A manutenção preditiva em injetoras é hoje uma das áreas com maior potencial de impacto na competitividade das empresas do setor dos plásticos. Com equipamentos cada vez mais instrumentados e volumes crescentes de dados operacionais, tornou-se possível antecipar falhas antes que estas causem paragens, defeitos ou perdas de produção. Neste artigo, exploramos como uma abordagem baseada em inteligência artificial foi aplicada a uma máquina de injeção real e o que isso significa para a indústria.
Conteúdos abordados
Da manutenção reativa à manutenção preditiva
Uma paragem inesperada numa máquina de injeção de plásticos pode significar horas de produção perdida, peças com defeito e custos de manutenção de emergência. Para muitas empresas, este ainda é um risco gerido de forma reativa, age-se quando o problema já aconteceu.
Mas e se fosse possível detetar sinais de anomalia antes da falha ocorrer?
A manutenção preditiva não é um conceito novo, mas a sua aplicação prática em contexto industrial ainda está longe de ser universal. Durante décadas, a abordagem dominante nas fábricas foi a manutenção corretiva, intervir após a falha, ou, no melhor dos casos, a manutenção preventiva baseada em calendário fixo. Ambas têm limitações evidentes: a primeira é cara e imprevisível; a segunda pode levar a intervenções desnecessárias ou, paradoxalmente, a deixar passar falhas entre dois ciclos de manutenção programada.
A manutenção preditiva resolve este problema de forma elegante: em vez de agir por calendário ou por reação, age por evidência. Os sensores recolhem dados continuamente, os algoritmos analisam padrões e o sistema alerta quando algo começa a desviar-se do comportamento normal, muito antes de a máquina parar ou de a qualidade ser comprometida.
Foi precisamente isso que um grupo de investigadores do Instituto Superior de Engenharia de Coimbra (ISEC) estudou e publicou na revista científica Algorithms (MDPI). O artigo, intitulado “Analysis of the State and Fault Detection of a Plastic Injection Machine — A Machine Learning-Based Approach” (Costa et al., 2025), apresenta uma abordagem baseada em machine learning para monitorizar o estado de máquinas injetoras em tempo real e detetar falhas numa fase precoce.
O problema: falhas que custam caro e são difíceis de prever
As máquinas de injeção de plásticos são equipamentos complexos, com múltiplos sistemas interdependentes: hidráulico, elétrico, térmico e mecânico. Entre os problemas mais comuns estão obstruções no sistema de injeção, variações de pressão e temperatura, falhas no arrefecimento do molde ou desgaste de componentes.
Quando uma destas falhas ocorre sem aviso, o impacto vai além da paragem imediata: pode comprometer a qualidade das peças produzidas, gerar desperdício e exigir intervenções técnicas urgentes. É precisamente aqui que a manutenção preditiva em injetoras se torna uma ferramenta essencial.
A solução: deixar os dados falar
O estudo que apresentamos demonstra como a manutenção preditiva em injetoras pode ser implementada com dados reais recolhidos por sensores numa máquina de injeção durante cerca de 9 meses (de abril de 2024 a janeiro de 2025), num total de mais de 48 milhões de registos. A análise centrou-se numa única máquina, a “Máquina 76”, com 19 variáveis críticas selecionadas, desde pressão de injeção e volume de injeção até temperatura do barril e tempo de ciclo.
A metodologia seguiu três fases principais:
1. Redução de dimensionalidade com PCA
Para tornar os dados mais tratáveis e eliminar ruído, foi aplicada a Análise de Componentes Principais (PCA), retendo 99,5% da variância com apenas 4 componentes. Esta etapa é fundamental para que os algoritmos seguintes funcionem com eficiência.
2. Agrupamento com DBSCAN
O algoritmo de clustering DBSCAN identificou automaticamente padrões no comportamento da máquina, sem necessidade de dados previamente classificados. O resultado? Sete estados operacionais distintos, validados pelos técnicos da empresa:
3. Classificação com XGBoost
Com os estados identificados, foi treinado um modelo de classificação XGBoost capaz de, em tempo real, categorizar o estado da máquina com base nos dados dos sensores. A precisão atingida foi de 83%, após aplicação de um filtro de mediana para eliminar transições instantâneas irrealistas nos dados.
O que torna este estudo relevante para a indústria?
Há alguns aspetos que tornam esta abordagem de manutenção preditiva em injetoras particularmente interessante do ponto de vista industrial:
- Pronto para integração. Os investigadores desenvolveram um programa em Python que lê os dados em tempo real da base de dados da fábrica e classifica o estado da máquina automaticamente.
- Dados reais, não simulados. O modelo foi treinado com meses de operação real, o que aumenta a sua aplicabilidade prática.
- Deteção precoce de anomalias. O sistema consegue identificar estados degradados antes de evoluírem para falha total.
- Deteção de erros humanos. Se um operador trocar o molde sem ajustar os parâmetros, o sistema deteta a inconsistência e pode disparar um alerta.
Um passo importante rumo à Indústria 4.0
Este trabalho alinha-se com uma tendência crescente na indústria: a utilização de dados operacionais para suportar decisões de manutenção. Em vez de intervir por calendário (manutenção preventiva) ou após a falha (manutenção corretiva), a manutenção preditiva permite intervir no momento certo, quando os dados indicam que algo está a mudar.
A Indústria 4.0 assenta precisamente nesta ideia: equipamentos conectados, dados em tempo real e sistemas inteligentes capazes de apoiar decisões sem depender exclusivamente do conhecimento tácito de um operador experiente. Numa fábrica moderna, os dados já existem, os sensores já estão lá. O que falta, muitas vezes, é a capacidade de os transformar em informação útil e acionável.
É aqui que a abordagem descrita neste estudo se torna relevante. Os investigadores não criaram um sistema experimental de laboratório: desenvolveram um programa em Python que corre em ambiente de fábrica real, lê os dados diretamente da base de dados da máquina e classifica o seu estado em tempo real. Trata-se de um passo concreto da investigação académica para a aplicação industrial.
Para empresas que operam máquinas de injeção de plásticos, um setor com forte presença em Portugal, nomeadamente no cluster de moldes e plásticos da região Centro, este tipo de abordagem pode representar uma vantagem competitiva real. O impacto é direto: maior disponibilidade dos equipamentos, menos paragens não planeadas, melhor qualidade das peças produzidas e custos de manutenção mais controláveis.
O desafio seguinte, como os próprios autores reconhecem, é a generalização: cada máquina tem as suas particularidades, e o modelo precisará de ser adaptado e retreinado à medida que as condições operacionais evoluem: novos moldes, novas variáveis, novos padrões. Mas o caminho está traçado, e os resultados obtidos mostram que a manutenção preditiva em injetoras é tecnicamente viável com dados reais, algoritmos acessíveis e sem necessidade de infraestrutura complexa. manutenção preditiva em injetoras
Perguntas frequentes sobre suporte Manutenção preditiva em injetoras
O que é a manutenção preditiva em máquinas de injeção de plásticos?
A manutenção preditiva em injetoras consiste em monitorizar continuamente os dados dos sensores da máquina (pressão, temperatura, tempo de ciclo, volume de injeção, entre outros) para identificar desvios ao comportamento normal antes de ocorrer uma falha. Em vez de intervir por calendário ou após avaria, a empresa intervém quando os dados indicam que algo está a mudar, reduzindo paragens não planeadas e custos de manutenção.
Como o machine learning ajuda a detetar falhas industriais?
Os algoritmos de machine learning analisam grandes volumes de dados históricos e em tempo real para identificar padrões associados a estados normais e anómalos de funcionamento. Na prática, o sistema aprende como a máquina se comporta em condições normais e deteta automaticamente quando o comportamento se afasta desse padrão, sinalizando uma possível falha antes que esta se torne crítica.
Qual a diferença entre manutenção preventiva e preditiva?
A manutenção preventiva segue um calendário fixo: intervém-se a cada X horas ou X dias, independentemente do estado real da máquina. A manutenção preditiva é baseada em dados: intervém-se quando os sensores e os algoritmos indicam que a máquina está a degradar-se. A abordagem preditiva tende a ser mais eficiente, evita intervenções desnecessárias e reduz o risco de falhas entre ciclos de manutenção programada.
O que é o DBSCAN e para que serve na indústria?
O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é um algoritmo de agrupamento que identifica automaticamente grupos de dados com comportamento semelhante, sem necessidade de os classificar previamente. Na indústria, é útil para descobrir padrões operacionais em dados de sensores, por exemplo, distinguir automaticamente entre diferentes estados de funcionamento de uma máquina, incluindo estados anómalos que podem indicar falha iminente.
Subscreva a newsletter ACCEPT e receba conteúdos relevantes para a sua operação industrial
Autor do artigo
João Costa
Licenciado em Engenharia Informática pelo Instituto Superior de Engenharia de Coimbra (ISEC) e atualmente a frequentar o Mestrado em Análise Inteligente de Dados na mesma instituição, integrou a equipa da SINMETRO através de um estágio em ciência de dados. Nesse contexto, desenvolveu soluções para a identificação de estados de funcionamento em máquinas de injeção de plásticos, trabalho que deu origem à publicação do artigo científico internacional “Analysis of the State and Fault Detection of a Plastic Injection Machine – A Machine Learning-Based Approach”. O seu percurso tem sido orientado pela aplicação de Data Science, Machine Learning e AI Engineering à compreensão e otimização de processos industriais.