IndustryAssetEQA: 산업 설비 유지 보수를 위한 신경-기호 융합 기반 운영 지능 시스템 – 임베디드 질의 응답

IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance

산업 유지 보수 환경에서 AI 시스템은 운영자가 설비의 작동 상태를 이해하고, 고장을 진단하며, 개입 효과를 평가하는 데 점점 더 많이 활용되고 있습니다. 대규모 언어 모델(LLM)은 자연스러운 언어 상호 작용을 가능하게 하지만, 실제 유지 보수 지원 시스템은 종종 원자재 데이터 기반이 부족하고, 검증 가능한 출처 정보가 누락되며, 안전이 중요한 환경에서 신뢰성을 저해하는 가설적 또는 행동 지향적 추론에 대한 검증 가능한 지원을 제공하지 못하는 일반적인 설명을 생성합니다. 본 연구에서는 IndustryAssetEQA라는 신경-기호 융합 기반 운영 지능 시스템을 제안합니다. IndustryAssetEQA는 에피소드 기반의 원자재 데이터 표현과 고장 모드 영향 분석 지식 그래프(FMEA-KG)를 결합하여 산업 설비에 대한 임베디드 질의 응답(EQA)을 가능하게 합니다. 회전 기계, 터보팬 엔진, 유압 시스템, 그리고 사이버-물리 생산 시스템을 포함한 4가지 유형의 산업 설비에 대한 4개의 데이터 세트를 사용하여 IndustryAssetEQA를 평가했습니다. 실험 결과, IndustryAssetEQA는 LLM만 사용한 기준 모델과 비교하여 구조적 타당성을 최대 0.51만큼, 반사실적 정확도를 최대 0.47만큼, 그리고 설명의 논리적 포함 관계를 0.64만큼 향상시켰으며, 동시에 전문가가 평가한 심각한 과장 주장을 28%에서 2%로 (약 93% 감소) 줄였습니다. IndustryAssetEQA의 코드, 데이터 세트 및 FMEA-KG는 https://github.com/IBM/AssetOpsBench/tree/IndustryAssetEQA/IndustryAssetEQA 에서 확인할 수 있습니다.

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.