Inteligência Artificial e Aprendizado de Máquina Aplicados à Usinagem CNC
Perspectivas para a Indústria 4.0
Resumo
A usinagem CNC (Comando Numérico Computadorizado) é fundamental para a manufatura moderna e seu desempenho tem sido ampliado pelo uso de Inteligência Artificial (IA) e Aprendizado de Máquina (Machine Learning – ML). A literatura mostra aplicações como otimização de trajetórias, manutenção preditiva e planejamento de processos, resultando em maior eficiência, melhor acabamento, redução de custos e menor tempo de fabricação. Apesar dos avanços, persistem desafios como alto custo, necessidade de dados confiáveis, complexidade dos modelos, falta de padronização e resistência organizacional. Ainda assim, a IA representa um caminho promissor, exigindo investimentos tecnológicos e capacitação profissional.
Referências
AFIF, M. F., SARHAN, A. A. D. Computer-aided process planning, digital twin and smart manufacturing: interconnections and integration in CNC machining processes. International Journal of Production Research, p. 1-40, 2025.
ALEXANDRE, R. P. Redes neurais – aplicação no monitoramento. 2005. Dissertação (Mestrado) – Universidade Estadual Paulista Júlio de Mesquita Filho, 2005.
AT-MACHINING. Célula de Usinagem Automatizada com Máquina CNC e Robô Industrial. In: AT-MACHINING. Inteligência Artificial na Usinagem CNC: O Futuro da Fabricação. [S. l.], 2024. Disponível em: https://at-machining.com/pt/artificial-intelligence-in-cnc-machining/. Acesso em: 15 nov. 2025.
BUDIN, D. D., LOPES, A. M. Z. A indústria 4.0 e os desafios para a capacitação profissional. Revista Tecnológica da FATEC de Americana, v. 7, n. 2, p. 88-97, 2019.
ÇEKIK, R., TURAN, A. Deep learning for anomaly detection in CNC machine vibration data: A roughLSTM-Based Approach. Applied Sciences, v. 15, n. 6, p. 3179, 2025.
COLANTONIO, L. et al. A systematic literature review of cutting tool wear monitoring in turning by using artificial intelligence techniques. Machines, v. 9, n. 12, p. 351, 2021.
FRANK, A. G., DALENOGARE, L. S., AYALA, N. F. Tecnologias da Indústria 4.0: padrões de implementação em empresas de manufatura. Revista Internacional de Economia da Produção, v. 210, p. 15-26, 2019.
GANESAN, H., MOHANKUMAR, G. Optimization of machining techniques in CNC turning centre using genetic algorithm. Arabian Journal for Science and Engineering, v. 38, n. 6, p. 1529-1538, 2013.
HUI, T. H., GROBMAN, F., MACHADO, M. C. Indústria 4.0 no contexto das pequenas e médias empresas. International Journal of Scientific Management and Tourism, v. 10, n. 2, 2024.
KOMURA, N. et al. Computer aided process planning for rough machining based on machine learning with certainty evaluation of inferred results. International Journal of Automation Technology, v. 17, n. 2, p. 120-127, 2023.
LAPIN (LABORATÓRIO DE POLÍTICAS PÚBLICAS E INTERNET). Regulação da Inteligência Artificial: subsídios para a autoridade competente no Brasil. Disponível em: <https://lapin.org.br/uploads/2024/12/final.pdf). Acesso em: 15 nov. 2025.
LAZZARESCHI, N., GRAGLIA, M. A. V., HUELSEN, P. G. V. As formas de resistência dos trabalhadores no contexto da Indústria 4.0 e da Inteligência Artificial. Argumentum, v. 13, n. 2, p. 193-207, 2021.
LECUN, Y., BENGIO, Y., HINTON, G. Deep learning. Nature, v. 521, p. 436-444, 2015.
MDPI (MULTIDISCIPLINARY DIGITAL PUBLISHING INSTITUTE). Machine-Learning and Internet of Things Driven Techniques for Monitoring Tool Wear in Machining Process: A Comprehensive Review. 2021. Disponível em: <https://www.mdpi.com/2224-2708/13/5/53>. Acesso em: 16 nov. 2025.
MÜLLER, J. et al. Cooperation strategies among SMEs for implementing industry 4.0. In: DIGITALIZATION IN SUPPLY CHAIN MANAGEMENT AND LOGISTICS: Smart and Digital Solutions for an Industry 4.0 Environment. Proceedings of the Hamburg International Conference of Logistics (HICL), v. 23. Berlin: Epubli Gmbh, 2017. p.301-318.
MUNARO, R., ATTANASIO, A., DEL PRETE, A. 2023. Tool Wear Monitoring with Artificial Intelligence Methods: A Review. Journal of Manufacturing and Materials Processing. Disponível em: <https://www.mdpi.com/2504-4494/7/4/129?utm_source=researchgate.net&utm_medium=article>. Acesso em: 15 nov. 2025.
NCD.IO. Industrial IoT Wireless Predictive Maintenance Sensor V3. [S.d.]. Disponível em: <https://store.ncd.io/product/iot-wireless-predictive-maintenance-sensor/>. Acesso em: 15 nov. 2025.
NIKIFORIDIS, K. et al. Enhancing transparency and trust in AI-powered manufacturing: A survey of explainable AI (XAI) applications in smart manufacturing in the era of Industry 4.0/5.0. ICT Express, v. 11, n. 1, p. 135-148, 2025.
OLIVEIRA, D. F. N. Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas. Tese (Doutorado) – Universidade de São Paulo, 2020. Disponível em: <https://www.teses.usp.br/teses/disponiveis/3/3141/tde-08032021-102116/en.php>. Acesso em: 20 jun. 2025.
OSAN, A. R., DRENŢA, R. F. Application of artificial neural networks in predicting surface quality and machining time. Machines, v. 13, n. 7, p. 561, 2025.
PATIL, S. S. et al. Deep learning algorithms for tool condition monitoring in milling: A review. In: JOURNAL OF PHYSICS: Conference Series. IOP Publishing, 2021, p. 012039.
PAZ, A. C. M., LOOS, M. J. A importância da computação em nuvem para a indústria 4.0. Revista Gestão Industrial, v. 16, n. 2, 2020.
SERIN, G. et al. Review of tool condition monitoring in machining and opportunities for deep learning. The International Journal of Advanced Manufacturing Technology, v. 109, n. 3, p. 953-974, 2021.
SERRADILLA, O. et al. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects. Applied Intelligence, v. 52, n. 10, p. 10934-10964, 2022.
SILVA, C. R., MELLO, J. C., SALGADO, R. J. Relação Hierárquica entre Inteligência Artificial, Machine Learning e Deep Learning. In: NÚCLEO DO CONHECIMENTO. Deep Learning: A Revolução da Inteligência Artificial [S.l.], 2019. Disponível em: <https://www.nucleodoconhecimento.com.br/administracao/deep-learning>. Acesso em: 15 nov. 2025.
WANG, Q. et al. Overview of tool wear monitoring methods based on convolutional neural network. Applied Sciences, v. 11, n. 24, p. 12041, 2021.
WANG, Q. et al. Overview of Tool Wear Monitoring Methods Based on Convolutional Neural Network. Applied Sciences, v. 11, n. 24, p. 12041, 2021. Disponível em: <https://www.mdpi.com/2076-3417/11/24/12041>. Acesso em: 15 nov. 2025.
XU, G. et al. Data-driven fault diagnostics and prognostics for predictive maintenance: A brief overview. In: IEEE INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING (CASE), 15., 2019. p. 103-108.
YAO, X. et al. Smart manufacturing based on cyber-physical systems and beyond. Journal of Intelligent Manufacturing, v. 30, n. 8, p. 2805-2817, 2019.
ZHANG, Z., JAISWAL, P., RAI, R. Feature Net: Machining feature recognition based on 3D convolution neural network. Computer-Aided Design, v. 101, p. 12-22, 2018.
ZHENG, H., PAIVA, A. R., GURCIULLO, C. S. Advancing from predictive maintenance to intelligent maintenance with AI and IoT. 2020. Disponível em: <https://arxiv.org/abs/2009.00351>. Acesso em 15 nov. 2025.
Direitos autorais e propriedade intelectual
Os direitos autorais dos originais aprovados serão automaticamente transferidos à InGeTec, como condição para sua publicação, e para encaminhamentos conexos junto às bases de dados de indexação de periódicos científicos.
Esta cessão passará a valer a partir da submissão dos manuscritos em formulário apropriado disponível no Sistema Eletrônico de Editoração da Revista.
A InGeTec se reservará o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever do (s) autor (es).
A InGeTec adota a Licença Creative Commons de Atribuição (CC-BY) (https://creativecommons.org/licenses/by/4.0/) em todos os trabalhos publicados, exceto quando houver indicação específica de outros detentores de direitos autorais. Em caso de dúvidas, deve-se consultar a Redação: suporteojs@fatecbarueri.com.br. Além disto, a revista pratica ações de combate ao plágio e à má conduta ética alinhadas às diretrizes do Committee on Publication Ethics (COPE).
