IndustryAssetEQA：面向工业资产维护具身问答的神经符号运营智能系统

工业维护环境日益依赖AI系统来辅助操作员理解资产行为、诊断故障和评估干预措施。尽管大语言模型（LLM）实现了流畅的自然语言交互，但已部署的维护助手常常给出缺乏遥测数据支撑的笼统解释、省略可验证的溯源信息，并且无法为反事实或面向行动的推理提供可检验的支持，这些都削弱了安全关键场景中的信任。我们提出IndustryAssetEQA，一个神经符号运营智能系统，它将情节化遥测表示与失效模式影响分析知识图谱（FMEA-KG）相结合，以实现对工业资产的具身问答（EQA）。我们在涵盖四类工业资产（旋转机械、涡扇发动机、液压系统和信息物理生产系统）的四个数据集上进行评估。与纯LLM基线相比，IndustryAssetEQA将结构有效性最高提升0.51，反事实准确率最高提升0.47，解释蕴含度提升0.64，同时将专家评级为严重过度声明（overclaim）的比例从28%降至2%（约降低93%）。代码、数据集与FMEA-KG已在 https://github.com/IBM/AssetOpsBench/tree/IndustryAssetEQA/IndustryAssetEQA 公开。