APLICAÇÃO DE TÉCNICAS DE MINERAÇÃO DE PROCESSOS E APRENDIZADO DE MÁQUINA PARA OTIMIZAÇÃO DE INSPEÇÕES PREVENTIVAS NA MANUTENÇÃO INDUSTRIAL

INTRODUÇÃO: A Indústria 4.0 intensificou o rastreamento massivo de dados do chão de fábrica, gerando logs de eventos que viabilizam a mineração de processos e favorecem a Manutenção Baseada em Condição (CBM), estratégia de maior potencial para reduzir custos e evitar falhas catastróficas. A partir do log de eventos, o IPDD/ADWIN, frameworks de detecção de desvios sinalizam anomalias e o início da degradação de equipamentos. Contudo, o elevado volume de dados e a ausência de uma visão holística dos objetos e atributos do domínio sobrecarregam cognitivamente o gestor de manutenção. Alinhado às premissas da Indústria 5.0, que recoloca o ser humano no centro da decisão, este trabalho busca reduzir essa carga cognitiva e apoiar decisões mais bem ponderadas. OBJETIVOS: O objetivo geral é conceber um framework de suporte à decisão em manutenção industrial que utilize mineração de processos e modelos probabilísticos e preditivos orientados à aprendizagem de máquina para otimizar intervalos de inspeção preventiva. Especificamente, pretende-se: aplicar mineração de processos para descobrir padrões produtivos; implementar o IPDD e o ADWIN para detectar desvios de conceito, indicando anomalias e degradação; desenvolver uma interface que acomode as saídas da detecção e os dados de monitoramento; representar objetos de valor do domínio em componentes visuais que permitam a avaliação configural; e propor a comparação de parâmetros, a definição de intervalos e a avaliação em cenários simulados. MATERIAIS E MÉTODO: Realizou-se revisão de literatura sobre os marcos que consolidaram o framework de detecção de desvios, com material obtido no portal de periódicos da CAPES. A abordagem técnica apoiou-se na mineração de processos e na biblioteca open-source PM4Py, que converte logs de eventos em processos representáveis graficamente. O IPDD e o ADWIN foram reafirmados como soluções e adaptados à estrutura de dados do projeto, com logs reais e sintéticos. Para estruturar a interface em torno dos objetos do domínio, adotou-se o processo de design ORCA, da Experiência de Usuário Orientada por Objetos (OOUX) – pilares Objetos, Relacionamentos, Chamadas-de-Ação e Atributos – além de boas práticas de engenharia de software, com front-end previsto em React.js. RESULTADOS: Consolidou-se a fundamentação teórica sobre mineração de processos e o IPDD, demonstrando como logs de eventos se convertem em gráficos de processo que revelam parâmetros e sequências de operações. Aproveitaram-se estruturas de código da pesquisa para aplicar mineração sobre bases industriais reais e sintéticas, e o algoritmo ADWIN foi selecionado e adaptado à estruturação dos dados. Gerou-se um modelo de processo a partir de um log real no software Disco, e a execução do IPDD permitiu visualizar os eventos críticos em que a degradação se inicia em um log sintético. Consolidaram-se ainda os objetos de alto nível do processo ORCA: Inspeção, Ação Proativa, Máquina, Componente, Manutenção, e Processo. CONSIDERAÇÕES FINAIS: Os avanços obtidos direcionam a pesquisa à concepção de um produto de software utilizável por empresas que monitoram dados de manufatura. As próximas etapas incluem uma pesquisa de usuário breve com gestores de manutenção para orientar os requisitos da interface, a elaboração de um protótipo segundo as práticas de OOUX e o desenvolvimento do front-end integrado ao back-end existente. Espera-se que a visão holística proposta reduza a carga cognitiva na decisão e favoreça a avaliação configural, alinhada às políticas de CBM e às premissas da Sociedade 5.0.

PALAVRAS-CHAVE: Mineração de Processo; Manutenção Baseada em Condição; Experiência Orientada a Objetos; Sistema de Suporte a Decisão; Aprendizado de Máquina.