Improving Total Productive Maintenance through Machine Learning for failure prediction

Authors
DOI:
https://doi.org/10.47456/bjpe.v12i5.53118
Keywords:
Industrial maintenance, predictive maintenance, TPM, machine learning, failure prediction
Abstract

When treated correctly, data can generate valuable information. Technological advancement has contributed to the development of tools for analyzing large volumes of data, along with algorithms capable of identifying patterns and making predictions based on statistical methods. In this study, ways of applying data analysis and methods based on machine learning are investigated using a synthetic database 'AI4I' for engine failures. The method used in this work consisted of going through all the stages of applying machine learning, from data selection, treatment, visualizations, and the creation of five predictive models using different algorithms and their interpretations. Python was used as the programming language. Finally, it was possible to compare the performance of the different algorithms and conclude that the Random Forest method proved to be more efficient, with an accuracy of almost 100%, indicating that this model is effective for the specific database.

Author Biographies
  1. Gabriel Sotello de Oliveira, São Paulo State University

    -

  2. José Roberto Dale Luche, São Paulo State University

    Professor no Departamento de Produção da FEG-UNESP. Doutor e Mestre em Engenharia de Produção, com ênfase em Pesquisa Operacional. Possui especialização em Banco de Dados. Graduado em Engenharia de Produção, Análise e Desenvolvimento de Sistemas e Licenciatura em Matemática (R2). Atua como pesquisador e desenvolvedor nas áreas de Realidade Mista, Machine Learning, Sistemas de Informação e Pesquisa Operacional. É docente no cusro de Especialização em Engenharia de Produção da FEG-UNESP. http://lattes.cnpq.br/4951999338304665 https://orcid.org/0000-0001-5302-7301

  3. Aneirson Francisco da Silva, São Paulo State University

    Bolsista de produtividade em Pesquisa PQ CNPq Nível C. Professor associado MS-5.3 e Livre Docente em Métodos de Otimização e Simulação na Universidade Estadual Paulista ''Júlio de Mesquita Filho'' FEG-UNESP. Ministrando as disciplinas: História da Ciência e Metodologia Científica; Gestão da Produção e Gerência para a produtividade, competitividade industrial, métodos quantitativos avançados em sistemas produtivos e Engenharia Econômica e Sistemas de Custos e nos cursos de Pós-Graduação Stricto Sensu ministrou a disciplina de Simulação de Sistemas e, ministra atualmente a disciplina Métodos de Otimização e Simulação-MOS. No curso de Pós-graduação Lato Sensu- ministra a disciplina de viabilidade econômica e Metodologia Científica. Vice- Coordenador do Grupo de Pesquisa GOL - Grupo de Otimização e Logística da FEG - UNESP, cadastrado no CNPq.Pós Doutorado em Estatística Experimental e Otimização - USP. Doutor em Engenharia Mecânica-UNESP-GUARATINGUETÁ-SP. Mestre em engenharia de produção, pela Universidade Federal de Itajubá- UNIFEI. Pós-graduado em Engenharia Econômica, pela Universidade Federal de Uberlândia-UFU. http://lattes.cnpq.br/2151242493491034 http://orcid.org/0000-0002-2215-0734

  4. Leandro Carlos Fernandes, São Paulo State University

    Possui graduação em Engenharia Elétrica pelo Instituto Nacional de Telecomunicações (1993), mestrado em Engenharia Elétrica pela Universidade Federal de Itajubá (1996) e doutorado em Engenharia Eletrônica e Computação pelo Instituto Tecnológico de Aeronáutica (2002). Professor Assistente Doutor da Universidade Estadual Paulista Júlio de Mesquita Filho tendo experiência no projeto de circuitos integrados analógicos e digitais sendo que os projetos digitais são modelados e sintetizados com o auxílio da linguagem de programação para hardware VHDL tendo como alvo componentes programáveis após o encapsulamento CPLD/FPGA. http://lattes.cnpq.br/9338079447464341 

  5. Claudia Regina de Freitas, São Paulo State University

    Possui graduação em Psicologia pela Universidade de Taubaté (2010) e em Pedagogia pela Faculdade Anhanguera de São José dos Campos (2023). É mestre em Ciências pela Universidade Federal de São Paulo UNIFESP (2013) e doutora em Saúde Coletiva pela Faculdade de Ciências Médicas da UNICAMP (2019). Pós- doutorado pela UNESP (2025). Possui mais de 10 anos de experiência como docente no ensino superior, com atuação em diversos cursos de graduação. Foi coordenadora de curso de graduação em Psicologia em instituição privada; professora auxiliar I no Departamento de Psicologia da Universidade de Taubaté (UNITAU); e professora substituta do Departamento de Engenharia de Produção da Faculdade de Engenharia e Ciências da UNESP - Campus de Guaratinguetá. Atualmente, é docente no Departamento de Engenharia de Produção da Faculdade de Engenharia e Ciências da UNESP - Campus de Guaratinguetá, ministrando disciplinas da área de Engenharia Organizacional e Psicologia organizacional e do trabalho. Atua em pesquisas com foco em ergonomia cognitiva, processos de ensino-aprendizagem e desempenho de estudantes universitários em cursos de Engenharia, e temas interdisciplinares que envolvem psicologia, saúde coletiva, educação e engenharia, com produção científica voltada à interface entre saúde mental, aprendizagem e práticas pedagógicas no ensino superior. É também membro do Grupo de Pesquisa em Psicodiagnóstico e Avaliação Psicológica (GP-PAP) da Universidade de Taubaté. https://lattes.cnpq.br/4470269242002606 https://orcid.org/0000-0001-8078-9213

References

Ahuja, I. P. S. & Khamba, J. S. (2008). Total productive maintenance: literature review and directions. International Journal of Quality & Reliability Management, 25(7), 709-56. https://doi.org/10.1108/02656710810890890

UCI Machine Learning Repository. (2020). AI4I 2020 predictive maintenance dataset [Dataset]. University of California, Irvine. https://doi.org/10.24432/C5HS5C

Altalhan, M., Algarni, A., & Alouane, M. T. H. (2025). Imbalanced data problem in machine learning: a review. IEEE Access. https://doi.org/10.1109/ACCESS.2025.3531662

Bezerra, F. E., Freitas, C. R. de, Vale, T. F., Alves, M. J., Sales, W. F., & Araújo, A. M. (2024). Impacts of feature selection on predicting machine failures by machine learning algorithms. Applied Sciences, 14(8), 3337. https://doi.org/10.3390/app14083337

Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321-57. https://doi.org/10.1613/jair.953

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-54. https://doi.org/10.1609/aimag.v17i3.1230

Ferreira, I. T., Freitas, C. R. de, & Luche, J. R. D. (2024). Integração e automação de data lakes com Python para análises em dashboards. Revista de Gestão e Secretariado, 15(9), e4105. https://doi.org/10.7769/gesec.v15i9.4105

Fioreto, V. D. L., Freitas, C. R. de, & Luche, J. R. D. (2024). Aplicação de modelos de aprendizado de máquina para a predição da temperatura do rotor em motores PMSM. Revista de Gestão e Secretariado, 15(8), e3981. https://doi.org/10.7769/gesec.v15i8.3981

Goyal, C. (2021). Importance of cross validation: Are evaluation metrics enough? Analytics Vidhya. Recuperado de https://www.analyticsvidhya.com/blog/2021/05/importance-of-cross-validation-are-evaluation-metrics-enough/

Kumar, U., Galar, D., Parida, A., Stenström, C., & Berges, L. (2013). Maintenance performance metrics: a state-of-the-art review. Journal of Quality in Maintenance Engineering, 19(3), 233-77. https://doi.org/10.1108/JQME-05-2013-0029

Kusiak, A. (2017). Smart manufacturing must embrace big data. Nature, 544(7648), 23-5. https://doi.org/10.1038/544023a

Lei, Y., Li, N., Guo, L., Li, N., Yan, T., & Lin, J. (2018). Machinery health prognostics: a systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing, 104, 799-834. https://doi.org/10.1016/j.ymssp.2017.11.016

Mouhib, Z., El Biaze, H., Benabbou, L., & Charkaoui, A. (2025). Total productive maintenance and Industry 4.0: a literature-based path toward a proposed standardized framework. Applied System Innovation, 8(4), 98. https://doi.org/10.3390/asi8040098

Muchiri, P. & Pintelon, L. (2008). Performance measurement using overall equipment effectiveness (OEE): literature review and practical application discussion. International Journal of Production Research, 46(13), 3517-35. https://doi.org/10.1080/00207540601142645

Neupane, D., Gautam, A., Aryal, A., & Koju, R. (2024). Data-driven machinery fault detection: a comprehensive review. SSRN Working Paper. https://doi.org/10.1016/j.neucom.2025.129588

Song, X., Wang, W., Zhang, H., & Zhou, D. (2023). A hybrid deep learning prediction method of remaining useful life for rolling bearings using multiscale stacking deep residual shrinkage network. International Journal of Intelligent Systems, 2023(1), 6665534. https://doi.org/10.1155/2023/6665534

Tortorella, G., Sawhney, R., Jurburg, D., & Fogliatto, F. S. (2022). The impact of Industry 4.0 on the relationship between TPM and maintenance performance. Journal of Manufacturing Technology Management, 33(3), 489520. https://doi.org/10.1108/JMTM-10-2021-0399

Wu, M., Li, X., Sun, J., Wang, Z., & Hu, Y. (2024). An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Frontiers in Mechanical Engineering, 10, 1383202. https://doi.org/10.3389/fmech.2024.1383202

Zonta, T., da Costa, C. A., Righi, R. da R., Lima, M. J. de, Trindade, E. S. da, & Li, G. P. (2020). Predictive maintenance in the industry 4.0: a systematic literature review. Computers & Industrial Engineering, 150, 106889. https://doi.org/10.1016/j.cie.2020.106889

Cover Image
An image of a corkboard covered with colorful sticky notes attached with pushpins. At the center, a blue note displays the handwritten phrase “Total Productive Maintenance” in black letters. Other notes contain sketches, numbers, and flow diagrams, suggesting planning, organization, and continuous improvement processes. At the top of the cover, the title “Melhoria da Manutenção Produtividade Total por meio de Aprendizado de Máquina na previsão de falhas” is displayed, followed by the authors Oliveira, G. S. de, Luche, J. R. D., Silva, A. F. da, Fernandes, L. C., & Freitas, C. R. de (2026).
Downloads
Published
2026-07-02
Issue
Vol. 12 No. 5 (2026): Special Issue VII Symposium on Production Engineering (SIENPRO)
Section
Innovation, Sustainability, and Entrepreneurship: Paths to Transforming Production Engineering
License

Copyright (c) 2026 Oliveira, G. S. de, Luche, J. R. D., Silva, A. F. da, Fernandes, L. C., & Freitas, C. R. de

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

Oliveira, G. S. de, Luche, J. R. D., Silva, A. F. da, Fernandes, L. C., & Freitas, C. R. de. (2026). Improving Total Productive Maintenance through Machine Learning for failure prediction. Brazilian Journal of Production Engineering, 12(5), 129-142. https://doi.org/10.47456/bjpe.v12i5.53118