Abordagem baseada em LLMs e Algoritmo Genético para Sequenciamento de Tarefas de Manutenção Aeronáutica com Restrições de Precedência

Historicamente, as companhias aéreas brasileiras operam com estruturas de custos apertadas, o que torna a eficiência operacional determinante para a sua sobrevivência. Segundo o Relatório Anual de Segurança Operacional (RASO) da ANAC de 2021, a manutenção aeronáutica representa cerca de 22,4% do custo total das operações, além de imobilizar a aeronave durante sua execução. Nesse contexto, lidar com o planejamento de manutenções pesadas, que podem envolver centenas de tarefas interdependentes, representa um dos maiores desafios operacionais do setor.

Tal complexidade se reflete na prática: o problema de sequenciamento de manutenções pertence à classe NP-difícil e tem sido explorado na literatura majoritariamente por meio de algoritmos heurísticos de aproximação. No entanto, parte significativa desses trabalhos encontra dificuldades em integrar restrições e dados reais, especialmente diante de atualizações frequentes em documentos técnicos como o Maintenance Planning Document (MPD), que define o conjunto de tarefas de manutenção para cada modelo de aeronave. 

Para tanto, o presente trabalho propõe um pipeline baseado em modelos de agentes de linguagem de grande escala (LLMs) integrado a um Algoritmo Genético, capaz de processar o MPD diretamente e produzir uma sequência otimizada de manutenção. A abordagem é estruturada em três etapas: um primeiro agente realiza a leitura do MPD e extrai automaticamente as tarefas com seus respectivos tempos de execução; um segundo agente infere semanticamente as dependências entre elas a partir da estrutura do próprio documento — identificando, por exemplo, que a limpeza de um componente na aeronave deve preceder a sua lubrificação. Com os dados estruturados, um algoritmo genético recebe as tarefas, dependências e o número de mecânicos disponíveis como entrada, e produz uma sequência distribuída em paralelo que minimiza o tempo total da manutenção.

Os resultados preliminares sugerem a viabilidade da abordagem, ao processar o MPD relativo à aeronave ATR72-212A, o pipeline extraiu 756 tarefas e construiu automaticamente um mapa de restrições e dependências. O algoritmo genético encontrou uma sequência com tempo de manutenção apenas 13,8% acima do referencial teórico mínimo (lower bound), calculando esses resultados em aproximadamente 3 minutos. Além do desempenho satisfatório, a solução elimina o esforço manual de atualização das tarefas a cada nova versão do MPD, podendo ser estendida a outros modelos de aeronave e contribuindo para um planejamento de manutenções mais eficiente, assertivo e econômico. Como trabalhos futuros pode-se considerar: (i)  avaliar a matriz de dependências considerando outros documentos, como o Aircraft Maintenance Manual (AMM)(ii) a comparação com métodos consolidados (iii) e o uso de dados reais de centros de manutenção aeronáutica no aperfeiçoamento dos modelos.