OTIMIZAÇÃO MULTI-OBJETIVA E DECISÃO MULTICRITÉRIO VOLTADAS AOS SISTEMAS DE GESTÃO DE MANUTENÇÃO DE ATIVOS

Introdução: A manutenção industrial migrou de respostas corretivas para estratégias preditivas e baseadas em dados. Este projeto propõe um framework que integra otimização multiobjetivo (NSGA-II), decisão multicritério (TOPSIS) e IA generativa para apoiar CMMS. Em um ambiente Docker com PostgreSQL e Python, simulamos a estrutura do Manusis4 e testamos com dados sintéticos de ordens de serviço. O objetivo é priorizar e distribuir manutenções considerando custo, downtime, criticidade e disponibilidade de equipes, produzindo uma agenda semanal executável de forma automática. Objetivos: Desenvolver um sistema modular para: (i) modelar o banco de um CMMS em PostgreSQL; (ii) aplicar NSGA-II para gerar uma Frente de Pareto entre custo e tempo de parada; (iii) ordenar soluções via TOPSIS com pesos definidos; (iv) integrar com IA generativa para montar a agenda semanal respeitando limite diário de 8h e pausa de almoço; (v) avaliar escalabilidade e reprodutibilidade em ambiente conteinerizado. Materiais e método: Utilizamos Docker com dois contêineres: PostgreSQL (tabelas de ativos e manutenções, scripts de criação e seed) e aplicação Python. A extração dos dados alimenta o NSGA-II (pymoo), ajustado por testes de população e gerações. As soluções são gravadas e, em seguida, avaliadas pelo TOPSIS (scikit-criteria), com normalização, definição de pesos e cálculo das distâncias ideal/nadir. A lista ordenada é enviada a uma API que aciona uma IA generativa para montar a agenda, dividindo manutenções acima de 8h em dias consecutivos e bloqueando 12h–13h. Foram realizados testes com diferentes volumes de ordens e disponibilidade de técnicos. Resultados: O NSGA-II convergiu para Frentes de Pareto estáveis, oferecendo alternativas com bons trade-offs entre custo e downtime. O TOPSIS reordenou as soluções conforme criticidade e impacto operacional, refletindo preferências do tomador de decisão. A integração com a IA gerou agendas semanais balanceadas por técnico, respeitando a pausa de almoço e limites diários. O sistema manteve desempenho consistente ao dobrar o número de ordens simuladas, com tempo total de geração de agenda inferior a um minuto, e arquitetura facilmente reprodutível via Docker. Considerações finais: O framework demonstrou viabilidade técnica e operacional para priorizar e agendar manutenções de forma automatizada, integrando NSGA-II, TOPSIS e IA generativa sobre um CMMS simulado. O desenho modular facilita evolução por etapas e futura integração com uma base real (Manusis4). Próximos passos incluem validação com dados produtivos, análise econômica detalhada e ampliação do uso de IA para predição de falhas e recomendação de ações.

Palavras-chave: Otimização multiobjetivo; Decisão multicritério; IA generativa; Gestão da manutenção; CMMS.