Araújo , Susana Cláudia Nicola dePereira , Ivo André SoaresSANTOS, FÁBIO MIGUEL PINTO2025-11-132025-11-132025-10-07http://hdl.handle.net/10400.22/30884A indústria segue a sua constante transformação digital, alavancada por conceitos como a Indústria 4.0, Internet of Things (IoT), Big Data ou agora e mais atual a Inteligência Artificial. Este novo paradigma industrial promove a interligação entre sistemas físicos e digitais, criando as Smart Factories cada vez mais automatizadas onde a tomada de decisão é cada vez mais baseada em dados. Aqui surge a manutenção preditiva, uma aplicação estratégica que tem como finalidade a antecipação de falhas em equipamentos recorrendo a dados obtidos e analisados em tempo real, reduzindo tempos de paragens não planeados, custos de operação e respetivos riscos associados à produção. A presente dissertação está desenvolvida no âmbito da manutenção preditiva, que utiliza abordagens avançadas de análise de dados, por forma a prever quando e onde poderá ocorrer uma avaria. Para isto tem um papel essencial as técnicas de Machine Learning, que permite a construção de modelos capazes de identificar padrões anormais, classificando-os e estimando a vida útil dos ativos em avaliação. Suportado por algoritmos como o Random Forest, o Gradient Boosting, entre outros, as organizações conseguem extrair uma quantidade de dados históricos e operacionais, convertendo-os em conhecimento. Em termos de resultados da dissertação, realizou-se a análise de vários modelos de Machine Learning e avaliou-se quais os tipos de algoritmos mais capacitados de implementar em um caso real de Manutenção Preditiva, onde observamos os bons resultados que alguns dos algoritmos nos fornece, caso do Gradient Boosting, Random Forest e o Neural Network.The industry continues its constant digital transformation, driven by concepts such as Industry 4.0, the Internet of Things (IoT), Big Data and, more recently, Artificial Intelligence. This new industrial paradigm promotes the interconnection of physical and digital systems, creating increasingly automated Smart Factories where decision-making is increasingly based on data. This is where predictive maintenance comes in, a strategic application that aims to anticipate equipment failures using data obtained and analysed in real time, reducing unplanned downtime, operating costs and the associated risks to production. This dissertation is developed within the scope of predictive maintenance, which uses advanced data analysis approaches to predict when and where a failure may occur. Machine learning techniques play an essential role in this, allowing the construction of models capable of identifying abnormal patterns, classifying them and estimating the useful life of the assets under evaluation. Supported by algorithms such as Random Forest and Gradient Boosting, among others, organisations are able to extract a wealth of historical and operational data, converting it into knowledge. In terms of the dissertation's results, a model was analysed and the types of algorithms best suited for implementation in a real case of Predictive Maintenance were evaluated, where we can observe the good results that some of the algorithms provide us, such as Gradient Boosting, Random Forest, and Neural Network.porPredictive maintenancemodellingalgorithm studysmart factoriesmachine learningIndustry 4.0Manutenção preditivaModelaçãoEstudos de algoritmosFábricas inteligentesIndústria 4.0Aprendizagem automáticamaster thesis204033284