IndustryAssetEQA : Un système d'intelligence opérationnelle neurosymbolique pour le question-réponse incarné dans la maintenance des actifs industriels

Résumé

Les environnements de maintenance industrielle s'appuient de plus en plus sur des systèmes d'IA pour aider les opérateurs à comprendre le comportement des actifs, à diagnostiquer les défaillances et à évaluer les interventions. Bien que les grands modèles de langage (LLM) permettent une interaction fluide en langage naturel, les assistants de maintenance déployés produisent systématiquement des explications génériques faiblement ancrées dans la télémétrie, omettent la traçabilité vérifiable et n'offrent aucun support testable pour le raisonnement contrefactuel ou orienté action, ce qui sape la confiance dans les contextes critiques pour la sécurité. Nous présentons IndustryAssetEQA, un système d'intelligence opérationnelle neuro-symbolique qui combine des représentations épisodiques de télémétrie avec un graphe de connaissances d'analyse des modes de défaillance, de leurs effets et de leur criticité (AMDEC-KG) pour permettre le questionnement incarné (EQA) sur les actifs industriels. Nous évaluons notre système sur quatre jeux de données couvrant quatre types d'actifs industriels, notamment des machines tournantes, des turbofans, des systèmes hydrauliques et des systèmes de production cyber-physiques. Par rapport aux approches basées uniquement sur des LLM, IndustryAssetEQA amène une amélioration allant jusqu'à 0,51 pour la validité structurelle, jusqu'à 0,47 pour la précision contrefactuelle et de 0,64 pour l'implication explicative, tout en réduisant les affirmations excessives graves évaluées par des experts de 28 % à 2 % (soit une réduction d'environ 93 %). Le code, les jeux de données et l'AMDEC-KG sont disponibles à l'adresse https://github.com/IBM/AssetOpsBench/tree/IndustryAssetEQA/IndustryAssetEQA.

English

Industrial maintenance environments increasingly rely on AI systems to assist operators in understanding asset behavior, diagnosing failures, and evaluating interventions. Although large language models (LLMs) enable fluent natural-language interaction, deployed maintenance assistants routinely produce generic explanations that are weakly grounded in telemetry, omit verifiable provenance, and offer no testable support for counterfactual or action-oriented reasoning that undermine trust in safety-critical settings. We present IndustryAssetEQA, a neurosymbolic operational intelligence system that combines episodic telemetry representations with a Failure Mode Effects Analysis Knowledge Graph (FMEA-KG) to enable Embodied Question Answering (EQA) over industrial assets. We evaluate on four datasets covering four industrial asset types, including rotating machinery, turbofan engines, hydraulic systems, and cyber-physical production systems. Compared to LLM-only baselines, IndustryAssetEQA improves structural validity by up to 0.51, counterfactual accuracy by up to 0.47, and explanation entailment by 0.64, while reducing severe expert-rated overclaims from 28% to 2% (approximately 93% reduction). Code, datasets, and the FMEA-KG are available at https://github.com/IBM/AssetOpsBench/tree/IndustryAssetEQA/IndustryAssetEQA.