1d0dbd0a-1855-4e88-bd5b-ab83ed80e813

Prévia do material em texto

MANUTENÇÃO 
NA INDÚSTRIA 4.0
W
B
A
03
34
_v
1.
0
2
Aristóteles Ramon Dias Couto Moreno
Londrina 
Editora e Distribuidora Educacional S.A. 
2020
MANUTENÇÃO NA INDÚSTRIA 4.0
1ª edição
3
2020
Editora e Distribuidora Educacional S.A.
Avenida Paris, 675 – Parque Residencial João Piza
CEP: 86041-100 — Londrina — PR
e-mail: editora.educacional@kroton.com.br
Homepage: http://www.kroton.com.br/
Presidente
Rodrigo Galindo
Vice-Presidente de Pós-Graduação e Educação Continuada
Paulo de Tarso Pires de Moraes
Conselho Acadêmico
Carlos Roberto Pagani Junior
Camila Braga de Oliveira Higa
Carolina Yaly
Giani Vendramel de Oliveira
Henrique Salustiano Silva
Juliana Caramigo Gennarini
Mariana Gerardi Mello
Nirse Ruscheinsky Breternitz
Priscila Pereira Silva
Tayra Carolina Nascimento Aleixo
Coordenador
Mariana Gerardi Mello
Revisor
Sofia Maria Amorim Falco Rodrigues
Editorial
Alessandra Cristina Fahl
Beatriz Meloni Montefusco
Gilvânia Honório dos Santos
Mariana de Campos Barroso
Paola Andressa Machado Leal
Dados Internacionais de Catalogação na Publicação (CIP)
_________________________________________________________________________________________ 
Moreno, Aristóteles Ramon Dias Couto.
C871m Manutenção na indústria 4.0/ Aristóteles Ramon Dias 
 Couto, – Londrina: Editora e Distribuidora Educacional S.A., 
 2020.
 42 p. 
 ISBN 978-65-5903-037-8
 
 1. Engenharia de manutenção 2. Manutenção industrial 
3. Indústria 4.0 I. Título. 
 
CDD 624 ____________________________________________________________________________________________
Raquel Torres – CRB 6/2786
© 2020 por Editora e Distribuidora Educacional S.A.
Todos os direitos reservados. Nenhuma parte desta publicação poderá ser 
reproduzida ou transmitida de qualquer modo ou por qualquer outro meio, 
eletrônico ou mecânico, incluindo fotocópia, gravação ou qualquer outro tipo de 
sistema de armazenamento e transmissão de informação, sem prévia autorização, 
por escrito, da Editora e Distribuidora Educacional S.A.
4
SUMÁRIO
Internet das Coisas (loT). Big Data. Inteligência artificial _____________ 05
Manufatura, Indústria 4.0 e veículos autônomos ____________________ 21
PCM, interoperabilidade e customização em massa ________________ 38
Gestão 4.0, energias renováveis e eficiência _________________________ 54
MANUTENÇÃO NA INDÚSTRIA 4.0
5
Internet das Coisas (loT). 
Big Data. Inteligência artificial
Autoria: Aristóteles Ramon Dias Couto Moreno
Leitura crítica: Sofia Maria Amorim Falco Rodrigues
Objetivos
• Entender o funcionamento da Internet das Coisas e 
as principais tecnologias empregadas.
• Compreender a importância do Big Data e 
Inteligência Artificial para a indústria.
• Analisar as aplicações de IoT, Big Data e Inteligência 
Artificial.
6
1. Internet das coisas (IoT)
A Internet das Coisas (mais conhecida pela sigla inglesa IoT, que significa 
Internet of Things) é uma coleção de muitos tipos de comunicação 
sem fio. Em vários projetos da Internet das Coisas, sabe-se que a 
conexão pode ser baseada em tecnologias como Wi-Fi (Wireless Fidelity), 
Bluetooth, RFID (Radio Frequency Identification), LPWAN (Low Power 
Wide Area Network), LTE (Long Term Evolution), 4G, 5G, NFC (Near Field 
Communication), ZigBee, Li-Fi (Light Fidelity) etc. De acordo com Almeida 
(2010), um lugar significativo nos projetos de IoT é ocupado por 
sensores que coletam informações (sobre o ambiente urbano, sobre 
a saúde humana e o estado dos equipamentos na fábrica) e fornecem 
medidas de pressão, umidade, luz, movimento, fluxo de calor, nível, 
entre outras. Assim, graças à comunicação sem fio e a vários protocolos, 
esses sensores são capazes de interagir entre si e enviar as informações 
coletadas para análise posterior, sendo ela realizada por uma pessoa ou 
por aplicações de inteligência artificial.
Adicionalmente, sabe-se que centros de dados, tecnologias em nuvem e 
Big Data são usados para armazenar e processar os dados recebidos e, 
dessa forma, observa-se que hoje a Internet das Coisas não possui um 
único padrão ou protocolo. O conceito que define a área foi formulado 
em 1999, como uma compreensão das perspectivas de uso generalizado 
dos meios de identificação por radiofrequência para interação de 
objetos físicos entre si e com o ambiente externo. Além disso, ressalta-se 
que o preenchimento do conceito com diversos conteúdos tecnológicos 
e a introdução de soluções práticas para sua implementação, desde 
2010, são considerados uma tendência estável na tecnologia da 
informação, principalmente devido à onipresença das redes sem fio, 
ao surgimento da computação em nuvem, ao desenvolvimento de 
tecnologias de interação máquina a máquina, ao início de uma transição 
ativa para IPv6 (protocolo de internet) e à adoção de redes definidas por 
software.
7
1.1 Aplicabilidade do IoT
Uma das definições da internet das coisas corresponde a ideia de 
que, qualquer objeto real ou virtual que existe e se move, no espaço 
e no tempo, pode ser identificado de maneira única por meio da 
internet. Assim, é importante ressaltar que a Internet das Coisas não 
se define apenas pela infinidade de dispositivos e sensores diferentes 
disponíveis, interconectados por canais de comunicação com e sem fio e 
conectados à internet, mas sim como uma integração mais próxima dos 
mundos real e virtual, nos quais a comunicação ocorre entre pessoas e 
dispositivos.
Desse modo, supõe-se que, no futuro, “as coisas” se tornem 
participantes ativas de negócios, informações e processos sociais, onde 
poderão interagir e se comunicar, trocando informações sobre o meio 
ambiente, reagindo e influenciando os processos que ocorrem no 
mundo circundante, sem intervenção humana.
Ademais, para compreendermos a aplicabilidade da área, segundo Costa 
e Lizarelli (2018, p. 25), ressalta-se que a Internet das Coisas pode ser 
definida em quatro camadas:
• O nível 1 está associado à identificação de cada objeto.
• O nível 2 fornece um serviço para atender às necessidades do 
consumidor (pode ser considerado uma rede de suas próprias 
“coisas”, como é o caso de casas inteligentes, por exemplo).
• O nível 3 está associado à urbanização. Esse nível está relacionado 
ao conceito de “cidade inteligente”, onde todas as informações que 
dizem respeito aos moradores desta cidade são atraídas para uma 
área residencial específica, para sua casa e casas vizinhas.
• O nível 4, por sua vez, está relacionado à estrutura de um planeta 
sensorial.
8
Em outras palavras, a Internet das Coisas pode ser vista como uma rede 
de redes, nas quais pequenas redes fracamente conectadas formam 
redes maiores.
1.2 Tecnologias IoT
Geralmente, esse conceito está associado ao desenvolvimento de duas 
tecnologias, como a de Identificação por Radiofrequência (RFID) e o 
desenvolvimento de redes de sensores sem fio (BSS).
1.2.1 Redes de sensores sem fio
Uma rede de sensores sem fio, por sua vez, é uma estrutura distribuída 
e auto organizada de muitos sensores e atuadores, interconectados 
por meio de um canal de rádio. Além disso, a área de cobertura dessa 
rede pode variar de vários metros a vários quilômetros, devido à sua 
capacidade de retransmissão de mensagens de um elemento para 
outro, sendo uma tecnologia muito usada para resolver problemas 
práticos relacionados ao monitoramento, ao gerenciamento e à logística.
1.2.2 RFID
O RFID é um método de identificação automática de objetos, no qual os 
dados armazenados nos chamados transponders ou etiquetas RFID são 
lidos ou gravados por meio de sinais de rádio. A Figura 1 apresenta uma 
etiqueta de RFID.
9
Figura 1–Chip adesivo de RFID
Fonte: albln/iStock.com. 
Segundo Almeida (2019), essa tecnologia é adequada para rastrear o 
movimento de alguns objetos e obter algumas informações destes. 
Assim,por exemplo, caso produtos e mantimentos fossem equipados 
com etiquetas RFID e a geladeira com um leitor de RFID, ele poderia 
rastrear facilmente informações importantes como a data de validade 
dos produtos, além de possibilidades como a procura remotamente 
executada pela própria geladeira, como para fornecimento de 
informações do que precisaria ser comprado.
 
2. Big Data
De acordo com Almeida (2019), o Big Data é um campo que interpreta 
maneiras de analisar, extrair sistematicamente informações ou lidar 
com conjuntos de dados muito grandes ou complexos para lidar com 
10
softwares e aplicativos tradicionais de processamento de dados. Desse 
modo, dados com muitos casos (linhas), por exemplo, oferecem mais 
poder estatístico; enquanto dados com maior complexidade (mais 
atributos ou colunas) podem levar a um maior número de descobertas 
falsas. Além disso, ressalta-se que, geralmente, grandes problemas da 
área incluirão detalhes de coleta, armazenamento, análise, recuperação, 
compartilhamento de dados, transmissão, visualização, consulta, 
atualização, confidencialidade das informações e fonte de dados.
Desse modo, sabe-se que o Big Data foi originalmente associado à três 
conceitos principais: volume, variedade e velocidade. Outros conceitos 
posteriormente atribuídos ao Big Data foram a veracidade (ou seja, 
quanto barulho há nos dados) e o significado. Além disso, percebe-se 
cada vez mais que o termo big data se refere, geralmente, ao uso de 
análise preditiva, análise de comportamento do usuário ou algumas 
outras técnicas avançadas de análise de dados, que extraem valores 
dessas informações.
Ainda, Big Data envolve mais do que apenas analisar grandes 
quantidades de informações. Logo, o problema não é que as 
organizações criem grandes quantidades de dados, mas a maioria 
deles é apresentada em um formato que não corresponde bem ao 
formato tradicional de banco de dados estruturado, como blogs, 
vídeos, documentos de texto, código de máquina ou, por exemplo, 
dados geoespaciais. Tudo isso é armazenado em muitos repositórios 
diferentes, às vezes, até fora da organização. Como resultado, as 
empresas podem ter acesso a uma grande quantidade de dados e não 
possuem as ferramentas necessárias para estabelecer relacionamentos 
entre esses dados e extrair conclusões significativas a partir deles.
Outro ponto importante é que a análise de conjuntos de dados pode 
encontrar novas correlações para itens como negócios pontuais, 
prevenção de doenças, prevenção de crimes e assim por diante. Desse 
modo, cientistas, líderes empresariais, médicos, publicitários e os 
próprios governos enfrentam regularmente desafios com grandes 
11
conjuntos de dados em vários campos. Já os cientistas, por sua vez, 
enfrentam as restrições referentes às grandes quantidades de dados 
em seu trabalho com relação à eletrônica, incluindo áreas como 
meteorologia, genômica, conectômica, simulações complexas de física, 
biologia e pesquisa ambiental.
2.1 Características do Big Data
De acordo com Pires (2018), o Big Data pode ser descrito pelas seguintes 
características:
• Volume: referente à quantidade de dados gerados e armazenados. 
O tamanho dos dados determina o significado, o entendimento 
potencial e se eles podem ser lidos como big data ou não.
• Rapidez: diz respeito à velocidade com que os dados são gerados 
e processados, de acordo com os requisitos e desafios que estão 
no caminho do crescimento e desenvolvimento. Geralmente, big 
data está disponível em tempo real. Os dois tipos de velocidade 
associados ao Big Data são: a taxa de geração e a taxa de 
processamento, gravação e publicação.
• Veracidade: sendo esta uma definição estendida para grandes 
quantidades de dados, que se refere à qualidade e valor dos 
dados. A qualidade dos dados capturados, por sua vez, pode variar 
bastante dependendo da precisão da análise.
As aplicações na utilização do Big Data são as mais diversas, sendo 
possível citar áreas como:
• Governo: sendo que o uso e a adoção de grandes quantidades 
de dados nos processos governamentais permitem eficiência de 
custo, produtividade e inovação, mas há certas desvantagens. 
Além disso, sabe-se que a análise de dados, geralmente, exige que 
várias partes do governo (central e local) trabalhem juntas e criem 
12
processos novos e inovadores para obter o resultado desejado. O 
CRVS (Registro Civil e Estatísticas Vitais), por exemplo, coleta todos 
os certificados de status desde o nascimento até a morte, sendo 
uma grande fonte de big data para os governos em geral.
• Desenvolvimento internacional: um exemplo prático disso é que 
a pesquisa sobre o uso efetivo das tecnologias da informação e 
comunicação para o desenvolvimento (também conhecido como 
ICT4D) sugere que a tecnologia de big data pode dar importantes 
contribuições, mas também apresentar desafios únicos ao 
desenvolvimento internacional. Os avanços na tecnologia de ponta, 
por sua vez, oferecem oportunidades econômicas de análise de 
dados para melhorar a tomada de decisões em áreas críticas de 
desenvolvimento, como saúde, emprego, eficiência econômica, 
crime, segurança, desastres naturais e gerenciamento de 
recursos. Além disso, os dados gerados pelo usuário abrem novas 
possibilidades. No entanto, problemas de longa data para regiões 
em desenvolvimento, como infraestrutura tecnológica insuficiente 
e escassez de recursos econômicos e humanos, exacerbam os 
problemas existentes com big data, como confidencialidade, 
metodologia falha e problemas de compatibilidade.
• Produção: com base no Estudo de Tendências Globais, o 
planejamento aprimorado de suprimentos e a qualidade do 
produto oferecem valor máximo ao big data no contexto 
fabricação. O Big Data fornece a infraestrutura para a 
transparência no setor de manufatura, por exemplo, que no 
contexto estará relacionada à capacidade de descobrir incertezas, 
como o desempenho e disponibilidade incompatíveis de 
componentes. A manufatura preditiva como uma abordagem 
aplicável para tempo de inatividade e transparência próximo 
de zero, requer grandes quantidades de dados e ferramentas 
avançadas de previsão para processar sistematicamente os 
dados em informações acionáveis. A estrutura conceitual para 
produção preditiva começa com a aquisição de dados, onde 
13
as outras informações devem estar disponíveis para aquisição, 
como acústica, vibração, pressão, corrente, tensão e dados do 
controlador. Uma enorme quantidade de dados do sensor, além 
dos dados históricos, para serem analisados grandes dados na 
produção. O Big Data formado atua como uma entrada para 
ferramentas preditivas e estratégias de prevenção, como o 
Prognóstico e Gestão de Saúde (PHM).
• Cuidados de saúde: observa-se que a análise de big data 
ajudou a melhorar a assistência médica, fornecendo remédios 
personalizados e análises prescritivas, intervenções de riscos 
clínicos e análises preditivas no contexto. Além disso, observa-
se com tais análises de dados a variabilidade de redução de 
resíduos e cuidados, disponibilização de relatórios externos e 
internos automatizados de dados do paciente, termos médicos 
padronizados e registros do paciente e soluções pontuais 
fragmentadas. Atualmente, existe uma necessidade ainda maior 
de tais ambientes colocarem maior ênfase na qualidade dos 
dados e das informações. Ademais, ressalta-se que a inspeção 
humana em grande escala de dados é impossível e há uma 
necessidade urgente de ferramentas inteligentes para a precisão e 
plausibilidade no gerenciamento e processamento de informações 
perdidas. Embora uma grande quantidade de informações sobre 
saúde agora seja eletrônica, ela pode ser classificada como um 
grande conjunto de dados, pois, a maioria das informações é 
desestruturada e difícil de usar. Outro ponto importante é que 
o uso de big data na área da saúde levantou questões éticas 
significativas, variando de riscos a direitos individuais, privacidade 
e autonomia, transparência e confiança.
• Educação: comrelação à esta área, mais especificamente, um 
estudo do McKinsey Global Institute (2016) constatou uma escassez 
de 1,5 milhão de profissionais e gerentes de dados altamente 
qualificados, e várias universidades, incluindo a Universidade 
do Tennessee e a Universidade da Califórnia, em Berkeley, 
14
criaram programas de mestrado para atender a esta demanda. 
O Private Bootcamps também desenvolveu programas com tal 
intuito, incluindo programas gratuitos como uma incubadora de 
dados ou programas pagos como a Assembleia Geral. Em uma 
área específica de marketing, por exemplo, um dos problemas 
destacados por Wedel e Kannan (2017) é que o marketing possui 
vários subdomínios que usam diferentes tipos de dados (como 
a publicidade, promoção, desenvolvimento de produtos e 
marcas). Assim, como as soluções analíticas de tamanho único não 
são desejáveis, as escolas de administração devem preparar um 
gerente de marketing para ter amplo conhecimento de todos os 
diferentes métodos usados nessas subáreas, a fim de obter uma 
visão geral e trabalhar de maneira eficaz com os analistas.
• Meios de comunicação: para entender como a mídia usa big data, 
primeiro você precisa fornecer algum contexto no mecanismo 
usado para o processo de mídia. O setor parece estar se afastando 
da abordagem tradicional de usar condições específicas da mídia, 
como jornais, revistas ou programas de televisão e, em vez disso, 
introduzindo aos consumidores tecnologias que atingem as 
pessoas-alvo nos momentos ideais e nos locais ideais. O objetivo 
final é veicular ou transmitir uma mensagem ou conteúdo que 
seja (estatisticamente falando) consistente com a mentalidade 
do consumidor. Assim, por exemplo, o meio de publicação 
tem cada vez mais mensagens personalizadas (publicidade) e 
conteúdo (artigos) para atrair consumidores que foram coletados 
exclusivamente por meio de várias análises dos dados da 
atividade.
Ademais, enfatiza-se que os dados devem ser processados com 
ferramentas aprimoradas (análises e algoritmos), a fim de revelar 
informações significativas. Por exemplo, para gerenciar uma planta, 
problemas visíveis e invisíveis com vários componentes devem ser 
considerados. Os algoritmos de geração de dados devem detectar 
15
e eliminar problemas invisíveis, como a degradação da máquina, o 
desgaste de peças, entre outros, passíveis de ocorrer no chão de fábrica.
2.2 Big Data na Indústria
De acordo com o Instituto Global da McKinsey (MCKINSEY GLOBAL 
INSTITUTE, 2016), Big data é a próxima fronteira para inovação, 
competição e produtividade, os dados se tornaram um fator tão 
importante na produção quanto os ativos de trabalho e produtos. Ao 
alavancar o big data, as empresas podem obter vantagens competitivas 
tangíveis. As tecnologias de Big Data podem ser úteis para resolver as 
seguintes tarefas:
• Previsão da situação do mercado.
• Otimização de marketing e vendas.
• Melhoria do produto.
• Tomada de decisão de gestão.
• Aumento da produtividade do trabalho.
• Logística eficiente.
• Monitoramento da condição do ativo imobilizado.
Nas empresas industriais, o Big Data também é gerado devido à 
introdução de tecnologias da Internet Industrial das Coisas. Durante esse 
processo, as principais unidades e partes de máquinas são fornecidas 
com sensores, atuadores, controladores e, às vezes, processadores 
baratos, capazes de executar cálculos. Já durante o processo de 
produção, os dados são coletados continuamente e possivelmente 
pré-processados, por meio de filtragem, por exemplo. As plataformas 
analíticas envolvidas processam essas matrizes de informações em 
16
tempo real, apresentam os resultados da forma mais fácil de entender e 
economizam para uso posterior. Com base na análise dos dados obtidos 
são tiradas informações sobre as condições do equipamento, a eficiência 
de seu trabalho e a qualidade dos produtos.
Ao monitorar as informações em tempo real, o pessoal da empresa 
pode:
• Reduzir o tempo de inatividade.
• Melhorar o desempenho do equipamento.
• Reduzir custos operacionais do equipamento.
• Prevenir acidentes.
O último ponto é especialmente importante. Por exemplo, os 
operadores da indústria petroquímica recebem em média 1.500 alarmes 
por dia ou mais de um por minuto. Isso leva ao aumento da fadiga do 
operador, que precisa constantemente tomar decisões instantâneas 
sobre como responder a um determinado sinal. Por outro lado, entende-
se que a plataforma analítica pode filtrar informações secundárias e, 
em seguida, os operadores podem se concentrar em situações críticas. 
Como resultado, os níveis de confiabilidade da produção, segurança 
industrial, disponibilidade de equipamentos de processo e conformidade 
com os requisitos regulamentares aumentam. Além disso, com base 
nos resultados da análise de big data é possível calcular os períodos 
de retorno do equipamento, as perspectivas de alteração dos modos 
tecnológicos, redução ou redistribuição do pessoal de manutenção–ou 
seja, tomar decisões estratégicas em relação ao desenvolvimento futuro 
da empresa.
17
3. Inteligência Artificial
O termo “inteligência artificial” (IA) surgiu em 1956, mas tal tecnologia 
alcançou sua verdadeira popularidade mais recentemente, no 
contexto de volumes crescentes de dados, aprimorando algoritmos, 
otimizando o poder da computação e o armazenamento de dados. A 
primeira pesquisa de IA, iniciada na década 1950, por Alan Touring, 
focou na solução de problemas e no desenvolvimento de sistemas 
de computação simbólicos. Nos anos 1960, esses achados atraíram o 
interesse do Departamento de Defesa dos EUA, levando os militares 
deste a treinar computadores para simular a atividade mental humana. 
Outro exemplo é a Agência de Projetos de Pesquisa Avançada em Defesa 
(DARPA), que realizou vários projetos na década de 1970 para criar 
mapas de ruas virtuais, também sendo responsável por criar assistentes 
pessoais inteligentes em 2003, muito antes de Siri, Alexa e Cortana 
aparecerem, exemplos do cotidiano mais recente.
Esses trabalhos citados se tornaram a base para os princípios de 
automação e lógica formal de raciocínio, usados em computadores 
modernos, em particular nos sistemas de suporte à decisão e nos 
mecanismos de busca inteligentes projetados para complementar e 
aprimorar as capacidades humanas. Além disso, ressalta-se que embora 
as IAs sejam frequentemente retratadas como robôs humanoides 
dominando o mundo em filmes e romances de ficção científica, 
essas tecnologias não são tão assustadoras ou inteligentes, com tal 
estágio de desenvolvimento; embora seja importante enfatizar que 
o desenvolvimento da inteligência artificial permite que se observem 
benefícios reais em todos os setores da economia.
3.1 Importância da Inteligência Artificial
Segundo Pires (2018, p. 88), a inteligência artificial pode se aplicar a 
vários processos industriais e do dia a dia, como:
18
• Na automatização de processos repetitivos de aprendizado 
e pesquisa por meio do uso de dados, de forma diferente da 
robotização, que se baseia no uso de hardware. Assim, ressalta-
se que neste caso o objetivo da IA não é automatizar o trabalho 
manual, mas executar de maneira confiável e contínua inúmeras 
tarefas computadorizadas em larga escala. Esse tipo de automação 
requer participação humana para inicializar o sistema e fazer 
perguntas corretamente.
• Na transformação de produtos existentes em inteligentes. 
Geralmente, a tecnologia de IA não é implementada como um 
aplicativo independente, sendo que sua funcionalidade é integrada 
aos produtos existentes para permitir aprimoramentos, assim 
como a Siri foi adicionada aos dispositivos de próxima geração da 
Apple, por exemplo. Certos sistemas de automação, plataformas 
de comunicação, boots e computadores inteligentes, combinados 
com grandes quantidades de dados podem melhorar uma 
variedade de tecnologias usadas em residências e escritórios, 
desde análises de dados de segurança até ferramentas de análise 
de investimentos.• Descoberta de estruturas e padrões nos dados que permitem 
que um algoritmo aprenda uma certa habilidade, tornando-o um 
classificador ou preditor. Assim, pelo mesmo princípio pelo qual o 
algoritmo domina o jogo de xadrez, ele pode aprender a oferecer 
produtos adequados on-line. Ao mesmo tempo, os modelos se 
adaptam à medida que novos dados se tornam disponíveis, como 
mostra a retropropagação, técnica que ajusta o modelo a aprender 
com novos dados, se a resposta original estiver errada.
• Alcance de níveis de precisão sem precedentes, por meio de 
redes neurais mais profundas. Por exemplo, trabalhar com Alexa, 
Pesquisa do Google e Google Fotos é um processo computacional 
de aprendizado profundo e, quanto mais usamos essas 
19
ferramentas, mais eficazes elas se tornam. No campo da saúde, o 
diagnóstico de tumores cancerígenos em imagens de ressonância 
magnética usando tecnologias de IA (aprendizado profundo, 
classificação de imagens e reconhecimento de objetos) não é 
inferior em precisão às conclusões de radiologistas altamente 
qualificados.
• Aproveitamento máximo de dados, a partir dos algoritmos de 
autoaprendizagem, nos quais os próprios dados se tornam um 
objeto de propriedade intelectual.
A principal limitação da IA é que o aprendizado só é possível a partir de 
dados e não o contrário. Isso significa que quaisquer imprecisões nos 
dados afetarão os resultados. Portanto, novos níveis de previsão ou 
análise devem ser adicionados separadamente.
3.2 Aplicações
Adicionalmente, sabe-se que os sistemas modernos de IA são 
projetados para executar tarefas bem definidas. Um sistema de pôquer, 
por exemplo, não poderá jogar paciência ou xadrez; já um sistema 
configurado para detectar fraudes não poderá dirigir um carro ou 
fornecer assistência jurídica. Além disso, um sistema de IA projetado 
para detectar fraudes na área da saúde não poderá detectar fraudes 
fiscais ou reclamações de garantia com o mesmo grau de precisão. 
Em outras palavras, esses sistemas são caracterizados por uma 
especialização muito estreita, sendo projetados para executar uma 
tarefa específica e estão longe de serem multitarefas humanas. Ademais, 
os sistemas de autoaprendizagem não são independentes. As imagens 
da tecnologia de IA que vemos nas telas de TV e nos cinemas, ainda, são 
elementos de fantasia, no entanto, os computadores capazes de analisar 
dados complexos para aprender e aprimorar habilidades específicas não 
são mais incomuns.
20
Referências Bibliográficas
ALMEIDA, P. S. Indústria 4.0: princípios básicos, aplicabilidade e implantação na 
área industrial. São Paulo: Érica, 2019
COSTA, M. A. B.; LIZARELLI, F. L. Evolução das teorias e práticas administrativas: 
de Ford à Indústria 4.0. Santa Cruz do Rio Pardo: Viena, 2018.
MCKINSEY GLOBAL INSTITUTE. Going from global trends to corporate strategy. 
McKinsey & Company, New York, n. 3, 2016.
WEDEL, A.; KANNAN, J. How businesses are using web 2.0: a mckinsey global survey. 
McKinsey & Company, New York, 2017.
PIRES, J. N. Robótica industrial: indústria 4.0. Lisboa: Lidel, 2018.
21
Manufatura, Indústria 4.0 
e veículos autônomos
Autoria: Aristóteles Ramon Dias Couto Moreno
Leitura crítica: Sofia Maria Amorim Falco Rodrigues
Objetivos
• Compreender o papel da manufatura inteligente na 
implementação da Indústria 4.0.
• Discutir técnicas da impressão 3D no cenário 
industrial.
• Compreender os sensores robôs e os veículos 
autônomos. 
22
1. Introdução
O surgimento de uma nova tecnologia industrial digital, conhecida 
como Indústria 4.0, representa uma transformação que permite que os 
dados sejam coletados e analisados em várias máquinas, possibilitando 
processos mais rápidos, flexíveis e eficientes para produzir bens de 
melhor qualidade a preços reduzidos. Essa revolução manufatureira 
aumentará a produtividade, mudará as economias, estimulará o 
crescimento industrial e remodelará o perfil da força de trabalho – 
mudando, em última análise, a competitividade das empresas e das 
regiões.
Eventualmente, os robôs interagirão uns com os outros, trabalharão 
com segurança e aprenderão com os humanos. Esses robôs custarão 
menos e terão uma gama mais ampla de recursos do que os usados 
atualmente. As simulações, por sua vez, serão usadas mais amplamente 
nas fábricas, utilizando dados em tempo real e espelhando o mundo 
físico em um modelo virtual que pode incluir máquinas, produtos 
e pessoas. Isso permitirá que os operadores testem e otimizem os 
parâmetros da máquina para o próximo produto na linha de produção 
no mundo virtual, antes de passar para o mundo físico, reduzindo 
o tempo de configuração da máquina e melhorando a qualidade. 
Com a Indústria 4.0, empresas, departamentos, funções e recursos 
se tornarão muito mais coesos, à medida que as redes universais de 
integração de dados evoluem e criam cadeias de valor verdadeiramente 
automatizadas.
1.1 Manufatura inteligente
Segundo Almeida (2019), a manufatura inteligente define o uso mais 
intensivo e abrangente de tecnologias de informação em rede e sistemas 
ciberfísicos em todos os estágios da fabricação e entrega do produto. 
Desse modo, nota-se que o conceito de manufatura inteligente foi 
23
formado recentemente e não tem um significado estabelecido, podendo 
ser usado para descrever a implementação de robôs, tecnologia da 
informação ou qualquer outra inovação na manufatura.
Para atingir seus objetivos, as empresas “inteligentes” usam softwares 
especializados, aplicações a laser e dispositivos de inteligência artificial 
integrados às máquinas e à sua infraestrutura. Um exemplo disso é 
que as organizações virtuais utilizam softwares para operação, a fim 
de garantir uniformemente a interação entre os ativos de produção 
distribuídos no espaço e para gerenciar esses ativos.
Adicionalmente, observa-se que uma das possíveis definições 
fundamentais de manufatura inteligente, na interpretação de cientistas, 
compreende um sistema de produção que pode levar em conta o 
contexto e ajudar pessoas e máquinas na solução de seus problemas, 
graças à implementação em larga escala de tecnologias de informação 
e comunicação no sistema de gestão de workflows (fluxo de trabalho). 
Além disso, podemos notar que a manufatura inteligente está 
intimamente ligada à Indústria 4.0, que também pode ser compreendida 
como um conceito que surgiu da estratégia de alta tecnologia do 
governo alemão para informatizar a manufatura. Ademais, sabe-se que a 
Indústria 4.0 é uma tendência moderna para a automação da produção, 
realizando amplo uso de tecnologias de nuvem, Internet das Coisas e 
sistemas ciberfísicos. Portanto, a chegada da Indústria 4.0 é impossível 
sem a difusão massiva da produção inteligente.
De acordo com Almeida (2019, p. 30), possíveis especificações dentro da 
manufatura inteligente envolverão:
• Máquinas inteligentes, capazes de trocar informações com outros 
sistemas de produção e trabalhar com alto grau de autonomia, 
além de robôs avançados.
24
• Internet das Coisas industrial, com dispositivos e tecnologias que 
fornecem conexão à internet para todas as máquinas na produção.
• Serviços em nuvem, que fornecem acesso à rede conveniente e 
contínuo a um pool compartilhado de recursos de computação 
configuráveis.
• Plataformas de integração empresarial, cuja tarefa é receber dados 
dos equipamentos, analisá-los e agregá-los.
• Tecnologias de Big Data.
As tecnologias e sistemas que fazem parte da manufatura inteligente são 
usados em fábricas e outras empresas para aumentar a produtividade e 
reduzir custos. De acordo com Almeida (2019), a manufatura inteligente 
é uma organização moderna do processo de negócios de uma 
empresa, que se caracteriza pela automação dos sistemas de produção; 
otimização dos processos de produção por meio da introdução de 
tecnologias modernas, incluindo robótica; coleta, armazenamento e 
processamento de grandes quantidades de dados usando a Internet 
das coisas e serviços em nuvem; previsão e planejamento de produçãoeficaz.
Entre as principais vantagens da produção inteligente, pode-se destacar: 
controle contínuo da produção por meio da coleta e análise de dados 
em tempo real; previsão de eventos futuros, acumulando e analisando 
dados de períodos passados e comparando-os com a situação atual 
e planejamento de produção eficiente. Além disso, é possível citar 
como possíveis benefícios a minimização de erros associados ao 
fator humano, devido ao aproveitamento máximo de modernos 
equipamentos automatizados e, consequentemente, o aumento da 
qualidade do produto; otimização do uso de recursos melhorando 
a qualidade do serviço ao cliente, simplificando as comunicações, 
recebendo feedback oportuno e reduzindo o tempo de serviço. Essas 
25
vantagens podem reduzir significativamente os custos de produção e 
aumentar a lucratividade do negócio.
1.2 Materiais na Indústria 4.0 e Impressão 3D e 4D
A tendência atual do mercado é comprar muitos sistemas complexos de 
máquinas autônomas. Desse modo, a integração de sistemas não é o 
único fenômeno significativo: o mercado está utilizando cada vez mais 
máquinas capazes de processar novos materiais, como carbono, titânio, 
caixas de alumínio fundido, materiais compósitos etc.
De acordo com Pires (2018), a manufatura aditiva (também conhecida 
pela sigla AM, em inglês, additive manufacturing) representa um conjunto 
de métodos tecnológicos para a produção de produtos e protótipos 
baseados na adição gradual de material a uma base na forma de uma 
plataforma plana, também, sendo popularmente conhecida pelo termo 
impressão 3D, como será explicado adiante. Assim, observa-se que 
a manufatura aditiva é classificada como uma classe de tecnologias 
promissoras para a produção customizada de peças de forma complexa, 
a partir de um modelo de computador tridimensional, pela aplicação 
sequencial de material (geralmente camada por camada). A manufatura 
aditiva atua em oposição à chamada produção subtrativa (por exemplo, 
usinagem tradicional). Outra definição da área ressalta a manufatura 
aditiva como o processo de unir materiais para criar objetos com base 
em dados de modelos 3D, geralmente em camadas, em oposição aos 
métodos subtrativos e de moldagem (PIRES, 2018).
Por outro lado, os termos usados em vários momentos incluem 
manufatura aditiva, processos aditivos, métodos aditivos, manufatura de 
camada aditiva, manufatura de camada e manufatura de forma livre.
A impressão 3D, no entanto, é definida como a fabricação de objetos 
por meio da aplicação de material com cabeça de impressão, bico ou 
outra tecnologia de impressão. No passado recente, o termo impressão 
26
3D era associado às máquinas de baixo custo e baixa produtividade, 
embora hoje em dia, usualmente, é comum ver na prática os termos 
manufatura aditiva e impressão 3D com o mesmo significado. Além 
disso, há a simulação por camadas de fusão (modelagem por deposição 
fundida, FDM–Fused Deposition Modelling) e uma série de tecnologias 
desenvolvidas com base nela. O próprio termo, impressão 3D, 
originalmente se referia ao processo de impressão de sanduíche de 
camada de pó usando cabeças de impressão a jato de tinta desenvolvido 
no Massachusetts Institute of Technology (MIT), em 1993. O processo foi 
proposto por alunos do MIT, Tim Anderson e Jim Bredt, que trabalharam 
em sua pesquisa acerca da criação de impressão a jato de tinta, com 
base na tecnologia do pó.
Outros possíveis sinônimos para o termo manufatura aditiva são: 
manufatura automatizada (também conhecida como Autofab–Automated 
Fabrication), para automação da produção e eliminação do trabalho 
manual; prototipagem rápida de produtos de forma livre, síntese 
camada por camada; fabricação aditiva adequada e moldagem aditiva 
(mais frequentemente entendida no significado de prototipagem). Desse 
modo, note que as tecnologias aditivas tornam possível fabricar uma 
peça ou produto diretamente de um modelo 3D de computador, que 
é virtualmente cortado em camadas finas, assim, o arquivo com este 
modelo é transferido para o sistema que realiza a formação camada por 
camada do produto.
Segundo Pires (2018), os principais processos tecnológicos e materiais 
utilizados são:
• Fotopolimerização em banho (Vat Photopolymerization - VP): 
fotopolímeros.
• Jato de material (MJ): fotopolímeros, cera e materiais orgânicos.
• Binder Jetting (BJ): metais, polímeros e cerâmicas.
27
• Síntese em um substrato (Powder Bed Fusion, PBF): metais, 
polímeros e cerâmicas.
• Extrusão de material (ME): polímeros, cerâmicas/compósitos e 
materiais orgânicos.
• Fornecimento direto de energia e material (Deposição Dirigida de 
Energia - DED): metais na forma de pó e fio.
• Laminação de folhas (SL): metais, polímeros e cerâmicas.
Além disso, é possível citar o CJP (ColorJet Printing), tecnologia de 
impressão 3D em cores por meio da colagem de um pó especial à base 
de gesso; o MJP (Impressão MultiJet) e modelagem multijato usando 
fotopolímero ou cera. Outros exemplos são a SLA/DLP (Stereolithography 
Apparatus/Digital Light Processing), estereolitografia a laser, baseada na 
solidificação camada por camada de um material líquido sob a ação da 
radiação laser; SLS (Selective Laser Sintering) sinterização seletiva a laser 
sob um feixe de laser de partículas de um material pulverulento para 
formar um objeto físico de acordo com um determinado modelo CAD 
e a SLM/DMP (fusão seletiva a laser/impressão direta de metal), fusão 
seletiva a laser de pó de metal usando modelos matemáticos de CAD em 
um laser de itérbio.
Já com relação aos possíveis benefícios do uso de certos materiais, 
conforme premissas da Indústria 4.0, além de vantagens com relação ao 
uso da impressão 3D, é possível citar as seguintes possibilidades:
• Fabricação de peças de configuração complexa (por exemplo, 
contendo canais de resfriamento internos), que não podem ser 
fabricadas pelo método subtrativo.
• Capacidade de transferir rapidamente um modelo 3D de 
computador para qualquer lugar do mundo, onde uma impressora 
28
adequada esteja instalada, o que permite organizar a produção 
local em escala global.
• Proximidade entre o formato do produto resultante e o 
especificado, o que reduz significativamente os custos de material 
e desperdício de produção.
• Curta duração das etapas de desenvolvimento e rápido 
lançamento do produto na produção.
• Possibilidade de pronta produção de ferramental.
• Impressão de desenhos de qualquer complexidade sem aumentar 
o preço (o princípio “complexidade de graça”–quando a produção 
de uma peça custa o mesmo que um lote grande).
• Viabilização econômica da produção em pequena escala e o 
lançamento de produtos customizados.
• Possibilidade de realizar alterações rapidamente no projeto, 
mesmo já estando na fase de produção.
• Realização de otimização topológica para requisitos especiais 
(como alteração de elementos estruturais para reduzir as 
características de peso e tamanho e melhorar as características 
funcionais, sem reduzir a resistência e durabilidade do produto).
• Descentralização da produção, simplificação da logística, redução 
dos prazos de entrega e possível redução dos estoques.
• Combinar vários componentes em uma peça, o que pode 
simplificar a montagem e acelerar a produção.
• Desenvolvimento de produtos antes inatingíveis ou muito caros 
para fabricação por métodos tradicionais.
• Impressão sob demanda.
29
• Uso eficaz da robótica, visto que certas máquinas robóticas para 
impressão 3D são capazes de automatizar o pós-processamento 
das peças impressas.
Por outro lado, existem pontos importantes que devem ser levados 
em consideração, especialmente quando se trata de novas tecnologias. 
Nesse caso, observa-se que se tornou possível imprimir peças em 
qualquer lugar em que uma impressora 3D adequada esteja instalada, o 
que levanta preocupações sobre a retenção da propriedade intelectual 
para fabricantes tradicionais e empresas que desenvolvem novas 
peças e equipamentos para uso próprio. Assim, dadasessas limitações 
específicas e outras possíveis desvantagens que possam ser vistas na 
prática, eventualmente, podemos concluir que de fato as tecnologias 
aditivas não podem substituir completamente a produção tradicional, 
sendo essas tecnologias de fabricação complementares.
A impressão quadridimensional (impressão 4D; também conhecida 
como bioprinting 4D, origami móvel ou sistema de deformação de 
forma) usa a mesma tecnologia de impressão 3D para criar objetos 
tridimensionais por meio da deposição de materiais programada 
por computador em camadas sucessivas. No entanto, a impressão 
4D aumenta a dimensão que muda com o tempo. Portanto, é uma 
substância programável na qual após o processo de fabricação, o 
produto impresso reage com os parâmetros do ambiente (umidade, 
temperatura etc.) e muda de forma em conformidade. A capacidade 
de fazer isso vem de configurações quase infinitas com resolução de 
mícrons, criando sólidos com uma distribuição espacial de moléculas 
projetadas, permitindo desempenho multifuncional sem precedentes. 
A impressão 4D é um avanço relativamente novo na tecnologia de 
fabricação biológica, tornando-se rapidamente um novo paradigma em 
disciplinas como bioengenharia, ciência dos materiais, química e ciência 
da computação.
30
Como a impressão 3D, a impressão 4D é um processo de aplicação de 
materiais camada por camada e, assim, gera um objeto tridimensional 
(peça), mas aqui também considera a quarta dimensão da peça acabada, 
o tempo. Como resultado, o objeto pode se mover e/ou mudar sob 
certos gatilhos sensoriais, como quando em contato com água, calor, 
vibração ou som (materiais inteligentes). Por sua vez, a impressão 4D 
está nos estágios iniciais de desenvolvimento e combina uma variedade 
de ciências, como bioengenharia, ciência e engenharia de materiais, 
química e ciência da computação e engenharia.
Segundo Pires (2018), as áreas de aplicação possíveis são:
• Casas e jardins (como construção automática de móveis, 
adaptação a campos de gramado).
• Segurança de construção, construção, proteção ambiental e 
tecnologias de energia (como tubos de reciclagem automática).
• Indústrias de vestuário e têxteis (como adaptação ao clima).
• Engenharia aeroespacial, transporte e engenharia de tráfego 
(como, Adaptação de materiais às condições ambientais, 
deformação de trajes espaciais, obstáculos de autoconstrução).
• Tecnologia médica e biologia (por exemplo, implantes e 
bioimpressoras).
1.2.1 Tecnologia de impressão
A estereolitografia é uma tecnologia de impressão 3D que usa 
fotopolimerização para unir substratos que foram colocados em 
camadas para formar uma rede de polímero. Em contraste com 
a modelagem de deposição fundida, onde o material extrudado 
endurece imediatamente para formar uma camada, a impressão 4D 
é basicamente baseada em estereolitografia, em que, na maioria dos 
31
casos, a luz ultravioleta é usada para curar o material em camadas após 
a conclusão do processo de impressão. A anisotropia é crucial para 
projetar a direção e a magnitude da transformação sob determinadas 
condições. Ao organizar os materiais microscópicos de uma certa 
maneira, ela incorpora diretividade para a impressão acabada.
Por meio da impressão 4D, um método de fabricação rápido e 
preciso que pode ser realizado para controlar a atuação autodobrável 
espacial em estruturas macias projetadas de maneira personalizada. 
A transformação de espaço e tempo pode ser alcançada por meio de 
vários mecanismos de atuação, como transição de fase de gel de cristal 
líquido, coeficiente de expansão térmica, diferença de condutividade 
térmica e diferentes razões de expansão e desexpansão de vigas de 
camada dupla ou compostas. Uma forma de simular a impressão 4D 
é controlar os parâmetros de impressão 3D, como diferentes padrões 
espaciais de dobradiças que afetam o tempo de resposta e o ângulo de 
curvatura dos produtos impressos 4D. Para tanto, desenvolveu-se um 
modelo paramétrico das propriedades físicas de painéis de polímero 
com memória de forma contendo padrões impressos em 3D. O modelo 
proposto prevê a forma final do atuador, que apresenta excelente 
consistência qualitativa com pesquisas experimentais. Esses resultados 
verificados podem orientar o projeto de impressão 4D baseada no modo 
funcional.
1.3 Robótica e sensores
Sob a ótica da robótica, de acordo Costa e Lizarelli (2018), destacam-se 
os sensores que são necessários para que os robôs possam receber 
informações sobre eles próprios e seu ambiente físico. Atualmente, há 
um grande número desses sensores, envolvendo grandezas mecânicas 
(lineares, deslocamentos angulares, distância, aceleração, forças e 
momentos); sistemas de visão; medidores de temperatura, corrente 
e tensão; intensidade de luz; radioatividade e campos magnéticos; 
32
sensores acústicos; detectores de umidade, gás, entre outros. Além 
disso, é importante ressaltar que todos esses sensores, além dos 
já citados, trabalham a partir de diferentes princípios físicos, que 
determinam a gama de condições nas quais a qualidade necessária das 
medições possa ser assegurada.
Por exemplo, considere a distância a objetos circundantes, que pode ser 
medida utilizando elementos como sonares, telêmetros infravermelhos, 
câmeras, radares, usando a radiação de diferentes comprimentos de 
onda. Se o primeiro fica cego em superfícies felpudas, o último começa 
a ficar com a radiação, e terceiro–ao medir a distância até superfícies 
escuras, então, os sonares que diferem favoravelmente em resolução 
e alcance, mas obviamente perdem em preço. Note, ainda, que a 
escolha de certos sensores, comparados a outras opções, dependerá do 
ambiente de uso pretendido.
Adicionalmente, perceba que além da qualidade a precisão e a 
velocidade são parâmetros também necessários a um sistema, bem 
como para os sensores associados, especialmente quando se tenta 
avaliar um ambiente em mudança dinâmica. Um exemplo prático desta 
necessidade é a obtenção da distância até os obstáculos em movimento 
na navegação autônoma.
Em contrapartida, tem-se que encontrar um meio-termo entre preço 
e qualidade é um problema científico e técnico não trivial, não só para 
pesquisadores livres, mas startups e gigantes da indústria, embora 
já tenha sido visto um grande salto. Um progresso significativo foi 
feito com o advento dos sistemas microeletromecânicos (MEMS), em 
boa parte atribuído à produção em massa de smartphones. Logo, 
considerando que robôs anteriores usavam acelerômetros e giroscópios 
caros e em grande escala, com a ajuda de sensores MEMS, até mesmo 
a robótica de consumo agora pode ser equipada com sensores. Por 
33
fim, esse é um exemplo habilitador tecnologia e como uma área da 
tecnologia influencia o desenvolvimento de outra.
Com relação à robótica, observa-se que os robôs estão tentando “copiar” 
humanos ou animais, embora seja importante enfatizar que, muitas 
vezes, esses têm sistemas muito melhores. O aparelho vestibular de 
uma pessoa, por exemplo, fixa uma mudança na posição do corpo ou 
da cabeça, mas não há órgão que sugira quantos minutos angulares o 
joelho ou cotovelo estão dobrados, ou a que distância de nós o objeto 
está com uma precisão de um mícron, por exemplo.
Em geral, os robôs podem ser condicionalmente divididos em dois tipos: 
de locomoção e manipulação. A principal tarefa do primeiro é mover-
se por si próprio, mover uma carga útil ou uma pessoa, por distâncias 
consideráveis, como é o caso dos drones, veículos não tripulados 
ou barcos. A principal possível tarefa dos sensores, neste caso, será 
determinar a própria posição do robô no espaço, com base em dados 
de odometria ou sistemas de posicionamento global, bem como sua 
localização em relação aos objetos circundantes. Além disso, neste tipo 
de sistema é possível adicionar sensores de aceleração linear e angular, 
que fornecem uma sensação de equilíbrio, ou seja, orientação no campo 
gravitacional.
Adicionalmente, segundo Costa e Lizarelli (2018), a tarefados robôs de 
manipulação, por sua vez, que devem imitar funcionalmente as mãos, é 
realizar várias operações com objetos. A este ponto torna-se importante 
retomar conceitos como a sensação cinestésica, que dá informações 
proprioceptivas, para sensações de posição, movimento e força. Desta 
forma, percebe-se neste tipo de sistema a necessidade por sensores 
que permitam a determinação da configuração atual e das velocidades 
de partes individuais do robô, bem como sensores táteis e de força-
torque. Esses últimos são especialmente necessários para garantir uma 
aderência confiável de objetos manipulados, para controlar as forças 
de interação com objetos (o ambiente e uma pessoa), a fim de, por 
34
exemplo, realizar uma operação de contato de forma eficiente e não 
danificar o robô ou ferir uma pessoa que esteja por perto ou em contato 
direto.
Além disso, ressalta-se que para todos os robôs listados, um grande 
número de sensores auxiliares, também denominados como de 
serviço, podem ser usados, cujo uso dependerá da aplicação específica 
do sistema. Além disso, alguns deles poderão fornecer informações 
sobre o estado interno do sistema (interocepção) e sobre o meio 
ambiente (exterocepção), por exemplo. Neste contexto, vale mencionar 
especialmente o caso de certos tipos de sensores, para organizar 
as interfaces homem-robô, por exemplo, que são extremamente 
importantes.
Ademais, ressalta-se que uma das possíveis direções mais importantes 
no desenvolvimento da área sensorial robótica é a avaliação da 
sensação de força-momento, com o desenvolvimento de sensores 
táteis, por exemplo. Os robôs de manipulação modernos custam cada 
vez menos para uso em células separadas, atrás de cercas de ferro ou 
cortinas infravermelhas, sem falar nos robôs de serviço ou pessoais. O 
progresso está caminhando para a criação de robôs que sejam capazes 
de trabalhar com eficiência e segurança em um ambiente dinâmico e 
não estruturado.
Além da área anterior, temos o sensoriamento distribuído, um novo 
conceito no projeto de sistemas robótico, proporcionando um projeto 
funcional integrado ou co-projeto de todos os componentes do robô. 
Neste contexto, temos a situação quando a estrutura, atuadores, 
sensores, fontes de alimentação, plataformas de computação, 
algoritmos e software são desenvolvidos simultaneamente, com base 
na funcionalidade final do sistema. Outra área de extensa pesquisa 
e ênfase atualmente é a visão técnica. Um exemplo prático disso 
35
é que uma das principais tarefas que precisam ser resolvidas hoje 
para avançar no desenvolvimento de veículos não tripulados é tornar 
o sensor lidar barato, visto que o preço dele ainda aumenta muito 
o custo do robô acabado e não permite que tais sistemas sejam 
produzidos em massa. Além disso, percebe-se que, em busca de uma 
alternativa para a robótica móvel, as pessoas estão tentando fazer um 
sistema de navegação autônomo baseado em outros sensores, por 
meio de elementos como sonares, câmeras estéreo, sensores de luz 
estruturados e câmeras de tempo de voo. Por último, em conexão com 
o desenvolvimento da robótica pessoal, os sensores para interação 
multimodal com uma pessoa devem receber uma adoção mais ampla, 
incluindo, por exemplo, sensores combinados para leitura simultânea 
de informações de áudio e visuais para posterior processamento de 
linguagem natural.
1.4 Veículos autônomos
Segundo Costa e Lizarelli (2018), a desintegração, que começou 
com veículos conectados, favorecerá o desenvolvimento da direção 
autônoma, que pode ser definida como movimento em um autômato 
que usa inteligência artificial, sensores e coordenadas do sistema de 
posicionamento global para se comportar sem a intervenção ativa de 
um operador humano. A direção (semi) autônoma, por sua vez, é uma 
possível próxima vertente no desenvolvimento da indústria automotiva 
e, para muitos autores e pesquisadores da área, a evolução natural 
do carro como conhecemos atualmente. Os OEMs (Original Equipment 
Manufacturer, ou “Fabricante Original do Equipamento) devem alinhar 
suas estratégias com a trajetória dessa tecnologia, estando ciente 
dos benefícios potenciais dela, sua provável cobertura em setores 
36
relacionados e os desafios para a implantação completa, ajudando aos 
OEMs a maximizar as oportunidades e minimizar os riscos.
Assim, ressaltamos que a direção autônoma tem benefícios potenciais 
para os motoristas individuais, bem como para a sociedade como 
um todo. A Figura 1 mostra como possivelmente prevê-se que será a 
conexão dos carros no futuro.
Figura 1–Carros conectados em vias
Fonte: igphotography/iStock.com.
Um outro ponto importante a ser mencionado é que a direção 
autônoma representará uma revolução na maneira como entendemos a 
mobilidade pessoal e terá implicações imediatas e de longo alcance em 
várias áreas.
Assim, de sistemas modernos de entretenimento informativo pela 
Internet a sistemas mais avançados de assistência ao motorista em 
médio prazo, até uma direção totalmente autônoma, a trajetória do 
37
veículo com a tecnologia indica conectividade crescente. Os participantes 
tradicionais da indústria automobilística–junto com um número 
crescente de empresas que estão encontrando novas oportunidades na 
indústria automotiva–terão que esperar mudanças no pool de lucros, o 
que provavelmente levará à conectividade, uma vez que perturba cada 
vez mais a cadeia de valor.
Visto que o valor geral do ciclo de vida do veículo provavelmente 
permanecerá constante, é ainda mais importante que as empresas com 
interesse no jogo agora tomem uma atitude. Especificamente, OEMs 
e fornecedores terão que defender seus estoques atuais e se mover 
de forma decisiva em áreas onde possam desempenhar um papel 
importante na conectividade. Os seguradores, as telecomunicações e os 
players digitais provavelmente se tornarão parceiros de OEMs de uma 
forma ou de outra. Até que ponto os participantes tradicionais podem 
manter seus pedaços do bolo automotivo e os participantes novos na 
indústria podem reivindicar conectividade? Depende de quão bem eles 
podem estabelecer benchmarks.
Referências Bibliográficas
ALMEIDA, P. S. Indústria 4.0: princípios básicos, aplicabilidade e implantação na 
área industrial. São Paulo: Érica, 2019.
COSTA, M. A. B.; LIZARELLI, F. L. Evolução das teorias e práticas administrativas: 
de Ford à Indústria 4.0. Santa Cruz do Rio Pardo: Viena, 2018.
PIRES, J. N. Robótica industrial: Indústria 4.0. Lisboa: Lidel, 2018.
38
PCM, interoperabilidade e 
customização em massa 
Autoria: Aristóteles Ramon Dias Couto Moreno
Leitura crítica: Sofia Maria Amorim Falco Rodrigues
Objetivos
• Apresentar o novo planejamento e controle da 
manutenção na indústria 4.0. 
• Aprender a interoperabilidade e confiabilidade das 
manutenções.
• Compreender o papel da customização em massa no 
cenário atual. 
39
1. O PCM (Planejamento e Controle da 
Manutenção) na Indústria 4.0
No contexto da produção flexível e adaptável, as empresas com 
manutenção prescritiva podem agir com previsão e reduzir 
drasticamente os tempos de parada não planejados. Assim, instruções 
específicas podem ser derivadas ao vincular fluxos de valor de produção 
com software de autoaprendizagem.
Segundo Fogliato e Ribeiro (2009), os ciclos de vida mais curtos do 
produto e saltos tecnológicos mais rápidos aumentam os requisitos para 
o uso eficiente dos recursos de produção nas empresas de manufatura. 
Falhas, desempenho insuficiente e perda de qualidade representam 
um risco elevado, especialmente no contexto de uma reestruturação 
dos processos produtivos. No âmbito do conceito Indústria 4.0, que alia 
a moderna tecnologia da informação a processos industriais clássicos, 
a manutenção e assistência são cada vez mais importantes. Com a 
rede digital de máquinas, processos de fabricação, bem como sistemas 
de vendas e armazenamento, garante-se alta disponibilidade das 
instalações de produção e minimiza o tempo de inatividade.
Além dos sistemas de altaqualidade, a alta disponibilidade requer 
reparos rápidos em caso de falha. No entanto, isso requer a 
disponibilidade de recursos adequados, como especialistas, peças de 
reposição ou logística. A fim de minimizar o esforço necessário para isso, 
é necessário obter uma previsão dos eventos de avaria da forma mais 
confiável possível, pois, é a única forma de disponibilizar os recursos 
de manutenção necessários conforme a necessidade. Para fazer isso, 
torna-se primordial uma estratégia de manutenção que reconheça 
possíveis erros ou mau funcionamentos nos sistemas antes que eles 
ocorram e, assim, permitindo que a manutenção ideal seja planejada. 
Logo, a manutenção prescritiva fornece meios importantes dentro desta 
estratégia.
40
Neste cenário, os dados também serão um fator decisivo. A partir dos 
dados operacionais, por exemplo, pode-se obter informações técnicas 
abrangentes, que não só se acumulam em grandes quantidades 
com a Indústria 4.0 ou a Internet das Coisas, mas também podem 
ser disponibilizados onde houver conexão à Internet. Com os dados 
de velocidade, pressão do óleo, temperatura ou nível do líquido 
refrigerante, por um lado, pode-se controlar e monitorar os sistemas 
individuais para que os fabricantes ou prestadores de serviços possam 
planejar de forma otimizada suas medidas. Por outro lado, informações 
abrangentes sobre o comportamento dos sistemas são coletadas. Se 
elas forem processadas adequadamente, as probabilidades estáticas 
para a ocorrência de certos casos de serviço podem ser derivadas, 
como se a velocidade no sistema X flutuar além da tolerância, há uma 
probabilidade de uma quebra do eixo nos próximos m dias. Desse 
modo, quanto mais dados estiverem disponíveis, os respectivos 
algoritmos podem melhor determinar a probabilidade de ocorrência de 
danos.
Com o uso da manutenção prescritiva, as despesas de manutenção nas 
empresas de manufatura podem ser reduzidas drasticamente. Assim, 
estima-se que os tempos de parada não planejados das máquinas 
podem ser reduzidos em 40 a 60% em dois anos; ao passo que a carga 
de trabalho e custos de material podem reduzir de 35 a 60%. Porém, 
ainda, ao mesmo tempo, observa-se que a vida útil de um sistema 
pode ser aumentada em 30 a 60%, a disponibilidade dos sistemas é 
melhorada, estabelecendo-se um processo de produção ininterrupto, 
o que é um fator competitivo decisivo em indústrias de alta tecnologia, 
como as de fabricação de automóveis (FOGLIATO; RIBEIRO, 2009).
O que está mudando significativamente devido à digitalização é a 
Internet das Coisas e a Indústria 4.0. Por exemplo, os fabricantes estão 
equipando suas máquinas e sistemas com cada vez mais sensores, 
que coletam cada vez mais dados e os encaminham pela Internet. Com 
41
isso, inevitavelmente, a manutenção deve também mudar–no que 
diz respeito às medidas individuais, no que se refere à qualificação 
das pessoas que realizam a manutenção, e no que diz respeito 
às tecnologias que são utilizadas para a manutenção. Em suma, a 
Manutenção 4.0 deve ser desenvolvida paralelamente à Indústria 
4.0. Por sua vez, essa dinâmica na manutenção se reflete em quatro 
tendências, que serão vistas a seguir.
1.1 Rede de valor: com forças unidas
Normalmente, há três partes envolvidas na manutenção dos ativos: o 
operador, o fabricante e a empresa de manutenção. Ao trabalharem 
juntos, eles precisam realizar extensas trocas de informações, um 
problema até certo período no passado. Um exemplo disto é o fato 
de que as informações sobre a operação e manutenção de máquinas 
e sistemas, ferramentas e veículos vêm do fabricante e ele até então 
quase sempre enviava ao operador todas as especificações técnicas, 
instruções de manutenção, entre outras em pen drives, CDs ou na 
forma de manuais impressos. Em seguida, o fabricante armazena as 
informações localmente em seu próprio sistema. No entanto, isso é 
problemático porque as pistas permanecem isoladas. Em alguns casos, 
os próprios funcionários não podem acessar ou, com dificuldade, 
acessam as informações de que precisam para a operação.
Um outro problema comum é que quase todas as máquinas e sistemas 
agora são equipados com sensores que coletam dados, fornecendo 
assim informações sobre a condição deles. Esses dados ficam à 
disposição do operador, que, na melhor das hipóteses, os utiliza para a 
melhoria contínua dos processos.
Por fim, ressalta-se que as redes de valor agregado devem promover 
mudanças acerca das dificuldades envolvidas na troca de dados 
no futuro. A ideia central é: operadores, fabricantes e pessoal de 
42
manutenção transmitem seus dados–ou pelo menos parte deles–para 
sistemas baseados em nuvem que todas as três partes possam acessar. 
O gêmeo digital desempenha um papel fundamental nisso.
1.2 Gêmeo digital: a imagem do espelho virtual
O gêmeo digital representa a imagem virtual de um ativo real, ao qual 
todas as informações relevantes são atribuídas em formato digital. Isto 
incluirá, especialmente, as instruções do fabricante sobre operação e 
manutenção, a documentação sobre todas as medidas de manutenção 
durante toda a vida útil e os dados registrados da máquina. Assim, 
observa-se que o gêmeo digital é, de fato, muito além do que uma 
coleção de informações e ressalta-se que o respectivo ativo também é 
mapeado, com fotos e modelos 3D.
Desta forma, em uma rede de valor agregado, o gêmeo digital é um 
elemento de conexão entre o operador, o fabricante e a empresa 
de manutenção. A imagem virtual, por sua vez, realiza ainda mais, 
pois, como os dados da máquina são registrados em tempo real, os 
processos em andamento podem ser mapeados um a um e até mesmo 
visualizados. Para o monitoramento de condições, usado por algumas 
empresas, isso abre novas oportunidades e, além disso, o gêmeo 
digital pode ser usado para simular desvios da operação normal que 
podem causar mau funcionamento. Então, os operadores podem tomar 
medidas preventivas em um estágio inicial. Por último, ressalta-se ainda 
que o gêmeo digital é o ponto de partida para novos serviços e modelos 
de negócios–como a manutenção preditiva. O pré-requisito para isso é 
que os dados sejam avaliados de forma sistemática e específica.
1.3 Ciência de dados: a ciência da análise de dados
Os ativos equipados com sensores geram grandes quantidades de 
dados, que são atribuídos a seus gêmeos digitais, um verdadeiro 
43
progresso constatado, no entanto, para transformar os dados em um 
conhecimento ainda mais útil, são necessários métodos analíticos 
poderosos. Nesse contexto, a ciência de dados está se tornando cada 
vez mais importante, trazendo técnicas como a mineração de dados, o 
aprendizado de máquina, a pesquisa operacional e análises estatísticas, 
entre outras à tona. Por sua vez, os métodos quantitativos são utilizados 
para reconhecer padrões, por exemplo, em dados caóticos estruturados 
e não estruturados do passado. Com base nesses padrões e com a ajuda 
de algoritmos que avaliam os dados atuais em tempo real com análises 
multivariadas, podemos realizar previsões.
Desta forma, observa-se que a manutenção preditiva é uma questão 
fundamental para a indústria, visto que a análise dos dados da máquina 
coletados permite o provável desenvolvimento da condição de um 
ativo a ser calculado e possíveis avarias serem previstas em um estágio 
inicial. A Figura 1 apresenta engenheiros analisando o planejamento da 
manutenção por meio de software.
Figura 1–Planejamento da manutenção
Fonte: gorodenkof/iStock.com.
44
Assim, as falhas não planejadas podem ser evitadas e as medidas de 
manutenção necessárias podem ser planejadas de forma otimizada. 
Para o operador, isso está associado a uma redução considerável nos 
custos bem como a um aumento na produção. Para fabricantes e 
pessoal de manutenção, a manutenção preditiva pode ser uma forma de 
expandir o portfólio de serviços com novos serviços.
1.4 Da previsão à decisão
O conceito de manutenção prescritiva pode ser introduzido 
especialmente no contextono qual sensores já estão coletando dados 
extensos e uma infraestrutura de comunicação correspondente está 
disponível. Caso isto não ocorra, sugere-se atualizar os sistemas de 
monitoramento em uma data posterior, embora isso ocasione em um 
aumento de tempo para que o rendimento seja realmente alcançado.
Assim, define-se que o conceito de manutenção prescritiva vai além da 
mera previsão de eventos danosos. As soluções modernas inicialmente 
combinam manutenção preditiva e tomada de decisão. Desse modo, 
as estratégias de decisão são integradas com base em análises, mas 
também em modelos históricos e informações de contexto. O sistema, 
por sua vez, cria modelos levando em consideração as regras de 
negócios, estratégias e diretrizes e sugere medidas específicas ou etapas 
de processamento, por exemplo, como um reparo pode ser melhor 
executado. Adicionalmente, em etapa posterior, o conceito é expandido 
para incluir análises adaptativas. Logo, o sistema está habilitado a 
aprender de forma independente e otimizar as “próximas melhores 
ações” propostas, com base em informações em tempo real e um ciclo 
de feedback contínuo. Com essa abordagem, a manutenção prescritiva 
se encaixa perfeitamente nas estratégias da Indústria 4.0 e garante a 
disponibilidade de longo prazo de sistemas industriais complexos.
45
2. Interoperabilidade e confiabilidade
De acordo Costa e Lizarelli (2018), a qualidade está intimamente 
relacionada à confiabilidade, definida como a propriedade de um objeto 
de desempenhar funções especificadas, mantendo ao longo do tempo 
os valores dos indicadores de desempenho estabelecidos dentro de 
limites especificados, correspondentes aos modos e condições de uso 
especificados. Em outras palavras, confiabilidade implica em qualidade 
ao longo do tempo. Nesse sentido, em conexão com o desenvolvimento 
de tecnologia moderna, aumentar a confiabilidade de vários tipos de 
dispositivos adquiriu uma importância particular. Um dos exemplos 
de confiabilidade de manipuladores espaciais, com base em dados 
específicos, será analisado mais adiante.
A automação abrangente dos processos de produção, por sua vez, 
apresenta tarefas extremamente importantes para dispositivos de 
controle que devem ser executados sem falhas durante todo o período 
de operação de uma linha automática, oficina automatizada ou 
empresa. Uma interrupção no funcionamento do dispositivo de controle 
pode levar não só a uma deterioração da qualidade dos produtos 
manufaturados ou ao encerramento total do processo de produção, 
mas também a acidentes muito graves que extrapolam o âmbito local 
do empreendimento. Assim, os requisitos para a confiabilidade dos 
mecanismos e vários tipos de dispositivos devem, naturalmente, ser 
apresentados não apenas para aqueles que são encarregados da 
gestão de certos processos. A figura a seguir ilustra a confiabilidade na 
manutenção.
46
Figura 2–Confiabilidade na manutenção
Fonte: Minerva Studio/iStock.com. 
A medicina moderna faz uso extensivo de vários tipos de meios técnicos, 
tanto para fins diagnósticos e de pesquisa quanto para desempenhar 
funções importantes durante e após a cirurgia. Assim, devem ser feitas 
demandas particularmente altas ao seu trabalho, já que interrupções 
no trabalho de alguns corações artificiais durante uma operação, por 
exemplo, podem levar à morte.
Com inúmeros exemplos em que a qualidade do produto desempenha 
um papel importante, cada um de nós encontra em nosso dia a dia. 
Além disso, tem-se que é denominada a disciplina científica geral 
que estuda os métodos e técnicas gerais que devem ser seguidos no 
projeto, fabricação, recepção, transporte e operação dos produtos 
para garantir sua eficiência máxima no processo de uso, bem como 
o desenvolvimento de métodos gerais para o cálculo da qualidade 
dos dispositivos com base nas qualidades conhecidas de suas partes 
constituintes de teoria da confiabilidade. A teoria da confiabilidade 
47
estabelece os padrões de ocorrência de falhas de dispositivos e métodos 
para sua previsão; procura maneiras de aumentar a confiabilidade 
dos produtos durante o projeto e subsequente fabricação, bem como 
métodos para manter a confiabilidade durante o armazenamento e 
a operação. Ela desenvolve métodos de verificação de confiabilidade 
ao aceitar grandes quantidades de produtos. Portanto, a teoria da 
confiabilidade apresenta indicadores quantitativos da qualidade do 
produto.
Quanto aos principais desafios acerca da confiabilidade e da 
interoperabilidade, segundo Costa e Lizarelli (2018, p. 79), temos que:
• Aspectos com relação à segurança, visto que a consolidação de 
sistemas é uma ameaça à segurança, por exemplo, em particular 
do ponto de vista da proteção de dados. Os dados devem ser 
protegidos de forma confiável contra-ataques de hackers externos 
diretos e vazamentos de informações não intencionais associados, 
por exemplo, com competência insuficiente ou erros de pessoal. A 
cibersegurança é especialmente importante para as infraestruturas 
de controle que são críticas para o funcionamento, como é o caso 
de empresas envolvidas na produção e distribuição de eletricidade 
e gás, além das infraestruturas em que existe o risco de situações 
perigosas para o ambiente e a saúde humana, como centrais 
químicas, centrais nucleares, entre outras.
• Quanto à testabilidade, já que cada novo sistema introduzido 
ou cada alteração feita no sistema deve ser pré-testado, em um 
ambiente de produção para garantir que estas sejam seguras e 
confiáveis em várias situações. Com todos os sistemas da empresa 
totalmente integrados e digitalizados, os testes são muito mais 
desafiadores do que antes.
• Aproveitamento da inteligência artificial para o controle 
autônomo, bem como para manutenção e reparo inteligente 
e preditivo, otimização e processos de tomada de decisão e 
48
aumento da segurança. Um exemplo disso é a implementação 
do reconhecimento facial ou de voz, uma das tendências 
frequentemente discutidas. Para que os algoritmos funcionem 
adequadamente, a inteligência artificial precisa passar por estágios 
de “aprendizado” ou “treinamento” usando dados de amostra. No 
entanto, obter essas amostras de dados também é um desafio, 
visto que é necessário não apenas coletar a quantidade adequada 
de dados relevantes para o treinamento, mas também provar 
que os dados coletados contêm todas as informações necessárias 
sobre os estados críticos do sistema, permitindo que ele seja 
testado com sucesso.
• Por último, quanto à conformidade e padronização, sendo que 
o setor de automação industrial está implementando requisitos 
regulamentares cada vez mais rigorosos para proteger a saúde 
humana e o meio ambiente. Assim, a esse ponto é importante 
entender que o conceito da Indústria 4.0 representa um grupo de 
padrões que continuam a ser complementados e aprimorados. 
 
Por outro lado, não há dúvida de que a teoria da confiabilidade é 
uma ciência complexa e pertence, principalmente, à competência de 
um engenheiro, físico, químico e economista, sendo que um grande 
número de problemas na teoria da confiabilidade é essencialmente 
de natureza matemática e requerem ferramentas matemáticas já 
conhecidas e o desenvolvimento de novas para sua solução. Além disso, 
se nos esforçarmos para tirar a ciência da confiabilidade do estado de 
conclusões puramente qualitativas e, às vezes, puramente subjetivas, 
certamente devemos nos voltar para a linguagem da matemática. Um 
exemplo disso são declarações como “Tenho certeza de que tal projeto 
será mais confiável do que outro”, “estamos convencidos de que nossos 
produtos são melhores do que os fabricados por uma empresa vizinha”, 
que não têm outra evidência além da confiança pessoal, não podem 
servir de base para conclusões confiáveis. De acordo com Seleme (2016), 
com base em todas as premissas e colocações anteriores, é possível 
49
formular uma definição clássica de confiabilidade, como a propriedade 
de um objeto para desempenhar funçõesespecificadas, mantendo no 
tempo os valores dos indicadores de desempenho estabelecidos dentro 
dos limites especificados, correspondentes aos modos e condições de 
uso, manutenção, reparos, armazenamento e transporte especificados.
Em contrapartida, para alguns produtos de design relativamente 
simples, o conceito de falha pode ser inserido com bastante precisão. 
Por exemplo, uma lâmpada acende ou não acende se seu cabelo estiver 
queimado. No entanto, mesmo para qualquer produto complexo, o 
conceito de falha é muito relativo. Se um barbeador elétrico barbear, 
mas fizer muito barulho, podemos presumir que ele falhou? A 
relatividade do conceito de falha é especialmente clara no exemplo dos 
produtos de engenharia de rádio. Se o valor de alguma resistência na TV 
mudar alguns pontos percentuais, então, aparentemente, a imagem se 
deteriorará um pouco. Por outro lado, a mesma mudança na magnitude 
da resistência em um dispositivo complexo pode causar consequências 
incomparavelmente mais sérias.
Por isso, é importante compreender que, em geral, os mecanismos reais 
falham aleatoriamente e em momentos aleatórios. Isso significa que 
para medir e avaliar as possibilidades é necessário usar um aparato que 
descreva eventos e processos aleatórios. Com isto, torna-se necessário 
elencar aspectos de conceitos como a teoria da probabilidade e 
disciplinas matemáticas relacionadas. O principal indicador quantitativo 
de confiabilidade, por sua vez, é a probabilidade de operação sem falhas 
de um produto em um determinado período de tempo ou dentro de um 
determinado tempo de operação.
Na prática, por vezes, a atenção principal é dada à melhoria das 
unidades principais do produto, perdendo-se de vista que a causa da 
insegurança e do subsequente acidente podem ser unidades estruturais, 
50
que parecem ter um carácter secundário, auxiliar. Normalmente, são as 
unidades principais e os equipamentos principais que são projetados 
para alta confiabilidade.
3. Engenharia e customização em massa
Segundo Seleme (2016), a customização em massa se refere à 
capacidade de uma empresa de produzir um produto customizado a 
um custo unitário baixo. Isso é frequentemente comparável ao que é 
alcançado pela produção em massa. Essa capacidade de personalizar um 
produto a um preço acessível surgiu nas últimas décadas com o advento 
dos computadores e da Internet. Dessa forma, a produção em massa 
tem sido historicamente sinônimo de uniformidade e padronização 
necessária, para manter os custos baixos. Já a personalização, por sua 
vez, é o oposto, trazendo conceitos ao produto como individualizado e 
singular, que quase sempre acarretarão custos maiores. Por outro lado, 
perceba que à primeira vista o termo customização em massa parece 
contraditório e tal contradição permanece ao longo do tempo, embora 
visualize-se que a tecnologia digital mudou tudo isso.
Assim, é importante reforçar que os custos de fabricação são mais 
baixos em muitas fábricas típicas devido ao uso de computadores. 
Carros, barcos, aviões e trens são mais baratos hoje em dia devido 
ao design e fabricação auxiliados por computador, por exemplo. 
Além dos computadores, a Internet também ajuda a reduzir os 
custos de fabricação, especialmente em setores de serviços, como 
o gerenciamento de investimentos, pesquisa e desenvolvimento e 
processamento de reclamações e centrais de atendimento ao cliente, 
por exemplo. Já os custos de distribuição são significativamente mais 
baixos graças à Internet. Inúmeros produtos, incluindo livros, jornais, 
revistas, sinistros de seguros e educação universitária alcançaram custos 
de envio mais baixos. Os custos de vendas, por sua vez, estão agora tão 
51
baixos que a área de mercado para muitos produtos está se expandindo 
em todo o mundo.
Desse modo, essas economias combinadas na produção e distribuição 
tornaram a customização em massa uma realidade. Por exemplo, um 
jornal antigamente, antes do digital, havia uma edição matinal, uma 
vespertina e possivelmente uma edição posterior e para qualquer 
edição, cada leitor recebia a mesma cópia. Hoje sai o mesmo jornal 
impresso, como sempre e também pode haver uma versão online que é 
constantemente atualizada, é quase infinitamente personalizável e pode 
ser entregue em qualquer lugar do mundo onde haja uma conexão com 
a Internet. Um leitor on-line, geralmente, pode selecionar o conteúdo e o 
layout de acordo com suas preferências.
Essas novas oportunidades de produção e distribuição, possibilitadas 
pelos computadores e pela Internet, ampliaram muito o arsenal 
competitivo à disposição das empresas. Os computadores e a Internet 
expandem muito as possibilidades de desenvolvimento de produtos. 
A capacidade das empresas de usar tecnologia para customizar seus 
produtos é uma nova arma competitiva.
Assim, ressalta-se que a principal tarefa da customização é criar no 
consumidor a sensação de que o trabalho está sendo feito pessoalmente 
para ele e satisfaz suas necessidades pessoais. Com isso, a customização 
é considerada o ideal de interação fornecedor de bens/serviços–cliente, 
não sendo apenas atraente por razões éticas, mas também tem boa 
relação custo-benefício, pois, fornece uma vantagem competitiva ao criar 
maior valor para o cliente. Dessa forma, observamos que a principal 
ferramenta utilizada para melhorar a interação entre o fabricante e o 
consumidor são os sistemas de CRM.
A gestão de relacionamento com clientes (CRM-system, The Customer the 
Relationship Management) consiste em uma aplicação de software para 
organizações, destinada a automatizar estratégias de interação com os 
52
clientes, nomeadamente para aumentar as vendas, otimizar o marketing 
e melhorar o serviço clientes, armazenando informações sobre os 
clientes e o histórico de relacionamento com eles, estabelecendo e 
melhorando os processos de negócios e, em seguida, analisando os 
resultados (SELEME 2016). Além disso, observa-se que o CRM é um 
modelo de interação baseado na teoria de que o centro de toda a 
filosofia de negócios é o cliente, e as principais direções das atividades 
da empresa são medidas para garantir um marketing, vendas e 
atendimento ao cliente eficazes. Apoiar esses objetivos de negócios 
inclui a coleta, armazenamento e análise de informações sobre clientes, 
fornecedores, parceiros, bem como sobre os processos internos da 
empresa. Por sua vez, as funções de suporte a essas metas de negócios 
incluem vendas, marketing e suporte ao cliente.
De acordo com Seleme (2016), o sistema CRM pode incluir:
• Front part, atendendo aos clientes nos pontos de venda com 
processamento de informações autônomo, distribuído ou 
centralizado.
• A parte operacional, que fornece autorização de transações e 
relatórios operacionais.
• Armazenagem de dados.
• Subsistema analítico.
• Sistema de suporte de vendas distribuído: réplicas de dados em 
pontos de venda ou smart cards.
Ademais, observa-se que muitas implementações de personalização 
em massa estão em vigor hoje, como configuradores de produtos de 
software, que permitem adicionar e/ou modificar a funcionalidade 
do produto principal ou criar gabinetes totalmente personalizados 
do zero. No entanto, esse grau de customização em massa recebeu 
53
apenas uma distribuição limitada. Se o departamento de marketing de 
uma empresa oferece produtos separados (fragmentação atômica do 
mercado), por exemplo, isso não significa que o produto está sendo 
fabricado individualmente, mas que variantes semelhantes do mesmo 
item produzido em massa estão disponíveis. Além disso, no contexto 
da moda, demonstrou-se que as tecnologias existentes para prever o 
tamanho das roupas com base na entrada do usuário ainda não são 
adequadas para fins de personalização em massa.
Referências Bibliográficas
COSTA, M. A. B.; LIZARELLI, F. L. Evolução das teorias e práticas administrativas: 
de Ford à Indústria 4.0. Santa Cruz do Rio Pardo: Viena, 2018.
FOGLIATO, F.; RIBEIRO, J. L. D. Confiabilidade e manutenção industrial.