Technische Samenvatting: Neuro-symbolische AI voor Voorspellend Onderhoud (PdM)

Probleemstelling

Het artikel behandelt de beperkingen van de huidige State-of-the-Art (SOTA) benaderingen voor Voorspellend Onderhoud (Predictive Maintenance, PdM) binnen industriële omgevingen (bijv. commerciële gebouwen, farmaceutische faciliteiten, halfgeleiderproductie). De auteurs identificeren een dichotomie in bestaande modelleringsstrategieën:

1. Data-gestuurde methoden (Deep Learning): Hoewel deze een hoge nauwkeurigheid vertonen, lijden deze systemen aan een "black-box"-natuur (gebrek aan transparantie), een zware afhankelijkheid van grote gelabelde datasets (die schaars zijn in industriële "run-to-failure"-scenario's), en een slechte generalisatie naar out-of-distribution omgevingen.
2. Kennisgebaseerde/Fysica-gebaseerde methoden: Deze benaderingen bieden een hoge verklaarbaarheid en integreren domeinexpertise, maar hebben vaak moeite met nauwkeurigheid, genereren fout-positieven en vereisen continue menselijke supervisie en handmatige afstemming.

Hoewel hybride benaderingen (het combineren van data-gestuurde en kennisgebaseerde modellen) in opkomst zijn, stellen de auteurs dat deze niet ver genoeg gaan. Het kernprobleem is het gebrek aan systemen die deep learning diep integreren met symbolische logica om architecturen te creëren die tegelijkertijd accuraat, verklaarbaar, interpreteerbaar en robuust zijn tegen dataschaarste.

Methodologie

Het artikel maakt gebruik van een Systematische Literatuurreview (SLR) volgens de richtlijnen van Kitchenham en Charters (2007).

• Zoekstrategie: Er is een query uitgevoerd op de Scopus-database in augustus 2025, die Engelstalige publicaties op het gebied van engineering en computerwetenschappen van 2020 tot 2025 beslaat.
• Filtering: De initiële resultaten (9.005 records) werden gefilterd door review-papers en niet-relevante domeinen (bijv. sport, audio) uit te sluiten.
• Geautomatiseerde Extractie: Een Large Language Model (LLM, OpenAI gpt-4.1-nano) werd gebruikt om metadata te extraheren uit titels en abstracts, inclusief domein, input/output-typen, modelleringscategorieën, technieken en de status van verklaarbaarheid.
• Handmatige Verfijning: Domeinlabels werden handmatig schoongemaakt en geclusterd met behulp van OpenRefine in 46 categorieën, waardoor de uiteindelijke dataset werd teruggebracht tot 3.495 relevante studies.
• Analyse: De auteurs synthetiseerden descriptieve statistieken en analyseerden de typologie van modelleringsbenaderingen, waarbij specif de focus lag op de evolutie naar hybride en neuro-symbolische systemen.

Belangrijkste Bijdragen

Het artikel levert verschillende duidelijke bijdragen aan de PdM-literatuur:

1. Gegeneraliseerd PdM-framework: De auteurs definiëren een gestandaardiseerde vijffasen-levenscyclus voor PdM:

   • Data-acquisitie en Verwerking.
   • Constructie van Health Indicators (HI) en Feature Engineering.
   • Verdeling van Gezondheidsstadia en Foutdetectie.
   • Prognostiek en Remaining Useful Life (RUL) Voorspelling.
   • Besluitvormingsondersteuning en Actie.

2. Typologie van Modelleringsbenaderingen: De review categoriseert huidige benaderingen in vier verschillende typen, waarbij de sterktes en zwaktes worden toegelicht:

   • Fysica-gebaseerd: Vertrouwt op eerste principes (bijv. Kalman Filters, Bond Graphs). Hoge interpreteerbaarheid, maar moeilijk te generaliseren.
   • Kennisgebaseerd: Gebruikt regels, ontologieën, Bayesiaanse netwerken en Fault Trees. Transparant, maar broos en moeilijk te onderhouden.
   • Data-gestuurd: Maakt gebruik van statistische modellen, Machine Learning (ML) en Deep Learning (DL). Hoge nauwkeurigheid, maar data-hongerig en opaak.
   • Hybride: Combineert bovenstaande methoden. De auteurs merken op dat hoewel hybride een trend is, de werkelijke integratie vaak oppervlakkig is.

3. Voorstel van Neuro-symbolische AI (NESY) voor PdM: De centrale bijdrage is het voorstel om verder te gaan dan standaard hybride modellen naar Neuro-symbolische AI, gedefinieerd als de nauwe integratie van deep learning met symbolische logica. De auteurs categoriseren NESY-architecturen in drie typen die relevant zijn voor PdM:

   • Genest (Nested): Een symbolisch systeem dat neurale modules bevat (of vice versa), zoals het gebruik van een neuraal netwerk voor perceptie binnen een symbolische planner.
   • Coöperatief (Cooperative): Meerdere neurale en symbolische modules die iteratief van elkaar leren (bijv. Reinforcement Learning agents).
   • Gecompileerd (Compiled): Symbolische kennis is volledig geïntegreerd in de neurale netwerkstructuur of de verliesfunctie (loss function). Dit omvat:
     • Gecompileerd in Nodes (NESY-CN): Logic Neural Networks (LNN), Equation Learners (EQL) en Hamiltonian Neural Networks (HNN), waarbij regels of fysica-vergelijkingen in de architectuur zijn ingebed.
     • Gecompileerd in Loss (NESY-CL): Physics-Informed Neural Networks (PINNs) en Signal Temporal Logic (STL) constraints die als penalty-termen aan de loss function worden toegevoegd om natuurkundige wetten of temporele regels af te dwingen.
     • Gecompileerd in Tensors (NESY-CT): Logic Tensor Networks (LTN) die symbolische relaties coderen in vectorenruimtes.

4. Agentic AI Visie: Het artikel schetst een toekomstige richting waar NESY "Agentic AI" mogelijk maakt in onderhoud. Deze agenten zouden niet alleen defecten voorspellen, maar ook oorzaakanalyses uitvoeren, interventies plannen en coördineren met andere systemen, terwijl ze voldoen aan expliciete veiligheids- en regelgevende restricties die in symbolische logica zijn gecodeerd.

Resultaten en Bevindingen

Op basis van de analyse van 3.495 studies rapporteren de auteurs:

• Dominantie van Data-gestuurde Benaderingen: Het overgrote deel van de recente literatuur richt zich op data-gestuurde methoden, in het bijzonder Deep Learning (CNN's, LSTM's, Transformers).
• Opkomst van Hybride Systemen: Er is een duidelijke trend naar hybride modellen, hoewel veel daarvan zichzelf niet expliciet als zodanig labelen.
• Schaarste aan NESY: Slechts een klein deel van de gereviewde literatuur behandelt expliciet neuro-symbolische benaderingen voor tijdreeks-PdM-data.
• Aanhoudende Uitdagingen: De review bevestigt dat dataschaarste (gebrek aan run-to-failure data), het "black-box"-karakter van DL-modellen en de moeilijkheid van het fuseren van heterogene data nog steeds belangrijke barrières zijn voor brede adoptie.
• Potentieel van NESY: De auteurs beargumenteren dat gecompileerde NESY-architecturen specifiek deze pijnpunten aanpakken door:
  • Fout-positieven te verminderen door logische restricties (bijv. STL).
  • Generalisatie te verbeteren door natuurkundige wetten in te bedden (bijv. PINNs, HNN's).
  • Ingebouwde interpreteerbaarheid te bieden via regel-gewogen redenering en beslissingsbomen.

Betekenis en Claims

Het artikel beweert dat Neuro-symbolische AI de centrale faciliterende technologie is voor de volgende grens in industrieel onderhoud: volledig autonome Agentic systemen.

De auteurs stellen dat terwijl huidige hybride oplossingen modellen combineren, NESY een diepere integratie biedt die systemen in staat stelt om:

1. De Kloof te Overbruggen: De voorspellende kracht van neurale netwerken te combineren met de expliciete redenering en het afhandelen van restricties van symbolische logica.
2. Vertrouwen en Compliance te Waarborgen: Traceerbare rationale voor beslissingen te bieden, wat voldoet aan de regelgevende, veiligheids- en contractuele eisen door aan te tonen welke regels en sensorgestuurde patronen hebben geleid tot een specifieke onderhoudsactie.
3. Autonomie Mogelijk te Maken: Te bewegen van eenvoudige voorspelling naar systemen die oorzaken kunnen diagnosticeren, controleerbare onderhoudsplannen kunnen genereren en complexe acties kunnen coördineren binnen operationele workflows met minimale menselijke supervisie.

Het artikel concludeert dat het adopteren van NESY een noodzakelijke stap is om de beperkingen van de huidige SOTA-benaderingen te overwinnen, specifiek gericht op dataschaarste, de noodzaak voor robuuste generalisatie en de kritieke vereiste voor interpreteerbaarheid in hoog-risico industriële omgevingen.