IndustryAssetEQA: Um Sistema de Inteligência Operacional Neurosimbólica para Resposta a Perguntas Corporificadas na Manutenção de Ativos Industriais
IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance
April 25, 2026
Autores: Chathurangi Shyalika, Dhaval Patel, Amit Sheth
cs.AI
Resumo
Os ambientes de manutenção industrial dependem cada vez mais de sistemas de IA para auxiliar os operadores na compreensão do comportamento dos ativos, no diagnóstico de falhas e na avaliação de intervenções. Embora os grandes modelos de linguagem (LLMs) permitam uma interação fluente em linguagem natural, os assistentes de manutenção implantados produzem rotineiramente explicações genéricas que são pouco fundamentadas em telemetria, omitem proveniência verificável e não oferecem suporte testável para raciocínios contrafactuais ou orientados à ação, o que mina a confiança em contextos de segurança crítica. Apresentamos o IndustryAssetEQA, um sistema de inteligência operacional neurosimbólico que combina representações episódicas de telemetria com um Grafo de Conhecimento de Análise de Modo e Efeito de Falha (FMEA-KG) para permitir a Resposta a Perguntas Corporificadas (EQA) sobre ativos industriais. Avaliamos em quatro conjuntos de dados que abrangem quatro tipos de ativos industriais, incluindo máquinas rotativas, motores turbofan, sistemas hidráulicos e sistemas de produção ciber-físicos. Em comparação com linhas de base baseadas apenas em LLMs, o IndustryAssetEQA melhora a validade estrutural em até 0,51, a precisão contrafactual em até 0,47 e a implicação explicativa em 0,64, enquanto reduz as superafirmações graves avaliadas por especialistas de 28% para 2% (redução de aproximadamente 93%). Código, conjuntos de dados e o FMEA-KG estão disponíveis em 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.