Potência, avaliações de tendência baseadas em aprendizagem, indicadores de avaria e traduzir toda esta informação em avaliações e recomendações acionáveis.

Também pode ajudar nas perguntas do passo seguinte, que é onde as equipas frequentemente têm dificuldade:

• Isto é provável, real ou apenas ruído de funcionamento,
• E qual é a causa mais provável deste problema,
• E o que devemos fazer a seguir?

A grande vantagem aqui é a escala, porque os especialistas humanos conseguem fazer tudo isto muito bem, mas não conseguem fazê-lo para milhares de ativos, em vários locais, todos os dias, sem se tornarem o estrangulamento.

A principal vantagem da AI Generativa é que pode proporcionar a primeira interpretação, como se fosse um especialista, instantaneamente e consistentemente em todo o conjunto de ativos, e assim os especialistas dedicam o seu tempo ao que realmente importa:

• Os casos difíceis,
• Os problemas de alto risco,
• Todas as ações que evitam o tempo de inatividade.

O que os Grandes Modelos de Linguagem trazem

Mas é aqui que os Grandes Modelos de Linguagem trazem algo genuinamente diferente apresentando algumas vantagens bastante únicas.

Primeiro, compreendem a linguagem natural, que parece óbvia, mas é muito importante. Assim, isto significa que os sistemas podem comunicar usando as ferramentas com que a equipa técnica já trabalha: e-mails, registos de manutenção e não apenas os gráficos.

E segundo, podem raciocinar tomando em conta múltiplas fontes de dados. Em investigações reais, nunca se está a olhar apenas para um sinal. De facto, o que se faz é combinar todas as tendências, dados do espectro, estados de operação, valores elétricos, valores de processo e talvez algum histórico de manutenção, tentando construir uma descrição da situação consistente.

E os Grandes Modelos de Linguagem são concebidos para isso. Também são bons a identificar ligações e contradições. Por exemplo, se um indicador sugerir um problema mecânico, mas o contexto operacional sugerir uma alteração no processo, pode evidenciar isto e com confiança empurrar a interpretação para a causa correta.

Outra grande força é que conseguem resumir informação referente a períodos de longo de tempo e contar, ou comprimir, essa informação em:

• Isto é o que mudou,
• Quando mudou,
• E a rapidez com que progrediu.

Obviamente também se pode fazer isto manualmente, se souber o que se está a ver. Mas, como foi mencionado, isto torna-se automatizado pela IA Generativa e torna-se facilmente escalável.

IA Generativa e Manutenção Preditiva Fig. 8  – Os Large Language Models

Além disso, pode produzir explicações de uma forma que qualquer técnico compreenda, e não apenas uma pessoa que com formação de especialista.

Isto é importante, porque para olhos não treinados para que se possa simplesmente ler e perceber em linguagem simples o que está errado com o ativo.

Quando se junta tudo isto, vê-se que é realmente que se está a transformar a monitorização de condição de uma automação simples, para algo mais próximo de um nível de inteligência, ou seja:

• Detetámos algo,
• E compreendemos o contexto,
• E qual é a causa provável disso,
• E o que devemos fazer a seguir.

Como funcionam os Grandes Modelos de Linguagem na Artesis

É da seguinte forma que tudo isto se junta e se encaixa nas soluções de análise de assinatura elétrica da ARTESIS.

• Os sistemas da ARTESIS, o E-MCM, ou o AMTPro efetuam e processam medidas, que são análises de assinatura elétrica o que significa que o sistema recolhe tensão e corrente, e a partir do quadro elétrico do motor e não se necessitam de sensores adicionais.
• Depois, com a ajuda de aprendizagem automática e camadas digitais interpreta o sinal bruto, que é um dado de forma de onda de amostra de alta frequência convertendo-o em padrões de falha, taxas de progressão, pontuações de confiança e, basicamente, evidências ou indicadores estruturados.
• Seguidamente estes indicadores alimentavam a camada de IA generativa.

Os Grandes Modelos de Linguagem não estão a tentar interpretar as formas de onda brutas do zero. Estão sim a ler os indicadores de condição que o sistema ARTESIS já gera, fazendo o que um bom técnico de fiabilidade faria, que é interpretar todos esses indicadores integrando-os num cenário coerente:

• O que significam?
• E usando o contexto correto, modo de operação, alterações de carga, eventos recentes e, novamente, parâmetros eletromecânicos numa informação coerente.

Portanto, mais uma vez, o sistema da ARTESIS não está a substituir nenhuma das camadas anteriores que já eram usadas, nomedamente o Machine Learning e Gémeo Digital. Depende dessas camadas para criar resultados e relatórios mais fáceis de compreender, mais simples, que sejam legíveis, repetíveis e escaláveis em toda os ativos.

Temos assim que, o papel dos Grandes Modelos de Linguagem, no sistema MCM da ARTESIS, faz a ponte entre os dados e a decisão de ação a desenvolver. De facto, os padrões por si só não são capazes de recomendar uma ação.

É isto que um Grande Modelo de Linguagem está a fazer. Pega em todos esses padrões e transforma-os em explicação. Não repete apenas um alarme, e explica a lógica por trás dele de uma forma que faz sentido para a pessoa que recebe essa informação.

E o resultado aqui é realmente a escala. Expande a capacidade de um único técnico especialista de cobrir muito mais recursos, centenas, até milhares, sem sacrificar a clareza.

Os especialistas continuam a tomar as decisões finais, mas já não estão presos a repetir a intermináveis tarefas repetitivas de diagnóstico básico.

Exemplos de resultados do sistema

A seguir estão os tipos de resultados que o sistema pode produzir praticamente instantaneamente.

• Pode dizer que padrões de desalinhamento têm vindo a aumentar nas últimas três semanas. Não só o alarme, mas o que está a mudar e em que janela temporal.
• A eficiência da bomba diminuiu cerca de 12% na maioria dos sistemas com restrições hidráulicas. Portanto, liga um indicador de desempenho a um mecanismo provável em linguagem simples.
• Existem problemas no rotor. Parece estável, mas continuo a monitorizar. Não é necessária uma ação imediata.
• Desperdício de energia identificado. O motor parece estar subcarregado, o que significa que há uma oportunidade de otimização.

E, claro, toda esta informação também está disponível em alguns painéis, gráficos e números.

Agora pode-se automatizar essa primeira intervenção de especialista de forma consistente

Isso significa que agora se pode automatizar esta primeira análise, a interpretação especializada, de forma consistente, rápida e em toda os ativos. Então, caso se ligue isto tudo aos problemas que foram referidos antes, a IA Generativa alinha-se diretamente com os maiores desafios do setor de forma muito clara.

Sobrecarga de Dados

Quando se está lidando com o excesso de dados a resposta não é olhar mais painéis, mas sim ter uma interpretação totalmente automatizada. O sistema lê as evidências e diz o que realmente importa. E quando faltam especialistas, a IA Generativa atua como um suporte especializado e integrado. Isto não é substituir os especialistas, mas sim capturar a explicação e raciocínio que normalmente ficam na cabeça de uma pessoa, tornando essa orientação disponível para toda a equipe.

Preencher lacunas de competências

Quando os diagnósticos são lentos, o valor está na velocidade. Também se obtém informação em tempo real, em vez de esperar que alguém tenha tempo para rever e documentar o que está a observar.

Relatórios Inconsistentes

E quando os relatórios são inconsistentes, a IA Generativa ajuda a padronizá-los. Assim, recebem-se resumos fiáveis em formato consistente, com a mesma terminologia, estrutura e lógica. As ações não dependem de quem estava no turno, ou do que aconteceu durante ele.

Acelera a tomada de decisões

E quando a escalabilidade é o problema, a IA generativa remove esse gargalo. Torna possível para uma pequena equipe monitorar toda a frota, não apenas os poucos ativos que tiveram tempo de verificar na semana.

E é assim que as equipes de fiabilidade multiplicam os seus recursos, mantendo a qualidade dos seus pareceres ao nível especialista, mas distribuindo-a por mais ativos, locais e pessoas.

O que se pode perguntar

Na demonstração que a seguir vai ser efetuada, o que se pode ver é o menu interativo tipo chatbot, que estará disponível em 2026 no sistema online e- MCM.

• Quais foram as alterações esta semana?
• Que ativos necessitam de atenção?
• Explica este alarme
• A avaria está a evoluir?
• Onde estão as perdas de eficiência?

Como se pode ver, pode-se fazer perguntas, obter respostas e interagir com o sistema, fornecendo mais informações para obter dados mais precisos, como o número do rolamento ou o tipo de equipamento. Caso não se tenha mencionado o tipo específico de transmissão, pode-se fornecer essa informação para obter orientações mais precisas.

Assistente de fiabilidade autónomo

Revendo o referido pode-se ver para onde o sistema está a ir, e que consiste em tornar-se assistente que está essencialmente sempre ativo e que pode monitorar todos os ativos continuamente e diagnosticar problemas rapidamente.

As funcionalidades são as seguintes:

• Monitoragem permanente
• Diagnóstico instantâneo
• Explicação da causa raiz
• Recomendações atentas ao contexto
• Escalável por diferentes instalações

Mais importante, pode explicar o que está a acontecer, as causas prováveis, quais evidências apoiam isso e o que fazer em seguida.

Exemplo da aplicação 1 – Compressor

Exemplo 2 Bomba acionada por motor com variador de frequência

Exemplo 3 Motor com transmissão por correias

O que isto significa para as unidades industriais

Menor indisponibilidade

Ocorrem menos surpresas porque os problemas são detetados mais cedo e, por isso, se tem menos tempo de indisponibilidade e não se é apanhado de surpresa.

Decisões mais rápidas

Isto significa decisões muito mais rápidas porque analisar um relatório demora apenas 40 segundos.

Maior produtividade dos especialistas

Mas, mais importante ainda, os diagnósticos do especialista tornam-se disponíveis em todas as máquinas, não só para o ativo crítico em causa, que é revisto pelas pessoas mais experientes, mas todos os ativos recebem o mesmo tratamento. Assim, obtém-se uma explicação clara e consistente sabe-se o que se deve fazer e que tipo de prazo está a considerar.

Diagnósticos por especialista de todos os ativos

Portanto, e isto é realmente, sabe, o que a IA lhe dá, essa escalabilidade de forma eficiente ou consistente em todos os ativos que se está a monitorizar, seja com os sistemas portáteis ou online da ARTESIS.

Deteção e diagnóstico da maior gama de avarias a partir da análise da assinatura elétrica

A vantagem que tem a análise de assinatura elétrica é que cobre praticamente todo o tipo de avarias que se espera encontrar num ativo rotativo. Está-se a monitorizar todo o circuito de potência, qualidade de energia dos transformadores, variadores de frequência e depois toda a gama de avarias mecânicas como problemas em compressores, bombas ou ventiladores e também na eficiência das bombas.

IA Generativa e Manutenção Preditiva Fig. 10