Manutenção preditiva com IA no setor automotivo começa pelo dado que a operação já gera, não pelo sensor novo. O primeiro passo é escolher um ativo, um modo de falha e uma fonte de dado que já existe, como ordens de serviço ou telemetria, medir a qualidade desse histórico e então testar um modelo em um ciclo de semanas.
O que muda entre corretiva, preventiva e preditiva
Manutenção corretiva é consertar depois que quebrou. Preventiva é trocar em intervalo fixo, por quilometragem ou por tempo, seguindo o plano do fabricante. Preditiva é intervir quando o dado indica que a falha está próxima, nem antes, nem depois.
A diferença prática está no que cada abordagem exige de informação. A corretiva vive sem dado nenhum. A preventiva precisa de um calendário e de um odômetro. A preditiva precisa de histórico de falhas, de leituras contínuas do ativo e de alguém que ligue as duas coisas. É aí que entra o machine learning, e é aí que a maioria dos projetos tropeça.
| Abordagem | Quando a manutenção acontece | Dado necessário | Primeiro passo típico |
|---|---|---|---|
| Corretiva | Depois da falha | Ordem de serviço com data, peça e causa | Padronizar o registro de cada quebra antes de qualquer modelo |
| Preventiva | Em intervalo fixo, por km ou por tempo | Plano do fabricante, odômetro, calendário | Digitalizar o plano e medir aderência e trocas feitas cedo demais |
| Preditiva | Quando o dado indica risco | Histórico de falhas rotulado, telemetria ou scanner, contexto de uso | PoC de 3 semanas para testar se há sinal, ou de 4 a 6 semanas com integração a dados reais |
Nenhuma abordagem substitui as outras por completo. Uma frota ou uma linha saudável tem as três: corretiva para o que é barato e imprevisível, preventiva para o que o fabricante já mapeou, preditiva para os componentes em que a parada custa caro e a falha dá sinal antes de acontecer.
Quais dados a minha operação precisa ter antes de falar em IA?
Menos do que parece, mas com mais qualidade do que costuma ter. Para um primeiro modelo, três fontes bastam:
- Histórico de falhas rotulado. Cada quebra com data, componente, causa e o que foi feito. Se a ordem de serviço diz apenas "motor", o modelo não aprende nada.
- Leituras do ativo ao longo do tempo. Telemetria de frota, leitura de scanner OBD, temperatura, consumo, vibração. Não precisa ser sensor novo: o que o veículo já registra costuma bastar para começar.
- Contexto de uso. Quilometragem, tipo de rota, carga, motorista. Dois veículos iguais com uso diferente falham em momentos diferentes.
O teste é simples. Pegue os últimos doze meses de ordens de serviço e tente responder, para um único componente, quantas vezes ele falhou e o que os dados mostravam nas semanas anteriores. Se a resposta não sai da planilha, o problema é de dado, não de modelo. Escrevemos sobre esse bloqueio em por que modelos de ML não chegam à produção: boa parte dos projetos para antes do modelo, no dado.
Por onde começar sem gastar com sensor
Escolha um ativo e um modo de falha
Não comece por "a frota". Comece por um componente que para a operação quando falha, que tem histórico razoável e que dá sinal antes de quebrar. Bateria, freio, embreagem, arrefecimento e injeção são candidatos comuns em veículos. Em linha de montagem, motores, compressores e bombas. O critério é o mesmo: parada cara, falha com precursores, dado disponível.
Meça o que a preventiva já entrega
Antes de prever, meça. Quantas trocas preventivas foram feitas em peças que ainda tinham vida útil? Quantas falhas aconteceram entre duas preventivas? Esses dois números dizem quanto dinheiro está na mesa e definem a meta do modelo. Sem eles, não há como saber se a preditiva funcionou.
Rode um ciclo curto com dado real
Um modelo preditivo de primeira versão não precisa ser rede neural. Regras de limiar e um classificador simples sobre o histórico já mostram se existe sinal. Na Cortex IQ, esse ciclo cabe na PoC Factory: 3 semanas para validar a hipótese, ou 4 a 6 semanas quando há integração com dados reais. O que sai é uma resposta objetiva: o dado sustenta ou não um modelo, e o que falta para sustentar.
Defina quem age quando o modelo avisa
Um alerta que ninguém abre não é manutenção preditiva. Antes de colocar o modelo no ar, defina quem recebe o aviso, em qual sistema, e o que acontece em seguida: abre ordem de serviço, agenda a troca, tira o veículo da rota. Se esse fluxo não existe, o modelo vira um gráfico.
A IA vale a pena para uma oficina ou só para frota e indústria?
Depende do volume e do dado. Para frota, concessionária com pós-venda e fábrica de autopeças, a preditiva se justifica quando há dezenas de ativos iguais gerando dado comparável. Para uma oficina independente, o ganho com tecnologia costuma vir antes de outro lugar: no diagnóstico assistido, no agendamento e na presença digital que traz o cliente até a porta.
Um exemplo do setor: o Jean Auto Center, oficina mecânica e de projetos 4x4 em Parobé/RS, tinha nota 4,8 no Google com 24 avaliações e nenhum site. O projeto com a Cortex IQ foi de presença digital, não de manutenção preditiva. Mas ilustra o ponto: a oficina já faz diagnóstico por scanner e alinhamento por geometria 3D, ou seja, gera dado técnico a cada atendimento. Esse dado, acumulado e organizado, é a matéria-prima de qualquer modelo futuro. O primeiro passo de uma oficina é guardá-lo de forma estruturada, não comprar sensor.
Quais erros mais atrasam esses projetos?
- Começar pela ferramenta. Comprar plataforma de manutenção preditiva antes de saber se o dado existe. A ferramenta não cria histórico.
- Modelar a frota inteira. Muitos componentes, muitos modos de falha, nenhum resultado em prazo razoável.
- Ignorar o falso positivo. Um modelo que manda trocar peça boa gasta mais do que a preventiva. A meta precisa incluir precisão, não só a taxa de falhas detectadas.
- Não fechar o ciclo. Sem registro do que aconteceu depois do alerta, o modelo não melhora.
- Pular a pergunta de prontidão. Os 5 sinais de que a empresa está pronta para IA valem aqui também: dado acessível, processo definido, dono claro, métrica combinada e capacidade de agir sobre o resultado.
Manutenção preditiva não é um modelo. É um dado bem guardado, uma meta medida e alguém que age quando o alerta chega.
Próximo passo
Se a sua operação tem histórico de ordens de serviço e um componente que custa caro quando para, esse é o ponto de partida. A página de machine learning explica como a Cortex IQ estrutura esse primeiro ciclo, e a página do setor automotivo mostra o trabalho já feito na área.