{"id":32887,"date":"2026-03-26T11:02:00","date_gmt":"2026-03-26T11:02:00","guid":{"rendered":"https:\/\/accept.pt\/?p=32887"},"modified":"2026-04-14T12:00:56","modified_gmt":"2026-04-14T12:00:56","slug":"manutencao-preditiva-em-injetoras-ia","status":"publish","type":"post","link":"https:\/\/accept.pt\/en\/manutencao-preditiva-em-injetoras-ia\/","title":{"rendered":"Manuten\u00e7\u00e3o preditiva em injetoras: como a IA deteta falhas antes de acontecerem"},"content":{"rendered":"\n<p>A manuten\u00e7\u00e3o preditiva em injetoras \u00e9 hoje uma das \u00e1reas com maior potencial de impacto na competitividade das empresas do <a href=\"https:\/\/accept.pt\/industrias\/plasticos\/\" data-type=\"link\" data-id=\"https:\/\/accept.pt\/industrias\/plasticos\/\" target=\"_blank\" rel=\"noreferrer noopener\">setor dos pl\u00e1sticos<\/a>. Com equipamentos cada vez mais instrumentados e volumes crescentes de dados operacionais, tornou-se poss\u00edvel antecipar falhas antes que estas causem paragens, defeitos ou perdas de produ\u00e7\u00e3o. Neste artigo, exploramos como uma abordagem baseada em intelig\u00eancia artificial foi aplicada a uma m\u00e1quina de inje\u00e7\u00e3o real e o que isso significa para a ind\u00fastria. <\/p>\n\n\n\n<div class=\"wp-block-rank-math-toc-block\" id=\"rank-math-toc\"><p><strong>Conte\u00fados abordados<\/strong><\/p><nav><ul><li class=\"\"><a href=\"#da-manutencao-reativa-a-manutencao-preditiva\">Da manuten\u00e7\u00e3o reativa \u00e0 manuten\u00e7\u00e3o preditiva<\/a><\/li><li class=\"\"><a href=\"#o-problema-falhas-que-custam-caro-e-sao-dificeis-de-prever\">O problema: falhas que custam caro e s\u00e3o dif\u00edceis de prever<\/a><\/li><li class=\"\"><a href=\"#a-solucao-deixar-os-dados-falar\">A solu\u00e7\u00e3o: deixar os dados falar<\/a><ul><li class=\"\"><a href=\"#1-reducao-de-dimensionalidade-com-pca\">1. Redu\u00e7\u00e3o de dimensionalidade com PCA<\/a><\/li><li class=\"\"><a href=\"#2-agrupamento-com-dbscan\">2. Agrupamento com DBSCAN<\/a><\/li><li class=\"\"><a href=\"#3-classificacao-com-xg-boost\">3. Classifica\u00e7\u00e3o com XGBoost<\/a><\/li><\/ul><\/li><li class=\"\"><a href=\"#o-que-torna-este-estudo-relevante-para-a-industria\">O que torna este estudo relevante para a ind\u00fastria?<\/a><\/li><li class=\"\"><a href=\"#um-passo-importante-rumo-a-industria-4-0\">Um passo importante rumo \u00e0 Ind\u00fastria 4.0<\/a><\/li><li class=\"\"><a href=\"#perguntas-frequentes-sobre-suporte-manutencao-preditiva-em-injetoras\">Perguntas frequentes sobre suporte Manuten\u00e7\u00e3o preditiva em injetoras<\/a><ul><li class=\"\"><a href=\"#o-que-e-a-manutencao-preditiva-em-maquinas-de-injecao-de-plasticos\">O que \u00e9 a manuten\u00e7\u00e3o preditiva em m\u00e1quinas de inje\u00e7\u00e3o de pl\u00e1sticos?<\/a><\/li><li class=\"\"><a href=\"#como-o-machine-learning-ajuda-a-detetar-falhas-industriais\">Como o machine learning ajuda a detetar falhas industriais?<\/a><\/li><li class=\"\"><a href=\"#qual-a-diferenca-entre-manutencao-preventiva-e-preditiva\">Qual a diferen\u00e7a entre manuten\u00e7\u00e3o preventiva e preditiva?<\/a><\/li><li class=\"\"><a href=\"#o-que-e-o-dbscan-e-para-que-serve-na-industria\">O que \u00e9 o DBSCAN e para que serve na ind\u00fastria?<\/a><\/li><\/ul><\/li><\/ul><\/nav><\/div>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"da-manutencao-reativa-a-manutencao-preditiva\">Da manuten\u00e7\u00e3o reativa \u00e0 manuten\u00e7\u00e3o preditiva<\/h2>\n\n\n\n<p>Uma paragem inesperada numa m\u00e1quina de inje\u00e7\u00e3o de pl\u00e1sticos pode significar horas de produ\u00e7\u00e3o perdida, pe\u00e7as com defeito e custos de manuten\u00e7\u00e3o de emerg\u00eancia. Para muitas empresas, este ainda \u00e9 um risco gerido de forma reativa, age-se quando o problema j\u00e1 aconteceu.<\/p>\n\n\n\n<p>Mas e se fosse poss\u00edvel detetar sinais de anomalia antes da falha ocorrer?<\/p>\n\n\n\n<p>A manuten\u00e7\u00e3o preditiva n\u00e3o \u00e9 um conceito novo, mas a sua aplica\u00e7\u00e3o pr\u00e1tica em contexto industrial ainda est\u00e1 longe de ser universal. Durante d\u00e9cadas, a abordagem dominante nas f\u00e1bricas foi a manuten\u00e7\u00e3o corretiva, intervir ap\u00f3s a falha, ou, no melhor dos casos, a manuten\u00e7\u00e3o preventiva baseada em calend\u00e1rio fixo. Ambas t\u00eam limita\u00e7\u00f5es evidentes: a primeira \u00e9 cara e imprevis\u00edvel; a segunda pode levar a interven\u00e7\u00f5es desnecess\u00e1rias ou, paradoxalmente, a deixar passar falhas entre dois ciclos de manuten\u00e7\u00e3o programada.<\/p>\n\n\n\n<p>A manuten\u00e7\u00e3o preditiva resolve este problema de forma elegante: em vez de agir por calend\u00e1rio ou por rea\u00e7\u00e3o, age por evid\u00eancia. Os sensores recolhem dados continuamente, os algoritmos analisam padr\u00f5es e o sistema alerta quando algo come\u00e7a a desviar-se do comportamento normal, muito antes de a m\u00e1quina parar ou de a qualidade ser comprometida.<\/p>\n\n\n\n<p>Foi precisamente isso que um grupo de investigadores do <a href=\"https:\/\/www.isec.pt\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/www.isec.pt\" rel=\"noreferrer noopener\">Instituto Superior de Engenharia de Coimbra (ISEC)<\/a> estudou e publicou na revista cient\u00edfica <a href=\"https:\/\/www.mdpi.com\/journal\/algorithms\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/www.mdpi.com\/journal\/algorithms\" rel=\"noreferrer noopener\"><em>Algorithms<\/em> (MDPI)<\/a>. O artigo, intitulado <em>\"Analysis of the State and Fault Detection of a Plastic Injection Machine \u2014 A Machine Learning-Based Approach\" (Costa et al., 2025),<\/em> apresenta uma abordagem baseada em <em>machine learning<\/em> para monitorizar o estado de m\u00e1quinas injetoras em tempo real e detetar falhas numa fase precoce.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"o-problema-falhas-que-custam-caro-e-sao-dificeis-de-prever\">O problema: falhas que custam caro e s\u00e3o dif\u00edceis de prever<\/h2>\n\n\n\n<p>As m\u00e1quinas de inje\u00e7\u00e3o de pl\u00e1sticos s\u00e3o equipamentos complexos, com m\u00faltiplos sistemas interdependentes: hidr\u00e1ulico, el\u00e9trico, t\u00e9rmico e mec\u00e2nico. Entre os problemas mais comuns est\u00e3o obstru\u00e7\u00f5es no sistema de inje\u00e7\u00e3o, varia\u00e7\u00f5es de press\u00e3o e temperatura, falhas no arrefecimento do molde ou desgaste de componentes.<\/p>\n\n\n\n<p>Quando uma destas falhas ocorre sem aviso, o impacto vai al\u00e9m da paragem imediata: pode comprometer a qualidade das pe\u00e7as produzidas, gerar desperd\u00edcio e exigir interven\u00e7\u00f5es t\u00e9cnicas urgentes. \u00c9 precisamente aqui que a manuten\u00e7\u00e3o preditiva em injetoras se torna uma ferramenta essencial.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"a-solucao-deixar-os-dados-falar\">A solu\u00e7\u00e3o: deixar os dados falar<\/h2>\n\n\n\n<p>O estudo que apresentamos demonstra como a manuten\u00e7\u00e3o preditiva em injetoras pode ser implementada com dados reais recolhidos por sensores numa m\u00e1quina de inje\u00e7\u00e3o durante cerca de 9 meses (de abril de 2024 a janeiro de 2025), num total de mais de 48 milh\u00f5es de registos. A an\u00e1lise centrou-se numa \u00fanica m\u00e1quina, a \"M\u00e1quina 76\", com 19 vari\u00e1veis cr\u00edticas selecionadas, desde press\u00e3o de inje\u00e7\u00e3o e volume de inje\u00e7\u00e3o at\u00e9 temperatura do barril e tempo de ciclo.<\/p>\n\n\n\n<p>A metodologia seguiu tr\u00eas fases principais:<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"1-reducao-de-dimensionalidade-com-pca\"><strong>1. Redu\u00e7\u00e3o de dimensionalidade com PCA<\/strong><\/h3>\n\n\n\n<p>Para tornar os dados mais trat\u00e1veis e eliminar ru\u00eddo, foi aplicada a An\u00e1lise de Componentes Principais (PCA), retendo 99,5% da vari\u00e2ncia com apenas 4 componentes. Esta etapa \u00e9 fundamental para que os algoritmos seguintes funcionem com efici\u00eancia.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"2-agrupamento-com-dbscan\"><strong>2. Agrupamento com DBSCAN<\/strong><\/h3>\n\n\n\n<p>O algoritmo de clustering DBSCAN identificou automaticamente padr\u00f5es no comportamento da m\u00e1quina, sem necessidade de dados previamente classificados. O resultado? Sete estados operacionais distintos, validados pelos t\u00e9cnicos da empresa:<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full is-resized\"><img decoding=\"async\" width=\"801\" height=\"643\" src=\"https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/tabela-dados-recolhidos-manutencao-preditiva-em-injetoras-exemplo.png\" alt=\"Tabela de dados reais recolhidos por sensores numa m\u00e1quina de inje\u00e7\u00e3o estudo sobre a Manuten\u00e7\u00e3o Preditiva em injetoras\" class=\"wp-image-32902\" style=\"width:800px\" srcset=\"https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/tabela-dados-recolhidos-manutencao-preditiva-em-injetoras-exemplo.png 801w, https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/tabela-dados-recolhidos-manutencao-preditiva-em-injetoras-exemplo-480x385.png 480w\" sizes=\"(min-width: 0px) and (max-width: 480px) 480px, (min-width: 481px) 801px, 100vw\" \/><figcaption class=\"wp-element-caption\">Os sete estados identificados pelo sistema de manuten\u00e7\u00e3o preditiva em injetoras<\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading has-medium-font-size\" id=\"3-classificacao-com-xg-boost\"><strong>3. Classifica\u00e7\u00e3o com XGBoost<\/strong><\/h3>\n\n\n\n<p>Com os estados identificados, foi treinado um modelo de classifica\u00e7\u00e3o XGBoost capaz de, em tempo real, categorizar o estado da m\u00e1quina com base nos dados dos sensores. A precis\u00e3o atingida foi de 83%, ap\u00f3s aplica\u00e7\u00e3o de um filtro de mediana para eliminar transi\u00e7\u00f5es instant\u00e2neas irrealistas nos dados.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"o-que-torna-este-estudo-relevante-para-a-industria\">O que torna este estudo relevante para a ind\u00fastria?<\/h2>\n\n\n\n<p>H\u00e1 alguns aspetos que tornam esta abordagem de manuten\u00e7\u00e3o preditiva em injetoras particularmente interessante do ponto de vista industrial:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Pronto para integra\u00e7\u00e3o.<\/strong> Os investigadores desenvolveram um programa em Python que l\u00ea os dados em tempo real da base de dados da f\u00e1brica e classifica o estado da m\u00e1quina automaticamente.<\/li>\n\n\n\n<li><strong>Dados reais, n\u00e3o simulados.<\/strong> O modelo foi treinado com meses de opera\u00e7\u00e3o real, o que aumenta a sua aplicabilidade pr\u00e1tica.<\/li>\n\n\n\n<li><strong>Dete\u00e7\u00e3o precoce de anomalias.<\/strong> O sistema consegue identificar estados degradados antes de evolu\u00edrem para falha total.<\/li>\n\n\n\n<li><strong>Dete\u00e7\u00e3o de erros humanos.<\/strong> Se um operador trocar o molde sem ajustar os par\u00e2metros, o sistema deteta a inconsist\u00eancia e pode disparar um alerta.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"um-passo-importante-rumo-a-industria-4-0\">Um passo importante rumo \u00e0 Ind\u00fastria 4.0<\/h2>\n\n\n\n<p>Este trabalho alinha-se com uma <a href=\"https:\/\/accept.pt\/qualidade-industrial-em-2026-tendencias\/\" target=\"_blank\" rel=\"noreferrer noopener\">tend\u00eancia crescente na ind\u00fastria<\/a>: a utiliza\u00e7\u00e3o de <a href=\"https:\/\/accept.pt\/digitalizacao-da-qualidade\/\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/accept.pt\/digitalizacao-da-qualidade\/\" rel=\"noreferrer noopener\">dados operacionais para suportar decis\u00f5es<\/a> de manuten\u00e7\u00e3o. Em vez de intervir por calend\u00e1rio (manuten\u00e7\u00e3o preventiva) ou ap\u00f3s a falha (manuten\u00e7\u00e3o corretiva), a manuten\u00e7\u00e3o preditiva permite intervir no momento certo, quando os dados indicam que algo est\u00e1 a mudar.<\/p>\n\n\n\n<p>A Ind\u00fastria 4.0 assenta precisamente nesta ideia: equipamentos conectados, dados em tempo real e sistemas inteligentes capazes de apoiar decis\u00f5es sem depender exclusivamente do conhecimento t\u00e1cito de um operador experiente. Numa f\u00e1brica moderna, os dados j\u00e1 existem, os sensores j\u00e1 est\u00e3o l\u00e1. O que falta, muitas vezes, \u00e9 a capacidade de os transformar em informa\u00e7\u00e3o \u00fatil e acion\u00e1vel.<\/p>\n\n\n\n<p>\u00c9 aqui que a abordagem descrita neste estudo se torna relevante. Os investigadores n\u00e3o criaram um sistema experimental de laborat\u00f3rio: desenvolveram um programa em Python que corre em ambiente de f\u00e1brica real, l\u00ea os dados diretamente da base de dados da m\u00e1quina e classifica o seu estado em tempo real. Trata-se de um passo concreto da investiga\u00e7\u00e3o acad\u00e9mica para a aplica\u00e7\u00e3o industrial.<\/p>\n\n\n\n<p>Para empresas que operam m\u00e1quinas de inje\u00e7\u00e3o de pl\u00e1sticos, um setor com forte presen\u00e7a em Portugal, nomeadamente no cluster de <a href=\"https:\/\/accept.pt\/industrias\/moldes\/\" target=\"_blank\" rel=\"noreferrer noopener\">moldes<\/a> e pl\u00e1sticos da regi\u00e3o Centro, este tipo de abordagem pode representar uma vantagem competitiva real. O impacto \u00e9 direto: maior <a href=\"https:\/\/accept.pt\/aplicacoes\/software-oee-eficiencia-produtiva\/\">disponibilidade dos equipamentos<\/a>, menos paragens n\u00e3o planeadas, melhor qualidade das pe\u00e7as produzidas e custos de manuten\u00e7\u00e3o mais control\u00e1veis.<\/p>\n\n\n\n<p>O desafio seguinte, como os pr\u00f3prios autores reconhecem, \u00e9 a generaliza\u00e7\u00e3o: cada m\u00e1quina tem as suas particularidades, e o modelo precisar\u00e1 de ser adaptado e retreinado \u00e0 medida que as condi\u00e7\u00f5es operacionais evoluem: novos moldes, novas vari\u00e1veis, novos padr\u00f5es. Mas o caminho est\u00e1 tra\u00e7ado, e os resultados obtidos mostram que a manuten\u00e7\u00e3o preditiva em injetoras \u00e9 tecnicamente vi\u00e1vel com dados reais, algoritmos acess\u00edveis e sem necessidade de infraestrutura complexa. manuten\u00e7\u00e3o preditiva em injetoras<\/p>\n\n\n\n<h2 class=\"wp-block-heading has-text-color has-link-color wp-elements-00ad86456de966fc3fdba303c4a060d4\" id=\"perguntas-frequentes-sobre-suporte-manutencao-preditiva-em-injetoras\" style=\"color:#263746\">Perguntas frequentes sobre suporte Manuten\u00e7\u00e3o preditiva em injetoras<\/h2>\n\n\n\n<h3 class=\"wp-block-heading has-text-color has-link-color wp-elements-a6b902a598bf2e8b86fe8a42db652bf5\" id=\"o-que-e-a-manutencao-preditiva-em-maquinas-de-injecao-de-plasticos\" style=\"color:#263746\"><strong>O que \u00e9 a manuten\u00e7\u00e3o preditiva em m\u00e1quinas de inje\u00e7\u00e3o de pl\u00e1sticos?<\/strong> <\/h3>\n\n\n\n<p class=\"has-text-color has-link-color wp-elements-5902974a1d1a31c93ec8a036ff729a8d\" style=\"color:#263746\">A manuten\u00e7\u00e3o preditiva em injetoras consiste em monitorizar continuamente os dados dos sensores da m\u00e1quina (press\u00e3o, temperatura, tempo de ciclo, volume de inje\u00e7\u00e3o, entre outros) para identificar desvios ao comportamento normal antes de ocorrer uma falha. Em vez de intervir por calend\u00e1rio ou ap\u00f3s avaria, a empresa interv\u00e9m quando os dados indicam que algo est\u00e1 a mudar, reduzindo paragens n\u00e3o planeadas e custos de manuten\u00e7\u00e3o.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-text-color has-link-color wp-elements-d49c52a69685246e10546c1d7eb4d968\" id=\"como-o-machine-learning-ajuda-a-detetar-falhas-industriais\" style=\"color:#263746\"><strong>Como o machine learning ajuda a detetar falhas industriais?<\/strong> <\/h3>\n\n\n\n<p class=\"has-text-color has-link-color wp-elements-1d680cda5050b06973c68cf3eb0543fa\" style=\"color:#263746\">Os algoritmos de machine learning analisam grandes volumes de dados hist\u00f3ricos e em tempo real para identificar padr\u00f5es associados a estados normais e an\u00f3malos de funcionamento. Na pr\u00e1tica, o sistema aprende como a m\u00e1quina se comporta em condi\u00e7\u00f5es normais e deteta automaticamente quando o comportamento se afasta desse padr\u00e3o, sinalizando uma poss\u00edvel falha antes que esta se torne cr\u00edtica.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-text-color has-link-color wp-elements-9fc3a5ff49d7299d31d47210a29eba45\" id=\"qual-a-diferenca-entre-manutencao-preventiva-e-preditiva\" style=\"color:#263746\"><strong>Qual a diferen\u00e7a entre manuten\u00e7\u00e3o preventiva e preditiva?<\/strong><\/h3>\n\n\n\n<p class=\"has-text-color has-link-color wp-elements-4547cf3683247f782c9b666881e609cb\" style=\"color:#263746\">A manuten\u00e7\u00e3o preventiva segue um calend\u00e1rio fixo: interv\u00e9m-se a cada X horas ou X dias, independentemente do estado real da m\u00e1quina. A manuten\u00e7\u00e3o preditiva \u00e9 baseada em dados: interv\u00e9m-se quando os sensores e os algoritmos indicam que a m\u00e1quina est\u00e1 a degradar-se. A abordagem preditiva tende a ser mais eficiente, evita interven\u00e7\u00f5es desnecess\u00e1rias e reduz o risco de falhas entre ciclos de manuten\u00e7\u00e3o programada.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-text-color has-link-color wp-elements-bc688d303400de8b9c44589e5b0c6c8b\" id=\"o-que-e-o-dbscan-e-para-que-serve-na-industria\" style=\"color:#263746\"><strong>O que \u00e9 o DBSCAN e para que serve na ind\u00fastria?<\/strong><\/h3>\n\n\n\n<p class=\"has-text-color has-link-color wp-elements-8a335870217d21cc8c806fc195dfe90f\" style=\"color:#263746\">O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) \u00e9 um algoritmo de agrupamento que identifica automaticamente grupos de dados com comportamento semelhante, sem necessidade de os classificar previamente. Na ind\u00fastria, \u00e9 \u00fatil para descobrir padr\u00f5es operacionais em dados de sensores, por exemplo, distinguir automaticamente entre diferentes estados de funcionamento de uma m\u00e1quina, incluindo estados an\u00f3malos que podem indicar falha iminente.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-text-align-center\" id=\"subscreva-a-newsletter-accept-e-receba-conteudos-relevantes-para-a-sua-operacao-industrial\">Subscreva a newsletter ACCEPT e receba conte\u00fados relevantes para a sua opera\u00e7\u00e3o industrial<\/h3>\n\n\n\n<figure class=\"wp-block-image aligncenter size-large is-resized\"><img decoding=\"async\" width=\"1024\" height=\"465\" src=\"https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/subscrever-newsletter-accept-cta-blog-1024x465.jpg\" alt=\"Subscrever newsletter ACCEPT\" class=\"wp-image-32523\" style=\"width:850px\" srcset=\"https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/subscrever-newsletter-accept-cta-blog-980x445.jpg 980w, https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/subscrever-newsletter-accept-cta-blog-480x218.jpg 480w\" sizes=\"(min-width: 0px) and (max-width: 480px) 480px, (min-width: 481px) and (max-width: 980px) 980px, (min-width: 981px) 1024px, 100vw\" \/><\/figure>\n\n\n\n<div class=\"wp-block-buttons is-content-justification-center is-layout-flex wp-container-core-buttons-is-layout-16018d1d wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link has-background has-text-align-center wp-element-button\" href=\"https:\/\/forms.zohopublic.eu\/accept\/form\/SubscrioNewsletter\/formperma\/q8i-CEEuFK8MNxVB6b1rhVDOYi8snGh_ICwqPIEnNi8\" style=\"background-color:#a4bc15\" target=\"_blank\" rel=\"noreferrer noopener\">Subscrever Newsletter<\/a><\/div>\n<\/div>\n\n\n\n<h4 class=\"wp-block-heading\" id=\"autor-do-artigo\">Autor do artigo<\/h4>\n\n\n\n<figure class=\"wp-block-image size-full is-resized\"><img decoding=\"async\" width=\"500\" height=\"500\" src=\"https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/joaocostamini.png\" alt=\"joaocostamini\" class=\"wp-image-32898\" style=\"object-fit:cover;width:150px;height:150px\" srcset=\"https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/joaocostamini.png 500w, https:\/\/accept.pt\/wp-content\/uploads\/2026\/03\/joaocostamini-480x480.png 480w\" sizes=\"(min-width: 0px) and (max-width: 480px) 480px, (min-width: 481px) 500px, 100vw\" \/><\/figure>\n\n\n\n<p><strong>Jo\u00e3o Costa<\/strong><\/p>\n\n\n\n<p class=\"has-small-font-size\">Licenciado em Engenharia Inform\u00e1tica pelo Instituto Superior de Engenharia de Coimbra (ISEC) e atualmente a frequentar o Mestrado em An\u00e1lise Inteligente de Dados na mesma institui\u00e7\u00e3o, integrou a equipa da SINMETRO atrav\u00e9s de um est\u00e1gio em ci\u00eancia de dados. Nesse contexto, desenvolveu solu\u00e7\u00f5es para a identifica\u00e7\u00e3o de estados de funcionamento em m\u00e1quinas de inje\u00e7\u00e3o de pl\u00e1sticos, trabalho que deu origem \u00e0 publica\u00e7\u00e3o do artigo cient\u00edfico internacional <em>\"Analysis of the State and Fault Detection of a Plastic Injection Machine \u2013 A Machine Learning-Based Approach\"<\/em>. O seu percurso tem sido orientado pela aplica\u00e7\u00e3o de Data Science, Machine Learning e AI Engineering \u00e0 compreens\u00e3o e otimiza\u00e7\u00e3o de processos industriais.<\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button is-style-outline is-style-outline--1\"><a class=\"wp-block-button__link has-text-color has-link-color has-small-font-size has-custom-font-size wp-element-button\" href=\"https:\/\/www.linkedin.com\/in\/jo%C3%A3o-costa-2542ba290\/\" style=\"color:#263746\" target=\"_blank\" rel=\"noreferrer noopener\">Ver perfil<\/a><\/div>\n<\/div>\n\n\n\n<h4 class=\"wp-block-heading\" id=\"referencia-cientifica\">Refer\u00eancia cient\u00edfica<\/h4>\n\n\n\n<p><a href=\"https:\/\/doi.org\/10.3390\/a18080521\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/doi.org\/10.3390\/a18080521\" rel=\"noreferrer noopener\">Costa, J.; Silva, R.; Martins, G.; Barreiros, J.; Mendes, M. (2025). <em>Analysis of the State and Fault Detection of a Plastic Injection Machine \u2014 A Machine Learning-Based Approach<\/em>. <strong>Algorithms<\/strong>, 18, 521.<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Saiba como machine learning e an\u00e1lise de dados em tempo real permitem detetar anomalias em m\u00e1quinas de inje\u00e7\u00e3o de pl\u00e1sticos, antes que causem paragens ou defeitos.<\/p>\n","protected":false},"author":1,"featured_media":32934,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[560,607,568],"tags":[770,610,773,771,772],"class_list":["post-32887","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-accept","category-industria-e-tecnologia","category-qualidade-industrial","tag-detecao-de-falhas","tag-industria-4-0","tag-injecao-de-plasticos","tag-machine-learning","tag-manutencao-preditiva"],"acf":[],"_links":{"self":[{"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/posts\/32887","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/comments?post=32887"}],"version-history":[{"count":0,"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/posts\/32887\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/media\/32934"}],"wp:attachment":[{"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/media?parent=32887"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/categories?post=32887"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/accept.pt\/en\/wp-json\/wp\/v2\/tags?post=32887"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}