Estudo da aplicabilidade das inteligências artificiais em engenharia de produção no cenário brasileiro

uma revisão bibliográfica sistemática

Autores

  • Vivian Delmute Rodrigues Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul 9IFMS), Três Lagoas, MS, Brasil.
  • Sandra Cristina Marchiori de Brito Universidade Federal de Mato Grosso do Sul (UFMS), Três Lagoas, MS, Brasil. https://orcid.org/0000-0002-1048-4606
  • Elizangela Velozo Saes Universidade Federal de Mato Grosso do Sul (UFMS), Três Lagoas, MS, Brasil.
  • Elida de Paula Moraes Corveloni Universidade Federal de Mato Grosso do Sul (UFMS), Três Lagoas, MS, Brasil. https://orcid.org/0009-0002-2670-9897

DOI:

https://doi.org/10.14488/1676-1901.v26i3.4942

Palavras-chave:

Inteligência Artificial, Engenharia de Produção, Indústria 4.0

Resumo

Atualmente, as empresas e indústrias que desejam atuar no mercado global necessitam empregar recursos tecnológicos cada vez mais modernos em seus processos produtivos. Diante disso, exige-se que os engenheiros de produção estejam preparados para as mudanças que vêm ocorrendo no cenário da Indústria 4.0 e que tenham conhecimentos básicos a respeito das diferentes tecnologias emergentes, tais como as inteligências artificiais (IA) mais utilizadas. Este trabalho tem por objetivo apresentar uma revisão bibliográfica sistemática (RBS) a fim de identificar quais as IA mais empregadas no cenário industrial brasileiro e as principais vantagens e desvantagens encontradas nestas pesquisas acadêmicas. Os resultados apontaram que as áreas de destaque na utilização das IAs são a engenharia de operações e processos de produção e a cadeia de suprimentos, totalizando 82,60% dos artigos analisados, sendo as redes neurais e a aprendizagem de máquinas os tipos de IA mais utilizados, constituindo 69,55% das preferências em pesquisas. Como principais vantagens foi observado que as IAs podem oferecer auxílio na tomada de decisão para os gestores, melhoria e diagnóstico de processos, métodos mais hábeis para a detecção de falhas, além da integração e compartilhamento de informações. Já as desvantagens apontaram que ainda existem limitações nas pesquisas sobre IAs sendo as mudanças de métricas, a necessidade de grandes volumes de dados históricos reais e precisos para validarem o modelo os principais problemas enfrentados pelos pesquisadores.

Downloads

Não há dados estatísticos.

Biografia do Autor

Vivian Delmute Rodrigues, Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul 9IFMS), Três Lagoas, MS, Brasil.

Doutora em Física da Matéria Condensada e Licenciada em Física pela Universidade Estadual Paulista Júlio de Mesquita Filho – UNESP, Campus de Ilha Solteira/SP e, bacharel em Engenharia de Produção pela Universidade Federal de Mato Grosso do Sul (UFMS), campus de Três Lagoas/MS. Atualmente, é professora substituta no Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul (IFMS), campus de Três Lagoas. Atua nas áreas de pesquisa em ensino de física e astronomia, e supercondutividade.

Sandra Cristina Marchiori de Brito, Universidade Federal de Mato Grosso do Sul (UFMS), Três Lagoas, MS, Brasil.

Doutora em Engenharia Elétrica pela Universidade Estadual Paulista Júlio de Mesquita Filho – UNESP, Campus de Ilha Solteira/SP. Atualmente, é professora titular da Universidade Federal de Mato Grosso do Sul – UFMS, Campus de Três Lagoas/MS, com experiência na área de Ciência da Computação, com ênfase em Redes Neurais Artificiais, atuando principalmente nos seguintes temas: controle estatístico de processos e análise de dados em saúde.

Elizangela Velozo Saes, Universidade Federal de Mato Grosso do Sul (UFMS), Três Lagoas, MS, Brasil.

Doutora em Gestão da Produção pela Universidade Federal de São Carlos – UFSCar. Atualmente, é professora associada da Universidade Federal de Mato Grosso do Sul – UFMS, Campus de Três Lagoas/MS, em que atua nas áreas de Planejamento e Controle de Produção, Estratégia de Produção, Gestão da Qualidade e de Projetos.

Referências

ABEPRO. A Profissão da engenharia de Produção. Disponível em: https://portal.abepro.org.br/profissao/. Acesso em: 7 set. 2022.

AGOSTINO, I.R.S.; FRAZZON, E.M.; ALCALA, S.G.S.; BASTOS, J.P.; RODRIGUEZ, C.M.T. Dynamic Production Order Allocation for Distributed Additive Manufacturing. IFAC PapersOnLine, [s.l.], 2020, v.53, n.2, p.10658-10663, 2020.

ALVES, F.A.; NOGUEIRA, T.H.; RAVETTI, M.G. Learning algorithms to deal with failures in production planning. Computers & Industrial Engineering, [s. l.], v. 169, p. 1-18, 2022.

BANDEIRA, G.L.; TORTATO, U. The future avenues of artificial intelligence and decision-making in business management. RAM. Revista Administração Mackenzie. v.25, n.6, p.1-30, 2024.

BARDIN, L. Análise de conteúdo. 3.ed. Lisboa: Edições 70, 2004.

CAIADO, R.G.G; SCAVARDA, L.F.; GAVIÃO, L.O.; IVSON, P.; NASCIMENTO, D.L.M.; GARZA-REYES, J.A. A fuzzy rule-based industry 4.0 maturity model for operations and supply chain management. International Journal of Production Economics, [s.l.], v. 231, p.1-21, 2021.

CAVATA, J.T., MASSOTE, A.A., MAIA, R.F., & LIMA, F. Highlighting the benefits of Industry 4.0 for production: an agent-based simulation approach. Gestão & Produção, [s.l.], v.27, n.3, e.5619, 2020. DOI: 10.1590/0104-530X5619-20.

CECHINEL, A.K.; DE PIERI, E.R.; PEREZ, A.L.F.; PLENTZ, P.D.M. Multi-robot Task Allocation Using Island Model Genetic Algorithm. IFAC PapersOnline, v.54, n.1, p.558-563, 2021.

CONFORTO, E.C.; AMARAL, D.C.; SILVA, S.L. da. Roteiro para revisão bibliográfica sistemática: aplicação no desenvolvimento de produtos e gerenciamento de projetos. In: CONGRESSO BRASILEIRO DE GESTÃO DE DESENVOLVIMENTO DE PRODUTO, 8., 2011, Porto Alegre. Anais [...]. Porto Alegre, 2011, p.1-12.

COPPIN, B. Inteligência Artificial. Rio de Janeiro: LTC, 2013.

DIAS, J.; DUARTE, M.; COCH, V.; DUARTE, N.; OLIVEIRA, V.; DREWS, P.; BOTELHO, S. Pipe clogging in the fertilizer industry, opportunities and challenges for computer vision. IFAC PapersOnLine, v. 53, n. 2, p. 12008-12013, 2020.

DIAS, A.L.; TURCATO, A.C.; SESTITO, G.S.; BRANDAO, D.; NICOLETTI, R.A cloud-based condition monitoring system for fault detection in rotating machines using PROFINET process data. Computers in Industry, v.126, p.1-13, 2021.

DURAN, M. O papel da inteligência artificial na indústria 4.0. [s.l.]:UNISOMA, 2020. Disponível em: <<https://www.unisoma.com.br/inteligencia-artificial-industria-4-0/>>. Acesso em: 6 set. 2022.

ELSEVIER. ScienceDirect. Disponível em: <<https://www.elsevier.com/pt-br/solutions/sciencedirect>>. Acesso em: 5 out. 2022.

GUARDIA, M.; QUEIROZ, G.A.; COBRA, R.L.R.B.; OLIVEIRA, J.A. de; AMARAL, D.C. A adoção da revisão bibliográfica sistemática na engenharia de produção: uma análise nos anais do ENEGEP. In: Encontro Nacional De Engenharia De Produção, 33., 2013, Salvador, BA. Anais[...]. Salvador, BA, 2013. p. 1-17. Disponível em: <<http://abepro.org.br/biblioteca/enegep2013_TN_STO_186_058_23270.pdf>>. Acesso em: 24 abr. 2022.

GOHR, C.F.; SANTOS, L.C.; GONÇALVES, A.M.C.; PINTO, N.O. Um método para a revisão sistemática da literatura em pesquisas de engenharia de produção. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 33., 2013, Salvador, BA, 2013, p.1-18.

IOT ANALYTICS. Top 10 Industrial AI use cases. Disponível em: <<https://iot--analytics-com.translate.goog/wp/wp-content/uploads/2019/12/The-top-10-industrial-AI-use-cases-min.png?_x_tr_sl=auto&_x_tr_tl=pt&_x_tr_hl=pt-BR&_x_tr_pto=wapp>>. Acesso em: 29 jul. 2022.

JORDON, K.; DOSSOU, P.E.; JUNIOR, J.C. Using lean manufacturing and machine learning for improving medicines procurement and dispatching in a hospital. Procedia Manufacturing, v.38, p.1034–1041, 2019.

LEVY, Y.; ELLIS, T.J. A system approach to conduct an effective literature review in support of information systems research. Informing Science Journal, v.9, p.181-212, 2006.

LEUSIN, M.E.; KÜCK, M; FRAZZON, E.M.; MALDONADO, M.U.; FREITAG, M. Potencial of a multi-agent system approach for production control in smart factories. IFAC PapersOnline, v.51, n.11, p.1459-1464, 2018.

LIMA, I.; PINHEIRO, C.A.M.; SANTOS, F.A.O. Inteligência Artificial. 1ª ed. Rio de Janeiro: Elsevier, 2014.

LIMA-JUNIOR, F.R.; CARPINETTI, L.C.R. Predicting supply chain performance based on SCOR® metrics and multilayer perceptron neural networks. International Journal of Production Economics, v. 212, p. 19-38, 2019.

LIMA-JUNIOR, F.R.; CARPINETTI, L.C.R. An adaptive network-based fuzzy inference system to supply chain performance evaluation based on SCOR® metrics. Computers & Industrial Engineering, v.139, p.106191, 2020.

LUNARDI, A. R.; LIMA JUNIOR, F. R. Comparison of artificial neural networks learning methods to evaluate supply chain performance. Gestão & Produção, 28(3), e5450.DOI:10.1590/1806-9649- 2021v28e5450.

NARA, E.O.B.; COSTA, M.B.; BAIERLE, I.C.; SCHAEFER, J.L.; BENITEZ, G.B.; SANTOS, L.M.A.L. BENITEZ, L.B. Expected impact of industry 4.0 technologies on sustainable development: A study in the context of Brazil’s plastic industry. Sustainable Production and Consumption, v.25, p.102-122, 2021.

NEBELUNG, N.; SANTOS, M.D.S.O; HELENA, S.T.; MOURA, A.F.C.S; CANCIGLIERI, M.B.; SZEJKA, A.L. Towards real-time machining tool failure forecast approach for smart manufacturing systems. IFAC Papers Online, v.55, n.2, p. 548-553, 2022.

PINHEIRO, J.C.; DOSSOU, P.E; JUNIOR, J.C. M. Methods and concepts for elaborating a decision aided tool for optimizing healthcare medicines dispatching flows. Procedia Manufacturing, v.38, p.209–216, 2019.

ROCHA, I.S.; KISSIMOTO, K.O. Barreiras e benefícios na adoção de inteligência artificial e IoT na gestão da operação. Recursos e Desenvolvimento Empresarial, v.23, n.4, p.01-32, 2022. DOI:10.1590/1678-6971/eRAMR220119.pt.

ROQUE, A.S.; KREBS, V.W.; FIGUEIRO, I.C.; JAZDI, N. An analysis of machine learning algorithms in rotating machines maintenance. IFAC PapersOnLine, v.55, n.2, p. 252-257, 2022.

RUBÍ, J.N.S.; CARVALHO, P.H.P.; GONDIM, P.R.L. Forestry 4.0 and Industry 4.0: Use case on wildfire behavior predictions. Computers and Electrical Engineering, v. 102, p.01-17, 2022.

RUSSEL, S.; NORVIG, P. Inteligência artificial. 3 ed. Rio de Janeiro: Elsevier, 2013.

SALLATI, C.; SCHÜTZER, K. Development of smart products for elders within the Industry 4.0 context: a conceptual framework. Procedia CIRP, v.100, p.810-815, 2021.

SILVA, M.J.; KÜNZEL, G.; PEREIRA, C.E. A Predictive, Context-Dependent Stochastic Model for Engineering Applications. IFAC-PapersOnLine, v.55, n.2, p. 402-407, 2022.

SCHWAB, K. A quarta revolução industrial. Edipro: São Paulo, 2016.

SOUZA, R.G.M.; BRENTAN, B.M.; LIMA, G.M. Optimal architecture for artificial neural networks as pressure estimator. Revista Brasileira de Recursos Hídricos versão On-line, v.26, e.37, p.1-9, 2021.

SOUZA, M.LH.; COSTA, C.A.; RAMOS, G.O.; RIGHI, R.R. A feature identification method to explain anomalies in condition monitoring. Computers in Industry, v.133, p.1-13, 2021.

SPELLMEIER, J.P.; KUNTZ, L.Z.; ROSA, C.B; VALENTIM, A.M.; BALDESSARELLI, G.M.; REDISKE, G. Desafios na implementação da indústria 4.0 no setor metalmecânico brasileiro: análise de barreiras de entrada. Revista Produção Online. Florianópolis, SC, v. 25, n. 2, e-5436, 2025.

TELLES, E.S.; BARONE, D.A.C.; DA SILVA, A.M. Inteligência Artificial no Contexto da Indústria 4.0. In: WORKSHOP SOBRE AS IMPLICAÇÕES DA COMPUTAÇÃO NA SOCIEDADE (WICS), 1., 2020, Cuiabá. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020. p. 130-136.

THEM, S.; HUEBSER, L.; ADAM, T.; HELLEBRANDT, T.; HEINE, I.; BARBALHO, S.; VELHO, S.K.; BECKER, M.; BAGNATO, V.S.; SCHMITT, R.H. Concept for an augmented intelligence-based quality assurance of assembly tasks in global value networks. Procedia CIRP, v.97, p.423-428, 2020.

ZHONG, R.Y., XUN X., KLOTZ, E.; STEPHEN T.N. Intelligent Manufacturing in the Context of Industry 4.0: A Review. Engineering, v.3, n.5, p. 616–630, 2017.

ZONTA, T.; COSTA, C.A.; ZEISER, F.A.; RAMOS, G.O.; KUNST, R.; RIGHI, R.R. A predictive maintenance model for optimizing production schedule using deep neural networks. Journal of Manufacturing Systems, v.62, p.450-462, 2022.

Downloads

Publicado

11-05-2026

Como Citar

Rodrigues, V. D., Brito, S. C. M. de, Saes, E. V., & Corveloni, E. de P. M. (2026). Estudo da aplicabilidade das inteligências artificiais em engenharia de produção no cenário brasileiro: uma revisão bibliográfica sistemática. Revista Produção Online, 26(3), 4942 . https://doi.org/10.14488/1676-1901.v26i3.4942

Edição

v. 26 n. 3 (2026)

Seção

Artigos

Licença

Copyright (c) 2026 Revista Produção Online

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

A Revista se reserva no direito de efetuar, no artigo publicado, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.

A obra publicada é de inteira responsabilidade do(s) autor(es), cabendo à Revista Produção Online apenas a avaliação da obra, na qualidade de veículo de publicação científica. A Revista Produção Online não se responsabiliza por eventuais violações à Lei nº 9.610/1998, Lei de Direito Autoral.

A revista Produção Online permite que o autor detenha o copyright dos artigos aceitos para publicação, sem restrições.

Esta obra está licenciada sob uma Licença Creative Commons.