Com o aumento da demanda por minério no mundo, a complexidade, o tamanho e o preço dos equipamentos de extração mineral aumentaram consideravelmente. Como estas máquinas possuem uma tecnologia de monitoramento embarcada no equipamento, a utilização desses dados para o aumento da confiabilidade e da disponibilidade do equipamento tornou-se fundamental, de modo a reduzir os custos de manutenção. O objetivo desta dissertação foi desenvolver um modelo de apoio à decisão de parada de equipamento, baseado na classificação por Redes Neurais Artificiais de padrões pré-falha de caminhões fora de estrada. O modelo proposto tem como objetivo identificar o estado de falha, ou padrão pré-falha de um equipamento, utilizando os dados armazenados nos equipamentos e seus respectivos registros de falha, para que seja possível avaliar o risco de falha deste equipamento e decidir se o mesmo deve ser parado ou aguardar uma nova parada programada. Essa dissertação foi desenvolvida em quatro partes: estudo dos principais modelos de manutenção atualmente utilizados; definição e desenvolvimento do modelo para abordar o problema, baseado em redes neurais artificiais; avaliação de desempenho do modelo proposto; e simulação do downtime da máquina utilizando o modelo de decisão proposto. No estudo dos principais modelos foi realizada uma pesquisa bibliográfica sobre a evolução da manutenção, passando por modelos de manutenção corretiva, manutenção preventiva e, por fim, chegando ao modelo de manutenção baseada no monitoramento de condições. Para os dois últimos tipos de manutenção, foram apresentados os principais modelos utilizados na abordagem do problema, seus benefícios e deficiências. O desenvolvimento do modelo foi segmentado em três etapas principais: tratamento das bases de dados, tanto de dados obtidos diretamente do equipamento quanto das bases de registro de falha dos equipamentos; seleção de variáveis, baseada no cálculo da influência de cada sensor do equipamento na determinação de seu estado de falha, assim como na definição do intervalo ideal para se agrupar os dados; e definição da topologia das redes. Na etapa de avaliação do desempenho do modelo proposto foram utilizados dados de falhas corretivas mais recorrentes para os dois componentes específicos de caminhões fora de estrada: motor e transmissão, sendo que o monitoramento eletrônico do motor é mais extenso do que o de transmissão, no que diz respeito ao número de sensores empregados no monitoramento. Para a comparação de desempenho entre os diferentes modelos avaliados, dois fatores tiveram maior relevância: melhor desempenho na classificação e maior intervalo entre a identificação do padrão pré-falha e a ocorrência da falha. Os resultados de classificação dos padrões pré-falha foram bastante satisfatórios para a maioria dos casos de estudos, com as taxas de acerto variando entre 85% e 95%. A partir do modelo de classificação determinado na etapa anterior, passou-se à simulação de diferentes cenários de falhas, calculando-se os tempos de máquina parada (downtimes) que teriam sido evitados se as intervenções definidas pelo modelo tivessem sido executadas, analisando-se, assim, o aumento de disponibilidade proporcionado pelo uso do modelo proposto.