IndustryAssetEQA: Een Neurosymbolisch Operationeel Intelligentiesysteem voor Belichaamde Vraagbeantwoording bij Industrieel Assetonderhoud
IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance
April 25, 2026
Auteurs: Chathurangi Shyalika, Dhaval Patel, Amit Sheth
cs.AI
Samenvatting
In industriële onderhoudsomgevingen wordt steeds vaker een beroep gedaan op AI-systemen om operators te helpen bij het begrijpen van assetgedrag, het diagnosticeren van storingen en het evalueren van interventies. Hoewel grote taalmodellen (LLM's) vlotte interactie in natuurlijke taal mogelijk maken, produceren ingezette onderhoudsassistenten routinematig generieke verklaringen die zwak geworteld zijn in telemetrie, verifieerbare herkomst weglaten en geen toetsbare ondersteuning bieden voor contrafeitelijk of actiegericht redeneren, wat het vertrouwen in veiligheidskritieke omgevingen ondermijnt. Wij presenteren IndustryAssetEQA, een neurosymbolisch operationeel intelligentiesysteem dat episodische telemetrierepresentaties combineert met een Failure Mode Effects Analysis Knowledge Graph (FMEA-KG) om Embodied Question Answering (EQA) over industriële assets mogelijk te maken. Wij evalueren het systeem op vier datasets die vier typen industriële assets beslaan, waaronder roterende machines, turbofan-motoren, hydraulische systemen en cyber-fysieke productiesystemen. In vergelijking met uitsluitend op LLM's gebaseerde systemen verbetert IndustryAssetEQA de structurele geldigheid met maximaal 0,51, de contrafeitelijke nauwkeurigheid met maximaal 0,47 en de verklaringsimplicatie met 0,64, terwijl ernstige, door experts beoordeelde overclaims worden teruggebracht van 28% naar 2% (een reductie van ongeveer 93%). Code, datasets en de FMEA-KG zijn beschikbaar op 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.