航空機メンテナンスにおけるタスクスケジューリングのための適応強化学習

本論文では、航空会社の直接的な運営コストを大幅に削減できるメンテナンスタスクのスケジューリングに強化学習（RL）を使用することを提案します。このアプローチは、長期スケジューリングのための静的アルゴリズムと、新しいメンテナンス情報に基づいて再スケジュールするための適応アルゴリズムで構成されています。両アプローチの性能を評価するために、三つの主要業績指標（KPI）が定義されています：地上時間（Ground Time）、航空機が地上にいる時間を表す指標；時間の余裕（Time Slack）、タスクの期限までの近接度を測定する指標；および変更スコア（Change Score）、新しい情報が出たときの初期メンテナンス計画と適応された計画の類似度を定量化する指標です。結果は、RLが効率的なメンテナンス計画を生産する上での有効性を示しており、アルゴリズムが互いに補完し合い、ルーチンタスクと新しい情報へのリアルタイムな対応のための確固たる基盤を形成します。静的アルゴリズムは地上時間および時間の余裕に関してわずかに優れた性能を示しますが、適応アルゴリズムは変更スコアにおいて圧倒的に優れており、新しいメンテナンス情報を扱うための柔軟性を提供します。本提案のRLベースのアプローチは、航空機メンテナンスの効率を向上させる可能性があり、この分野でのさらなる研究の可能性があります。