Um panorama do papel das ferramentas clássicas da qualidade na indústria 4.0 por meio de indicadores bibliométricos

Authors
DOI:
https://doi.org/10.47456/bjpe.v12i2.50461
Keywords:
Gestão da qualidade 4.0, indústria 4.0, análise bibliométrica, aplicação de ferramentas da qualidade, ferramentas de tomada de decisão
Abstract

Com a transição para a Gestão da Qualidade 4.0, surge o questionamento sobre papel desempenhado das ferramentas clássicas da qualidade, utilizadas desde o século XX. Para verificar essa indagação, foi realizado um estudo de análise bibliométrica com artigos que apresentavam aplicações das ferramentas clássicas da qualidade em conjunto com os pilares da Indústria 4.0, publicados na base Web of Science. Com o auxílio do software VOSviewer, foram gerados indicadores bibliométricos, onde foram alisados. Os resultados demonstraram que a estratificação, os histogramas e as cartas de controle foram utilizados principalmente em conjunto com big data, simulação e robótica. Concluiu-se que, na prática, estas ferramentas da qualidade são utilizadas pelas Indústrias 4.0 em meio a um grande fluxo de dados, adquirindo novas aplicações além do monitoramento de processos e sendo empregadas em outras aplicações industriais não tradicionais. Assim, este estudo indica que ainda existem lacunas de pesquisa a serem exploradas para garantir a integração efetiva das ferramentas da qualidade com o ambiente tecnológico, principalmente com as ferramentas de digrama de Pareto, diagrama de causa e efeito e o diagrama de dispersão.

Author Biographies
  1. Helton Messias Adigneri, Universidade Estadual de Maringá (UEM)

    Graduado em Informática pela Universidade Estadual de Maringá (UEM). Graduado em Engenharia de Produção pela Universidade Estadual de Maringá (UEM). Mestrando em Engenharia de Produção pela Universidade Estadual de Maringá (UEM). https://orcid.org/0000-0002-2652-6508

  2. João Manoel da Silva dos Santos, Universidade Estadual de Maringá (UEM)

    Graduado  em Engenharia de Produção pela Universidade Estadual de Maringá (UEM). Mestrando em Engenharia de Produção pela Universidade Estadual de Maringá (UEM). https://orcid.org/0009-0000-0053-393X

  3. Edwin Vladimir Cardoza Galdamez, Universidade Estadual de Maringá (UEM)

    Graduado em Engenharia Mecânica pela Universidade Federal do Pará (UFPA). Mestre em Engenharia de Produção pela Universidade de São Paulo (USP). Doutor em Engenharia de Produção pela Universidade de São Paulo (USP). Professor Associado no Departamento de Engenharia de Produção (DEP) da Universidade Estadual de Maringá (UEM). https://orcid.org/0000-0002-1763-9332

  4. Bruno Samways dos Santos, Universidade Tecnológica Federal do Paraná (UTFPR)

    Graduado em Engenharia de Produção pela  Universidade Tecnológica Federal do Paraná (UTFPR). Mestre em Engenharia de Produção pela  Universidade Tecnológica Federal do Paraná (UTFPR). Doutor em Engenharia de Produção e Sistemas pela Pontifícia Universidade Católica do Paraná (PUCPR). Professor Associado  de Engenharia de Produção na Universidade Tecnológica Federal do Paraná (UTFPR) campus Londrina. https://orcid.org/0000-0001-7919-1724

References

Abdelrahman, O. & Keikhosrokiani, P. (2020). Assembly line anomaly detection and root cause analysis using machine learning. IEEE Access, 8, 189661-189672. https://doi.org/10.1109/ACCESS.2020.3029826

Arriaga, A. F., Bader, A. M., Wong, J. M., Lipsitz, S. R., Berry, W. R., Ziewacz, J. E., Hepner, D. L., Boorman, D. J., Pozner, C. N., Smink, D. S., & Gawande, A. A. (2013). Simulation-based trial of surgical-crisis checklists. New England Journal of Medicine, 368(3), 246-253. https://doi.org/10.1056/NEJMsa1204720

Barsalou, M. (2023). Determining which of the classic seven quality tools are in the quality practitioner’s RCA tool kit. Cogent Engineering, 10(1), 2199516. https://doi.org/10.1080/23311916.2023.2199516

Basso, J., Ramos, M. L., Pais, A., Vitorino, R., Fortuna, A., & Vitorino, C. (2021). Expediting disulfiram assays through a systematic analytical quality by design approach. Chemosensors, 9(7), 172. https://doi.org/10.3390/chemosensors9070172

Castello, J., Castro, R. de., & Marimon, F. (2019). Use of quality tools and techniques and their integration into ISO 9001: a wind power supply chain case. International Journal of Quality & Reliability Management, 37(1), 68-89. https://doi.org/10.1108/IJQRM-07-2018-0171

Cauchick-Miguel, P. A. (Ed.). (2019). Metodologia científica para engenharia. Elsevier.

Cesar, F. I. G. (2011). Ferramentas básicas da qualidade: instrumentos para gerenciamento de processo e melhoria contínua. Biblioteca 24 Horas.

Cheng, A., Kessler, D., Mackinnon, R., Chang, T. P., Nadkarni, V. M., Hunt, E. A., Duval-Arnould, J., Lin, Y., Cook, D. A., Pusic, M., Hui, J., Moher, D., Egger, M., & Auerbach, M. (2016). Reporting guidelines for health care simulation research. Clinical Simulation in Nursing, 12(8), iii–xiii. https://doi.org/10.1016/j.ecns.2016.04.008

Coates, V., Farooque, M., Klavans, R., Lapid, K., Linstone, H. A., Pistorius, C., & Porter, A. L. (2001). On the future of technological forecasting. Technological Forecasting and Social Change, 67(1), 1-17. https://doi.org/10.1016/S0040-1625(00)00122-0

Corallo, A., Lazoi, M., Lezzi, M., & Luperto, A. (2022). Cybersecurity awareness in the context of the industrial internet of things: a systematic literature review. Computers in Industry, 137, 103614. https://doi.org/10.1016/j.compind.2022.103614

De Paula Ferreira, W., Armellini, F., & De Santa-Eulalia, L. A. (2020). Simulation in industry 4.0: a state-of-the-art review. Computers & Industrial Engineering, 149, 106868. https://doi.org/10.1016/j.cie.2020.106868

Engelhardt, F. (2000). Improving systems by combining axiomatic design, quality control tools and designed experiments. Research in Engineering Design, 12(4), 204-219. https://doi.org/10.1007/s001630050034

Erboz, G. (2017). How to define industry 4.0: main pillars of industry 4.0. In Proceedings of the 7th International Conference on Management. Nitra, Slovakia. Retrieved from https://www.researchgate.net/publication/326557388_How_To_Define_Industry_40_Main_Pillars_Of_Industry_40

Filho, W. M. M., Gonçalves, C. A., Rodrigues, H. A., & Coelho, I. R. (2023). Applying the seven basic quality tools to solve a quality issue in the manufacturing of electronic switches. Journal of Engineering Research, 3(20), 2-22. https://doi.org/10.22533/at.ed.3173202307061

Fu, K., Luo, J., Luo, X., Liu, S., Zhang, C., & Wang, M. (2022). Robust point cloud registration framework based on deep graph matching. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1-13. https://doi.org/10.1109/TPAMI.2022.3204713

Gong, X., Chen, H., Chen, T., & Qu, H. (2014). Unit operation optimization for the manufacturing of botanical injections using a design space approach: a case study of water precipitation. PLoS ONE, 9(8), e104493. https://doi.org/10.1371/journal.pone.0104493

Gu, K., Tao, D., Qiao, J.-F., & Lin, W. (2018). Learning a no-reference quality assessment model of enhanced images with big data. IEEE Transactions on Neural Networks and Learning Systems, 29(4), 1301-1313. https://doi.org/10.1109/TNNLS.2017.2649101

Hazen, B. T., Boone, C. A., Ezell, J. D., & Jones-Farmer, L. A. (2014). Data quality for data science, predictive analytics, and big data in supply chain management: an introduction to the problem and suggestions for research and applications. International Journal of Production Economics, 154, 72-80. https://doi.org/10.1016/j.ijpe.2014.04.018

Huber, R., Oberländer, A. M., Faisst, U., & Röglinger, M. (2024). Disentangling capabilities for industry 4.0-an information systems capability perspective. Information Systems Frontiers, 26(5), 1667-1695. https://doi.org/10.1007/s10796-022-10260-x

Ilieva, S., Georgieva, D., Petkova, V., & Dimitrov, M. (2023). Study and characterization of polyvinyl alcohol-based formulations for 3D printlets obtained via fused deposition modeling. Pharmaceutics, 15(7), 1867. https://doi.org/10.3390/pharmaceutics15071867

Janík, S., Szabó, P., Mĺkva, M., & Mareček-Kolibiský, M. (2022). Effective data utilization in the context of industry 4.0 technology integration. Applied Sciences, 12(20), 10517. https://doi.org/10.3390/app122010517

Jung, M., Reichstein, M., & Bondeau, A. (2009). Towards global empirical upscaling of FLUXNET eddy covariance observations: validation of a model tree ensemble approach using a biosphere model. Biogeosciences, 6(10), 2001–2013. https://doi.org/10.5194/bg-6-2001-2009

Kalsoom, T., Ahmed, S., Rafi-ul-Shan, P. M., Azmat, M., Akhtar, P., Pervez, Z., Imran, M. A., & Ur-Rehman, M. (2021). Impact of IoT on manufacturing industry 4.0: a new triangular systematic review. Sustainability, 13(22), 12506. https://doi.org/10.3390/su132212506

Kumar, A. & Kumar, S. (2020). Industry 4.0: evolution, opportunities and challenges. International Journal of Research in Business Studies, 5(1), 139-148. https://www.researchgate.net/publication/344902769

Kumar, M., Kumar, P., Kumar, A., Elbeltagi, A., & Kuriqi, A. (2022). Modeling stage-discharge-sediment using support vector machine and artificial neural network coupled with wavelet transform. Applied Water Science, 12(5), 87. https://doi.org/10.1007/s13201-022-01621-7

Lampropoulos, G., Siakas, K., Anastasiadis, T. (2019). Internet of things in the context of industry 4.0: an overview. International Journal of Entrepreneurial Knowledge, 7(1), 4-19. https://doi.org/10.37335/ijek.v7i1.84

Lentine, K. L., Kasiske, B. L., Levey, A. S., Adams, P. L., Alberú, J., Bakr, M. A., Gallon, L., Garvey, C. A., Guleria, S., Li, P. K.-T., Segev, D. L., Taler, S. J., Tanabe, K., Wright, L., Zeier, M. G., Cheung, M., & Garg, A. X. (2017). KDIGO clinical practice guideline on the evaluation and care of living kidney donors. Transplantation, 101(8S), S7-S105. https://doi.org/10.1097/TP.0000000000001769

Lezzi, M., Lazoi, M., & Corallo, A. (2018). Cybersecurity for industry 4.0 in the current literature: a reference framework. Computers in Industry, 103, 97-110. https://doi.org/10.1016/j.compind.2018.09.004

Lopes, S., Costa, M. T., Fernández-Llimós, F., Amante, M. J., & Lopes, P. F. (2012). A bibliometria e a avaliação da produção científica: indicadores e ferramentas. Anais do Congresso Nacional de Bibliotecários, Arquivistas e Documentalistas. https://www.bad.pt/publicacoes/index.php/congressosbad/article/view/429

Lowsky, D. J., Olshansky, S. J., Bhattacharya, J., & Goldman, D. P. (2014). Heterogeneity in healthy aging. The Journals of Gerontology Series A: Biological Sciences and Medical Sciences, 69(6), 640-649.https://doi.org/10.1093/gerona/glt162

Matorera, D. (2024). Perspective chapter: the philosophy and methodology of six sigma. In V. Bobek, T. Horvat, J. Ortiz, & H. Gorska-Warsewicz (Eds.), Business, Management and Economics (27). IntechOpen. https://doi.org/10.5772/intechopen.115210

Morales Méndez, G. & Del Cerro Velázquez, F. (2024). Augmented reality in industry 4.0 assistance and training areas: a systematic literature review and bibliometric analysis. Electronics, 13(6), 1147. https://doi.org/10.3390/electronics13061147

Nadiyah, K. & Dewi, G. S. (2022). Quality control analysis using flowchart, check sheet, p-chart, pareto diagram and fishbone diagram. OPSI, 15(2), 183. https://doi.org/10.31315/opsi.v15i2.7445

Pramusinta, A., Jepisah, D., & Hasbi, M. (2025). Ishikawa diagram as a tool for resolving and mapping the causing factors of problems. International Journal of Advanced Multidisciplinary Research and Studies, 5(2), 600-603. https://doi.org/10.62225/2583049X.2025.5.2.3877

Prashar, G., Vasudev, H., & Bhuddhi, D. (2023). Additive manufacturing: expanding 3D printing horizon in industry 4.0. International Journal on Interactive Design and Manufacturing (IJIDeM), 17(5), 2221-2235. https://doi.org/10.1007/s12008-022-00956-4

Riaz, M. (2008). Monitoring process mean level using auxiliary information. Statistica Neerlandica, 62(4), 458-481. https://doi.org/10.1111/j.1467-9574.2008.00390.x

Soori, M., Dastres, R., Arezoo, B., Jough, F. K. G, (2024). Intelligent robotic systems in industry 4.0: a review. Journal of Advanced Manufacturing Science and Technology, 4(3), 2024007-2024007. https://doi.org/10.51393/j.jamst.2024007

Tarı́, J. J., & Sabater, V. (2004). Quality tools and techniques: are they necessary for quality management? International Journal of Production Economics, 92(3), 267-280. https://doi.org/10.1016/j.ijpe.2003.10.018

Tayalati, F., Boukrouh, I., Bouhsaien, L., Azmani, A., & Azmani, M. (2024). Hybrid approach integrating deep learning-autoencoder with statistical process control chart for anomaly detection: case study in injection molding process. IEEE Access, 12, 95576-95598. https://doi.org/10.1109/ACCESS.2024.3425582

Velásquez, N., Estevez, E., & Pesado, P. (2018). Cloud computing, big data and the industry 4.0 reference architectures. Journal of Computer Science and Technology, 18(3), e29. https://doi.org/10.24215/16666038.18.e29

Wang, K. & Tsung, F. (2005). Using profile monitoring techniques for a data‐rich environment with huge sample size. Quality and Reliability Engineering International, 21(7), 677-688. https://doi.org/10.1002/qre.711

Wang, X., Meier, D., Taguchi, K., Wagenaar, D. J., Patt, B. E., & Frey, E. C. (2011). Material separation in x‐ray ct with energy resolved photon‐counting detectors. Medical Physics, 38(3), 1534-1546. https://doi.org/10.1118/1.3553401

Wayne, D. B., Butter, J., Siddall, V. J., Fudala, M. J., Wade, L. D., Feinglass, J., & McGaghie, W. C. (2006). Mastery learning of advanced cardiac life support skills by internal medicine residents using simulation technology and deliberate practice. Journal of General Internal Medicine, 21(3), 251-256. https://doi.org/10.1111/j.1525-1497.2006.00341.x

Xu, C.-T., Chen, J.-C., Wei, Y.-F., Han, H., Zong, X., & Yuan, Y. (2023). A study of transverse bowing defect in cold roll-forming asymmetric corrugated channels. The International Journal of Advanced Manufacturing Technology, 124(10), 3567-3577. https://doi.org/10.1007/s00170-022-10743-w

Xu, Y. C., Wang, L. F., Yuan, X. F., & Zhao, Z. (2019). Detection and classification of power quality disturbances in distribution network based on VMD and DFA. CSEE Journal of Power and Energy Systems, 6(1), 122-130. https://doi.org/10.1016/j.ecns.2016.04.008

Yang, S., Hou, Z., & Chen, H. (2022). Network model analysis of quality control factors of prefabricated buildings based on the complex network theory. Buildings, 12(11), 1874. https://doi.org/10.3390/buildings12111874

Zhang, X., Sun, X., Sun, X., Sun, W., & Kumar Jha, S. (2022). Robust reversible audio watermarking scheme for telemedicine and privacy protection. Computers, Materials & Continua, 71(2), 3035-3050. https://doi.org/10.32604/cmc.2022.022304

Zonnenshain, A. & Kenett, R. S. (2020). Quality 4.0-the challenging future of quality engineering. Quality Engineering, 32(4), 614-626. https://doi.org/10.1080/08982112.2019.1706744

Cover Image
Imagem que apresenta uma paisagem industrial com grandes instalações fabris e chaminés ao fundo, sobreposta por uma rede digital composta por linhas interconectadas e ícones representando comunicação, segurança, computação em nuvem, análise de dados, logística e conectividade. A composição visual simboliza a transformação digital característica da Indústria 4.0 e a integração de tecnologias inteligentes aos processos produtivos. Os elementos gráficos remetem ao uso de indicadores bibliométricos para analisar a evolução e o papel das ferramentas clássicas da qualidade em um contexto de digitalização, conectividade e tomada de decisão baseada em dados, evidenciando a convergência entre métodos tradicionais de gestão da qualidade e as novas tecnologias industriais. Na parte superior, encontra-se o título do artigo “Um panorama do papel das ferramentas clássicas da qualidade na indústria 4.0 por meio de indicadores bibliométricos”, seguido dos autores Adigneri, Santos, Galdamez & Santos (2026). Na parte inferior, consta a identificação da Brazilian Journal of Production Engineering e o ISSN da revista.
Downloads
Additional Files
Published
2026-06-15
Issue
Vol. 12 No. 2 (2026): Regular Issue (April - June)
Section
QUALITY ENGINEERING
License

Copyright (c) 2026 Adigneri, H. M., Santos, J. M. da S. dos, Galdamez, E. V. C., & Santos, B. S. dos.

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

All works published in the Brazilian Journal of Production Engineering (BJPE) are licensed under Creative Commons Attribution 4.0 International (CC BY 4.0). This means that: Anyone can copy, distribute, display, adapt, remix, and even commercially use the content published in the journal; Provided that due credit is given to the authors and to BJPE as the original source; No additional permission is required for reuse, as long as the license terms are respected. This policy complies with the principles of open access, promoting the broad dissemination of scientific knowledge. 🔗 Click here to access the full license

How to Cite

Adigneri, H. M., Santos, J. M. da S. dos, Galdamez, E. V. C., & Santos, B. S. dos. (2026). Um panorama do papel das ferramentas clássicas da qualidade na indústria 4.0 por meio de indicadores bibliométricos. Brazilian Journal of Production Engineering, 12(2), 205-224. https://doi.org/10.47456/bjpe.v12i2.50461