Reducir las emisiones de carbono y mejorar los ingresos frente al calentamiento global y los desafíos económicos es una preocupación creciente para las aerolíneas. Este documento aborda las ineficiencias y altos costos asociados con las estrategias actuales de lavado de motores aeroespaciales en servicio. Para abordar este problema, proponemos un marco de aprendizaje por refuerzo que consta de un Método de Secuencia Similar y un modelo Taylor DQN. El Método de Secuencia Similar, que comprende una biblioteca de muestras, un algoritmo DTW y un ajuste de límites, predice datos de motores aeroespaciales lavados para el modelo Taylor DQN. Aprovechando las redes neuronales propuestas de Taylor, nuestro modelo produce valores Q para tomar decisiones de lavado informadas utilizando datos del Método de Secuencia Similar. A través de simulaciones, demostramos la efectividad de nuestro enfoque.