Manutenção Preditiva Impulsionada por IA na Mineração: Uma Revisão Sistemática da Literatura sobre Detecção de Falhas, Gêmeos Digitais e Gestão Inteligente de Ativos

A indústria de mineração enfrenta desafios crescentes em manter altos níveis de produção enquanto minimiza falhas não planejadas e custos operacionais. Ativos críticos, como britadores, correias transportadoras, moinhos e sistemas de ventilação, operam em condições extremas, levando a um desgaste acelerado e riscos de falha. Estratégias de manutenção tradicionais muitas vezes falham em prevenir paradas inesperadas, riscos à segurança e perdas econômicas. Em resposta, as indústrias estão integrando tecnologias de monitoramento preditivo, incluindo aprendizado de máquina, Internet das Coisas e gêmeos digitais, para melhorar a detecção precoce de falhas e otimizar estratégias de manutenção. Esta Revisão Sistemática da Literatura analisa 166 estudos de alto impacto do Scopus e Web of Science, identificando tendências-chave em algoritmos de detecção de falhas, modelos híbridos de IA e técnicas de monitoramento em tempo real. Os resultados destacam a adoção crescente de aprendizado profundo, aprendizado por reforço e gêmeos digitais para detecção de anomalias e otimização de processos. Além disso, métodos impulsionados por IA estão melhorando a aquisição de dados baseados em sensores e a gestão de ativos, estendendo os ciclos de vida do equipamento enquanto reduzem falhas. Apesar desses avanços, desafios como padronização de dados, escalabilidade de modelos e interoperabilidade de sistemas persistem, exigindo mais pesquisas. Trabalhos futuros devem se concentrar em aplicações de IA em tempo real, modelos explicáveis e colaboração academia-indústria para acelerar a implementação de soluções de manutenção inteligente, garantindo maior confiabilidade, eficiência e sustentabilidade nas operações de mineração.