Projetos de IA industrial raramente falham no modelo. Eles falham antes, no caminho que o dado percorre do sensor até a decisão. Neste artigo, mostramos um roteiro em seis passos para preparar dados industriais para IA, com uma base confiável e escalável, usando como fio condutor um único equipamento: o redutor de uma correia transportadora.
Por que o redutor parou, se o sensor estava instalado havia meses?
Imagine uma usina de minério. Na britagem, o redutor da correia transportadora para numa sexta-feira. O circuito é em série e não há pilha pulmão: parou a correia, parou a usina. O resultado são horas de produção perdidas e uma compra emergencial do componente.
O detalhe que incomoda: o sensor de vibração estava instalado desde janeiro, lendo a cada 10 minutos. O dado existia. Então o que faltou?
Essa situação é comum em plantas de mineração, siderurgia, celulose, energia e manufatura. A empresa já tem dados no chão de fábrica, mas não consegue transformá-los em informação confiável e utilizável pelo negócio. E, na pressa de chegar à inteligência artificial, pula etapas que decidem se o modelo vai funcionar.
O ativo que vamos acompanhar
O redutor transmite o torque do motor ao tambor da correia. Escolhemos esse equipamento porque qualquer profissional da indústria reconhece um ativo rotativo, e porque ele reúne três características típicas:
Figura 1. O redutor de correia transportadora, ativo rotativo que serve de fio condutor do artigo. Imagem ilustrativa. [Arquivo: 01-redutor-correia-transportadora-mineracao.jpg]
- Criticidade alta. Em um circuito sem pulmão, cada minuto de parada pesa na produção inteira.
- Dados fragmentados. Sensor, PLC, instrumentação de processo, ERP de manutenção e laudos de inspeção, cada um com um dono.
- Falha progressiva. O rolamento degrada aos poucos, então existe uma janela para agir.
O desafio, portanto, não é a IA. O problema está na qualidade, no contexto e na integração do dado antes de ele chegar ao modelo.
Este é um exemplo composto: a física, os problemas e a sequência são reais; planta, tags e números foram construídos para fins didáticos.
Os 6 passos para preparar dados industriais para IA
A jornada pode ser vista como uma escada de seis degraus: Conectar, Operar, Historizar, Confiar, Escalar e Agir. Nenhum degrau pode ser pulado, e o modelo de IA só aparece no último.
Figura 2. A escada dos seis passos: o dado sobe do chão de fábrica (Conectar) até a IA e a decisão (Agir). O modelo de IA só aparece no último degrau. [GIF animado no WordPress: 02-escada-6-passos-dados-industriais-ia.gif]
| Degrau | Pergunta-chave | Tecnologia de referência |
| 1. Conectar | Quais ativos e sistemas realmente alimentam a sua base de dados? | Sensores, PLC e ERP |
| 2. Operar | O dado chega com contexto de processo, equipamento e operação? | AVEVA System Platform |
| 3. Historizar | O histórico tem a resolução e a continuidade que uma análise exige? | AVEVA PI System |
| 4. Confiar | Como identificar gaps, valores congelados e drift antes que virem uma decisão errada? | TimeSeer.AI |
| 5. Escalar | Como replicar o modelo de dados entre áreas e plantas sem recomeçar do zero? | AVEVA CONNECT + Databricks |
| 6. Agir | Como essa base se transforma em indicadores, manutenção preditiva, qualidade, energia e IA? | Databricks, ML e GenAI |
1. Conectar: cinco relógios, cinco donos, uma máquina
Conectar parece o passo mais simples, e de fato é. A armadilha é achar que, uma vez conectado, o dado já está pronto para uso. O mesmo redutor gera dados em pelo menos cinco fontes, cada uma no seu ritmo:
| Fonte | Variáveis | Frequência | Onde fica |
| PLC da correia | Corrente, carga, velocidade | A cada 0,5 s | Automação local |
| Sensor sem fio no mancal | Vibração, temperatura | A cada 10 min | Nuvem do fabricante |
| Instrumentação de processo | Ritmo de produção | A cada 15 min | Sistema de processo |
| ERP de manutenção | Ordens e paradas | Por evento | ERP |
| Laudos de termografia e óleo | Inspeções | Mensal | PDF em pasta de rede |
Figura 3. Cinco fontes, cinco ritmos: PLC a cada 0,5 s, sensor sem fio a cada 10 min, instrumentação a cada 15 min, ERP por evento e laudos mensais em PDF. Nenhuma foi desenhada para conversar com as outras. [GIF animado no WordPress: 03-cinco-fontes-de-dados-do-redutor.gif]
Nenhuma dessas fontes foi desenhada para conversar com as outras. Na prática, quem chega a uma planta encontra sinais que existem mas ninguém sabe onde estão, fontes duplicadas e documentos fora de qualquer banco de dados. Conectar é o mais fácil. O problema começa depois.
Figura 4. Na planta, cada sinal nasce em um ponto diferente: painel principal de controle, módulos de acionamento, módulo do motor e caixa de junção dos sensores. Imagem ilustrativa. [Arquivo: 04-onde-cada-sinal-nasce-na-planta.jpg]
2. Operar: contexto decide o significado do dado
Uma leitura de vibração de 1,44 mm/s, sozinha, é só um número. Com o motor a 78% de carga, 51 °C no mancal, 40 minutos após a partida e planta em ritmo nominal, ela indica operação normal. Com a máquina parada, o mesmo valor não pode vir do próprio redutor: é vibração transmitida por equipamentos vizinhos ou ruído de medição.
Figura 5. O mesmo 1,44 mm/s muda de significado conforme o contexto. Com motor sem carga, sem rotação e parado há 6 horas, a leitura não vem do redutor: é vibração transmitida ou ruído de medição. [GIF animado no WordPress: 05-vibracao-sem-contexto-1-44-mm-s.gif]
É aqui que entra o AVEVA System Platform. Na camada de operação, em tempo real, o modelo de ativos carrega o contexto junto com o valor:
- hierarquia do ativo;
- tipo de equipamento;
- estado operacional;
- unidade de engenharia.
Sem saber carga, estado e momento, nenhum alarme e nenhum modelo consegue interpretar a leitura. Contexto não é enfeite do dado: é o que decide se ele quer dizer “tudo bem” ou “é ruído”.
Figura 6. Na tela da operação, o dado chega com contexto: cada valor aparece ligado ao seu equipamento e à sua etapa do processo. [Arquivo: 06-tela-de-operacao-dado-com-contexto.jpg]
3. Historizar: dados com memória
Nenhum modelo aprende com o que não foi guardado. A pergunta não é se o sensor lia desde janeiro, mas se esse histórico estava inteiro, estruturado e pronto para análise. O AVEVA PI System, historiador industrial da AVEVA, resolve três pontos críticos:
- Do tag ao ativo. O contexto nasce na operação; no histórico, o Asset Framework (AF) o preserva e padroniza. O endereço 0220-TC-06G1.Vib passa a ser Britagem › TC-06 › Redutor › Vibração. É isso que permite comparar o mesmo tipo de redutor em duas plantas, anos depois.
- A parada como objeto. Com Event Frames, cada parada ganha início, fim, duração e causa. Ela deixa de ser um vazio no gráfico e vira um rótulo, e rótulo é o que treina modelos supervisionados.
- Guardado não é visto. Compressão e banda morta têm bons motivos, mas quem modela precisa saber o que foi descartado. Mal configuradas, fazem picos sumirem e eventos nunca chegarem ao modelo.
Figura 7. Sem Event Frame, a parada é só um vazio no gráfico. Com Event Frame, ela vira um objeto com início (14:02), fim (19:40), duração (5h38) e causa (rolamento), ou seja, um rótulo para treinar modelos. [GIF animado no WordPress: 07-parada-com-event-frame-pi-system.gif]
A arquitetura do PI System, base de um PIMS (Plant Information Management System), segue três etapas: coletar (PI Interfaces e PI Connectors), armazenar e enriquecer (PI Server, com Data Archive, Asset Framework, Event Frames e Asset Analytics) e entregar (PI Vision, PI DataLink e PI Integrators). Historizar não é apenas armazenar: é garantir que, daqui a dez anos, os dados ainda tenham respostas a oferecer.
Figura 8. Arquitetura do AVEVA PI System em três etapas: coletar (PI Interfaces e PI Connectors), armazenar e enriquecer (PI Server) e entregar (PI Vision, PI DataLink e PI Integrators). [Arquivo: 08-arquitetura-aveva-pi-system.png]
Figura 9. No PI Vision, o histórico vira análise: tendências de várias variáveis lado a lado, com a resolução preservada. [Arquivo: 09-pi-vision-tendencias-historico.jpg]
4. Confiar: o degrau onde a maioria dos projetos de IA morre
Dado ruim não avisa. Ele não gera erro: simplesmente entra no modelo como se fosse verdade. No mesmo redutor, é comum encontrar cinco defeitos ocultos:
| Defeito | Como aparece |
| Gap de comunicação | O gateway cai ou a bateria do sensor acaba, e a média continua sendo calculada sobre o que sobrou |
| Dado congelado | O mesmo valor por horas, como se tudo estivesse estável |
| Anomalia sem falha | Alerta disparando com a máquina parada |
| Drift | A série muda de patamar sem nada mudar na máquina |
| Cadastro inconsistente | O mesmo ativo com nomes diferentes em cada sistema |
Figura 10. Cinco defeitos ocultos na mesma série de vibração: gap de comunicação, dado congelado, anomalia sem falha, drift e cadastro inconsistente. Nenhum deles dispara um erro. [GIF animado no WordPress: 10-cinco-defeitos-ocultos-dados-industriais.gif]
O risco cresce com a IA generativa. Em um exemplo do webinar, um relatório gerado por GenAI classificou um health score de 98,1% como “muito baixo”, quando a própria legenda do painel define operação normal como igual ou acima de 90%. A GenAI não conserta dado ruim. Ela o narra com confiança, e confiança é exatamente o que leva alguém a agir sobre uma informação errada.
Figura 11. Relatório gerado por IA generativa classifica um health score de 98,1% como “muito baixo”, embora a legenda do painel defina operação normal como igual ou acima de 90%. [GIF animado no WordPress: 11-genai-relatorio-health-score-erro.gif]
O TimeSeer.AI torna esses defeitos verificáveis: marca na série onde há gap, valor congelado ou mudança de padrão, e registra cada reparo com estratégia, origem e responsável, sem interpolar em silêncio. Confiança em dados não é fé: é rastreabilidade.
Figura 12. No TimeSeer.AI, a série temporal aparece com os eventos de qualidade e os reparos de dados marcados abaixo do gráfico, o que torna cada defeito verificável. [Arquivo: 12-timeseer-ai-qualidade-de-dados.png]
5. Escalar: transformar o piloto em padrão
Um piloto bem-sucedido em uma correia é relativamente fácil. O difícil é a segunda planta. Para escalar, a integração OT e IT depende de três elementos:
- Ponte OT para IT. O historiador publica para a nuvem de forma controlada e com limite explícito de streams, sem replicar o historiador inteiro. Governar começa por decidir o que não sobe.
- Camadas Bronze, Silver e Gold (arquitetura medalhão). Evite ir direto ao Gold: tabelas Silver bem ajustadas já respondem à maioria das perguntas do negócio.
- Chave de ativo única. Sem um ID comum entre OT e IT, não existe visão corporativa, apenas planilhas soltas e PROCV mantido à mão.
Figura 13. Três cadastros, um só ativo: o código do ERP de manutenção (RED-TC06-BRIT), a tag do historiador (0220-TC-06G1) e o nome na nuvem do sensor (Gearbox 06 Conveyor) convergem para a chave TC-06 · Redutor. [GIF animado no WordPress: 13-chave-de-ativo-unica-ot-it.gif]
O AVEVA CONNECT leva dados, ativos, metadados e streams do PI System, de ativos remotos e de fontes de terceiros para plataformas como Databricks, Microsoft Fabric e Snowflake, com acesso sob demanda e sem replicar o historiador. A cópia acontece só onde agrega valor: nas camadas Bronze, Silver e Gold do lakehouse, já com contexto e chave de ativo. Os ganhos: integridade dos dados, contextualização nativa, armazenamento eficiente e integração sem dívida técnica.
Figura 14. O AVEVA CONNECT leva dados, ativos, metadados e streams do PI System, de ativos remotos e de fontes de terceiros para Databricks, Microsoft Fabric e Snowflake, sob demanda e sem replicar o historiador. [Arquivo: 14-aveva-connect-integracao-ot-it.png]
6. Agir: o modelo é o degrau mais curto da escada
Só agora, com dado conectado, contextualizado, historizado, confiável e escalável, o modelo tem chance real de funcionar. E, mesmo aqui, o valor sobe em níveis:
- Anomalia. O modelo caracteriza o comportamento normal e sinaliza desvios, sem precisar de falhas rotuladas.
- Predição. Com Event Frames suficientes, projeta horizontes de 7, 15 ou 30 dias.
- Contribuição. Aponta a causa provável: rolamento, alinhamento ou óleo.
- GenAI. Interpreta a saída do modelo e redige o plano de ação. Nunca lê o dado cru.
- Ação real. Gera a ordem de manutenção no ERP. É aqui que o valor aparece.
Figura 15. No último degrau, o valor sobe em cinco níveis: anomalia, predição, contribuição, GenAI e ação real. [Arquivo: 15-niveis-de-valor-ia-industrial.png]
Predição que não vira ação é relatório.
Figura 16. Do alerta à ação: desvio de vibração no redutor, causa provável apontada (rolamento), plano de ação redigido pela GenAI e ordem de manutenção criada no ERP. [GIF animado no WordPress: 16-do-alerta-a-ordem-de-manutencao.gif]
Exemplo prático: o desvio estava ocorrendo havia 11 dias
Voltando à sexta-feira da parada. Com os seis degraus aplicados, a mesma história teria outro final:
| Etapa | O que aconteceu |
| Problema | O redutor parou. Planta em série: horas de produção perdidas e compra emergencial do componente |
| Dados | Vibração e temperatura, corrente e carga, ritmo de produção, ordens e paradas. Nenhum sensor novo foi instalado |
| Tratamento | Reamostragem das granularidades, de-para dos três cadastros, standby marcado e gaps sinalizados, sem interpolar em silêncio |
| Análise | Vibração e carga olhadas juntas. A contribuição das variáveis aponta o rolamento |
| Resultado | Intervenção numa parada já programada, com custo e produção perdida evitados |
O ponto central: vibração e carga ficaram dentro da faixa o tempo todo. Por isso, o alarme individual nunca tocou. Somente o indicador combinado cruzou o limite, 11 dias antes da falha. Foi detecção de anomalia (nível 1), sem depender de falhas rotuladas; com mais Event Frames acumulados, o mesmo caso evolui para predição. Com essa antecedência, o componente é comprado sem urgência e a troca acontece na parada programada.
Figura 17. Vibração do mancal e carga do motor ficam dentro da faixa o tempo todo. Só o indicador combinado cruza o limite, 11 dias antes da falha, a tempo da parada programada. [GIF animado no WordPress: 17-indicador-combinado-vibracao-carga.gif]
Quer descobrir em que degrau está o ativo mais crítico da sua planta? Participe do webinar com Vixteam e AVEVA Select Brasil no dia 28 de outubro, às 11h.
Além da manutenção: onde a mesma base gera valor
A escada não serve apenas para manutenção preditiva. Uma base de dados industriais conectada, contextualizada e confiável sustenta várias frentes do negócio:
- Manutenção e confiabilidade: detecção de anomalias, predição de falhas e ordens automáticas no ERP.
- Qualidade: correlação entre variáveis de processo e desvios de produto.
- Eficiência energética: consumo por ativo, por etapa e por estado operacional.
- Otimização de processo: indicadores e dashboards que comparam áreas e plantas sobre a mesma lógica de ativos.
Seis frases para levar para a sua planta
| Degrau | Mensagem-chave |
| 1. Conectar | Conectar é o mais fácil. O problema começa depois. |
| 2. Operar | Contexto decide o que o número quer dizer. |
| 3. Historizar | Historizar é dar memória e causa ao dado. |
| 4. Confiar | Dado ruim não dá erro. Ele convence. |
| 5. Escalar | Escalar é transformar o piloto em padrão. |
| 6. Agir | Predição que não vira ação é relatório. |
Conclusão: a resposta não está no machine learning
Por que o redutor parou, se o sensor estava instalado desde janeiro? O dado estava lá. Faltou conectar, contextualizar, guardar com memória, confiar e escalar. A resposta não está no machine learning, mas no rigor dos cinco degraus antes dele. O modelo é o degrau mais curto da escada, e o único que todo mundo quer subir primeiro.
Figura 18. O modelo é só o sexto degrau. O valor depende do rigor dos cinco degraus antes dele. [GIF animado no WordPress: 18-escada-completa-modelo-sexto-degrau.gif]
Participe do webinar
Este conteúdo é a base do webinar talk show “Como levar dados do chão de fábrica para a IA em 6 passos”, com Igor Borlot Borba (CTO Vixteam) e Weltron Oliveira (Senior Business Consultant – AVEVA Select Brasil), no dia 28 de outubro de 2026, das 11h às 12h, pelo Microsoft Teams.
Inscreva-se e descubra em que degrau está o seu ativo mais crítico. Se preferir, fale com a equipe Vixteam e AVEVA Select Brasil para mapear o ponto de partida da sua planta.
Perguntas frequentes
Por que projetos de IA industrial falham?
Na maioria dos casos, o problema está antes do modelo: dados desconectados, sem contexto operacional, com histórico incompleto ou com defeitos como gaps, valores congelados e drift. Esses defeitos não geram erro e chegam ao modelo como se fossem verdade.
O que é contextualização de dados industriais?
É associar cada leitura ao ativo, ao tipo de equipamento, ao estado operacional e à unidade de engenharia. Sem contexto, o mesmo valor de vibração pode indicar operação normal ou apenas ruído de máquina parada.
O que é um historiador industrial e por que ele é necessário para IA?
É o sistema que armazena séries temporais da operação com alta resolução e continuidade, como o AVEVA PI System. Sem um histórico confiável e estruturado, não há base para treinar ou validar modelos de machine learning.
Como garantir a qualidade dos dados industriais?
Com ferramentas que detectam e registram gaps, valores congelados, anomalias e drift, como o TimeSeer.AI. O essencial é a rastreabilidade: saber o que foi corrigido, como, quando e por quem, sem interpolações silenciosas.
Preciso instalar novos sensores para fazer manutenção preditiva?
Nem sempre. No caso do redutor, nenhum sensor novo foi instalado: o ganho veio de conectar, tratar e cruzar dados que já existiam, como vibração, temperatura, corrente, carga e histórico de paradas.
Por onde começar um projeto de dados industriais para IA?
Pelo ativo mais crítico, e não pelo modelo. Identifique quais fontes alimentam esse ativo, em que degrau da escada ele está hoje e qual decisão de negócio você quer melhorar. Um piloto bem escolhido vale mais que vários pilotos genéricos.
Sobre os autores
Igor Borlot Borba
CTO Vixteam
Weltron Oliveira
Senior Business Consultant – AVEVA Select Brasil
