{"id":14602,"date":"2025-08-09T16:59:33","date_gmt":"2025-08-09T16:59:33","guid":{"rendered":"https:\/\/stage.metalpower.net\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/"},"modified":"2025-11-16T14:51:20","modified_gmt":"2025-11-16T14:51:20","slug":"predictive-fleet-maintenance-using-metavision-rx-rde-oes","status":"publish","type":"case-study","link":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/","title":{"rendered":"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES"},"content":{"rendered":"<h2>Vis\u00e3o Geral do Cliente<\/h2>\n<p>Uma grande operadora de frota multiplataforma, que gerencia ve\u00edculos a\u00e9reos e mar\u00edtimos, buscava aprimorar sua capacidade de an\u00e1lise de \u00f3leo como parte de uma iniciativa mais ampla em dire\u00e7\u00e3o \u00e0 manuten\u00e7\u00e3o preditiva. Anteriormente, utilizando um analisador de \u00f3leo baseado em XRF, o cliente enfrentava problemas persistentes relacionados \u00e0 cobertura elementar limitada, \u00e0 complexidade da prepara\u00e7\u00e3o de amostras e \u00e0 precis\u00e3o inconsistente, principalmente para elementos leves e metais de desgaste em baixa concentra\u00e7\u00e3o. <\/p>\n<h2>Desafios Anal\u00edticos<\/h2>\n<ul>\n<li><strong>Detec\u00e7\u00e3o elementar limitada:<\/strong> os sistemas XRF apresentaram dificuldades com elementos-chave como Al, Si, Na e metais aditivos em baixas concentra\u00e7\u00f5es.<\/li>\n<li><strong>Complexidade na prepara\u00e7\u00e3o da amostra:<\/strong> Requer etapas elaboradas de dilui\u00e7\u00e3o e calibra\u00e7\u00e3o, limitando a velocidade e a repetibilidade.<\/li>\n<li><strong>Lacunas em Precis\u00e3o e Sensibilidade:<\/strong> Incapacidade de detectar de forma consistente marcadores de desgaste e contamina\u00e7\u00e3o em est\u00e1gio inicial.<\/li>\n<li><strong>Conformidade com os padr\u00f5es:<\/strong> Dificuldade em alinhar os resultados com a norma ASTM D6595, o padr\u00e3o da ind\u00fastria para an\u00e1lise de \u00f3leo.<\/li>\n<li><strong>Requisitos operacionais:<\/strong> Necessidade de um sistema robusto, oper\u00e1vel em campo e utiliz\u00e1vel por t\u00e9cnicos com treinamento b\u00e1sico.<\/li>\n<\/ul>\n<h2>Solu\u00e7\u00e3o: Metavision-RX RDE-OES<\/h2>\n<p>Para enfrentar esses desafios, o cliente implementou o <a style=\"text-decoration: underline;\" href=\"https:\/\/www.metalpower.net\/pt\/products\/rde-oes\/metavision-rx\/\" target=\"_blank\" rel=\"noopener\">Metavision-RX<\/a>, o <a style=\"text-decoration: underline;\" href=\"https:\/\/www.metalpower.net\/pt\/products\/rde-oes\/\" target=\"_blank\" rel=\"noopener\">espectr\u00f4metro de emiss\u00e3o \u00f3ptica com eletrodo de disco rotativo<\/a> avan\u00e7ado da Metal Power. Projetado especificamente para monitoramento da condi\u00e7\u00e3o do \u00f3leo, o sistema oferece an\u00e1lises r\u00e1pidas, precisas e multielementares em um formato robusto e pronto para uso em campo. <\/p>\n<h2>Implementa\u00e7\u00e3o e casos de uso<\/h2>\n<p>O Metavision-RX foi implementado em tr\u00eas bases operacionais principais, dando suporte a plataformas mar\u00edtimas e a\u00e9reas. As principais aplica\u00e7\u00f5es inclu\u00edam: <\/p>\n<ul>\n<li><strong>Monitoramento do desgaste do motor:<\/strong> an\u00e1lise de Fe, Cu, Cr e Al para informa\u00e7\u00f5es preditivas sobre pist\u00f5es, mancais e camisas.<\/li>\n<li><strong>Detec\u00e7\u00e3o de contaminantes:<\/strong> Identifica\u00e7\u00e3o de Si, Na e K, indicando entrada de sujeira ou vazamentos de l\u00edquido refrigerante.<\/li>\n<li><strong>Monitoramento da sa\u00fade dos aditivos:<\/strong> Garantir os n\u00edveis corretos de Zn, Ca, P e Mg nos lubrificantes para preservar as propriedades funcionais.<\/li>\n<li><strong>Testes de fluidos hidr\u00e1ulicos e de refrigera\u00e7\u00e3o:<\/strong> Ampliando o monitoramento de condi\u00e7\u00f5es para al\u00e9m dos sistemas do motor.<\/li>\n<\/ul>\n<h2>Destaques da performance<\/h2>\n<table>\n<tbody>\n<tr>\n<td>\n<h3><strong>Par\u00e2metro<\/strong><\/h3>\n<\/td>\n<td>\n<h3><strong>Resultado<\/strong><\/h3>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<h3><strong>Cobertura de elementos<\/strong><\/h3>\n<\/td>\n<td>33 elementos (metais de desgaste, aditivos, contaminantes)<\/td>\n<\/tr>\n<tr>\n<td>\n<h3><strong>Tempo de an\u00e1lise<\/strong><\/h3>\n<\/td>\n<td>~35 segundos<\/td>\n<\/tr>\n<tr>\n<td>\n<h3><strong>Limites de detec\u00e7\u00e3o<\/strong><\/h3>\n<\/td>\n<td>T\u00e3o baixo quanto 0,01 ppm<\/td>\n<\/tr>\n<tr>\n<td>\n<h3><strong>Facilidade de uso<\/strong><\/h3>\n<\/td>\n<td>Operado por pessoal de campo com treinamento m\u00ednimo<\/td>\n<\/tr>\n<tr>\n<td>\n<h3><strong>Impacto<\/strong><\/h3>\n<\/td>\n<td>Precis\u00e3o diagn\u00f3stica aprimorada, tempo de inatividade reduzido<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Conclus\u00e3o<\/h2>\n<p>A implementa\u00e7\u00e3o do Metavision-RX representou uma mudan\u00e7a crucial da manuten\u00e7\u00e3o reativa para a manuten\u00e7\u00e3o preditiva. Ao eliminar as limita\u00e7\u00f5es da tecnologia XRF e otimizar os fluxos de trabalho de an\u00e1lise, o cliente obteve diagn\u00f3sticos mais r\u00e1pidos, maior precis\u00e3o e um planejamento de manuten\u00e7\u00e3o significativamente aprimorado, resultando, em \u00faltima an\u00e1lise, em maior confiabilidade da frota e redu\u00e7\u00e3o dos custos do ciclo de vida.<\/p>\n","protected":false},"featured_media":14606,"template":"","meta":{"_acf_changed":false,"inline_featured_image":false},"case-study_category":[],"class_list":["post-14602","case-study","type-case-study","status-publish","has-post-thumbnail","hentry"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.6 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES | Metal Power Analytical<\/title>\n<meta name=\"description\" content=\"Saiba como a Metal Power Analytical utilizou o Metavision-RX RDE OES para viabilizar a manuten\u00e7\u00e3o preditiva da frota, reduzindo o tempo de inatividade e aumentando a confiabilidade.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES | Metal Power Analytical\" \/>\n<meta property=\"og:description\" content=\"Saiba como a Metal Power Analytical utilizou o Metavision-RX RDE OES para viabilizar a manuten\u00e7\u00e3o preditiva da frota, reduzindo o tempo de inatividade e aumentando a confiabilidade.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/\" \/>\n<meta property=\"og:site_name\" content=\"Metal Power\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/MetalPowerAnalytical\/\" \/>\n<meta property=\"article:modified_time\" content=\"2025-11-16T14:51:20+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/08\/metavision-rx-detail-1024x427.jpg\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:title\" content=\"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES | Metal Power Analytical\" \/>\n<meta name=\"twitter:description\" content=\"Saiba como a Metal Power Analytical utilizou o Metavision-RX RDE OES para viabilizar a manuten\u00e7\u00e3o preditiva da frota, reduzindo o tempo de inatividade e aumentando a confiabilidade.\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/08\/metavision-rx-detail-1024x427.jpg\" \/>\n<meta name=\"twitter:label1\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data1\" content=\"2 minutos\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES | Metal Power Analytical","description":"Saiba como a Metal Power Analytical utilizou o Metavision-RX RDE OES para viabilizar a manuten\u00e7\u00e3o preditiva da frota, reduzindo o tempo de inatividade e aumentando a confiabilidade.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/","og_locale":"pt_BR","og_type":"article","og_title":"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES | Metal Power Analytical","og_description":"Saiba como a Metal Power Analytical utilizou o Metavision-RX RDE OES para viabilizar a manuten\u00e7\u00e3o preditiva da frota, reduzindo o tempo de inatividade e aumentando a confiabilidade.","og_url":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/","og_site_name":"Metal Power","article_publisher":"https:\/\/www.facebook.com\/MetalPowerAnalytical\/","article_modified_time":"2025-11-16T14:51:20+00:00","og_image":[{"url":"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/08\/metavision-rx-detail-1024x427.jpg","type":"","width":"","height":""}],"twitter_card":"summary_large_image","twitter_title":"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES | Metal Power Analytical","twitter_description":"Saiba como a Metal Power Analytical utilizou o Metavision-RX RDE OES para viabilizar a manuten\u00e7\u00e3o preditiva da frota, reduzindo o tempo de inatividade e aumentando a confiabilidade.","twitter_image":"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/08\/metavision-rx-detail-1024x427.jpg","twitter_misc":{"Est. tempo de leitura":"2 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/","url":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/","name":"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES | Metal Power Analytical","isPartOf":{"@id":"https:\/\/www.metalpower.net\/pt\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/#primaryimage"},"image":{"@id":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/#primaryimage"},"thumbnailUrl":"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/08\/metavision-rx-thumbnail.jpg","datePublished":"2025-08-09T16:59:33+00:00","dateModified":"2025-11-16T14:51:20+00:00","description":"Saiba como a Metal Power Analytical utilizou o Metavision-RX RDE OES para viabilizar a manuten\u00e7\u00e3o preditiva da frota, reduzindo o tempo de inatividade e aumentando a confiabilidade.","breadcrumb":{"@id":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/#primaryimage","url":"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/08\/metavision-rx-thumbnail.jpg","contentUrl":"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/08\/metavision-rx-thumbnail.jpg","width":2560,"height":1669,"caption":"Predictive Fleet Maintenance Using Metavision-RX RDE-OES by Metal Power Analytical"},{"@type":"BreadcrumbList","@id":"https:\/\/www.metalpower.net\/pt\/case-studies\/predictive-fleet-maintenance-using-metavision-rx-rde-oes\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"P\u00e1gina inicial","item":"https:\/\/www.metalpower.net\/pt\/"},{"@type":"ListItem","position":2,"name":"Manuten\u00e7\u00e3o preditiva de frotas usando Metavision-RX RDE-OES"}]},{"@type":"WebSite","@id":"https:\/\/www.metalpower.net\/pt\/#website","url":"https:\/\/www.metalpower.net\/pt\/","name":"Metal Power","description":"","publisher":{"@id":"https:\/\/www.metalpower.net\/pt\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.metalpower.net\/pt\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Organization","@id":"https:\/\/www.metalpower.net\/pt\/#organization","name":"Metal Power Analytical","url":"https:\/\/www.metalpower.net\/pt\/","logo":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/www.metalpower.net\/pt\/#\/schema\/logo\/image\/","url":"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/07\/metal-power-logo.svg","contentUrl":"https:\/\/www.metalpower.net\/wp-content\/uploads\/2025\/07\/metal-power-logo.svg","width":112,"height":30,"caption":"Metal Power Analytical"},"image":{"@id":"https:\/\/www.metalpower.net\/pt\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/MetalPowerAnalytical\/"]}]}},"_links":{"self":[{"href":"https:\/\/www.metalpower.net\/pt\/wp-json\/wp\/v2\/case-study\/14602","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.metalpower.net\/pt\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/www.metalpower.net\/pt\/wp-json\/wp\/v2\/types\/case-study"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.metalpower.net\/pt\/wp-json\/wp\/v2\/media\/14606"}],"wp:attachment":[{"href":"https:\/\/www.metalpower.net\/pt\/wp-json\/wp\/v2\/media?parent=14602"}],"wp:term":[{"taxonomy":"case-study_category","embeddable":true,"href":"https:\/\/www.metalpower.net\/pt\/wp-json\/wp\/v2\/case-study_category?post=14602"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}