Machine Learning na linguagem Python aplicado ao controle dos procedimentos operacionais padronizados (POP) nas manutenções preventivas de equipamentos da construção civil.

Abstract

As empresas que se destacam no mercado gerenciam seus ativos com eficiência, exigindo ferramentas que otimizem custos e maximizem a produtividade. Nesse contexto, este trabalho desenvolve um estudo de caso para criar um programa de Machine Learning em Python que controla Procedimentos Operacionais Padronizados (POP) na manutenção preventiva de equipamentos da construção civil, como escavadeiras hidráulicas e retroescavadeiras, em uma empresa sem sistema formal de manutenção. A ausência de planos preventivos estruturados eleva custos e compromete a confiabilidade dos equipamentos, justificando a necessidade de soluções alinhadas à Indústria 4.0. O objetivo consiste em desenvolver um programa que analise dados de pedidos de compra para avaliar a conformidade das manutenções preventivas. A metodologia combina pesquisa exploratória, descritiva, qualitativa e quantitativa, utilizando dados de 662 registros do sistema ERP SIENGE, processados em um dataset no Microsoft Excel e analisados pelo algoritmo ExtraTreesClassifier nas bibliotecas Pandas, NumPy e Scikit-learn. O programa classificou 489 pedidos como manutenções preventivas, identificando 172 como “Status Conforme” (dentro do intervalo recomendado). A acurácia do modelo foi de 66%, valor considerado abaixo do ideal, o que indica a limitação do dataset utilizado e a necessidade de maior volume de dados para elevar a confiabilidade do modelo. Assim, o resultado demonstra que o Machine Learning foi efetivo por sinalizar a oportunidade de melhoria na base de dados e por contribuir para o aperfeiçoamento dos processos de manutenção preventiva. Com base nessa análise, propõe-se um POP para troca de filtros de óleo, integrado ao programa, que reduz variações nos intervalos de manutenção. Conclui-se que o programa é útil como ferramenta inicial para padronização de POPs, embora a ampliação da base de dados seja essencial para aumentar sua precisão e confiabilidade.