Evidence-Driven Reasoning for Industrial Maintenance Using Heterogeneous Data

Dit artikel introduceert de Condition Insight Agent, een besluitvormingsframework dat heterogene onderhoudsdata integreert via een bewijsgedreven, regelgebaseerde redeneermethode om betrouwbare, verklaarbare aanbevelingen te genereren voor industriële onderhoudsprocessen.

De kern

De Probleemstelling: De "Verwarde Dokters"

Stel je voor dat je een enorme fabriek hebt met duizenden machines. Elke machine heeft een eigen "medische dossier" (werkorders), een "hartslagmonitor" (sensoren) en een "handboek met mogelijke ziektes" (technische kennis over fouten).

Het probleem is dat deze informatie verspreid ligt:

• De hartslagmonitor schreeuwt soms om aandacht, maar de tekst is vaag.
• De dokters (de onderhoudsmonteurs) schrijven hun bevindingen in lange, ongestructureerde verhalen in een dagboek.
• Het handboek is een zware, technische encyclopedie die niemand echt leest.

Vroeger moest een menselijke expert al deze losse puzzelstukjes in 20 tot 30 minuten bij elkaar zoeken, proberen te begrijpen wat er mis is, en beslissen wat te doen. Dat is traag, foutgevoelig en vermoeiend.

De Oplossing: De "Condition Insight Agent"

De auteurs van dit artikel hebben een slimme digitale assistent bedacht, genaamd de Condition Insight Agent. Je kunt deze zien als een super-sterke, maar uiterst voorzichtige detective die werkt in een fabriek.

In plaats van een AI die zomaar "fantaseert" (wat gevaarlijk is in de industrie), is deze detective gebonden aan een streng protocol. Hier is hoe hij werkt, stap voor stap:

1. De Voorbereiding: De "Dossier-Opmaaker" (Deterministische Bewijsconstructie)

Voordat de detective (de AI) überhaupt begint na te denken, doet een andere, heel strakke computerprogrammaatje het volgende:

• Het leest de lange verhalen van de monteurs en vat ze samen in korte, duidelijke punten.
• Het kijkt naar de sensoren en zoekt naar patronen (bijvoorbeeld: "De temperatuur steeg langzaam" in plaats van "34,5 graden, 34,6 graden...").
• Het koppelt deze feiten aan het handboek met mogelijke ziektes.

De metafoor: Dit is alsof een assistent alle losse documenten, foto's en meetgegevens uit de kast haalt, ordent in een mapje en er een samenvatting van maakt. De detective krijgt geen rommelige stapel papier, maar een perfect geordend dossier.

2. De Analyse: De "Voorzichtige Detective" (Beperkte LLM)

Nu komt de AI (de detective) aan het werk. Hij leest het geordende dossier en probeert een diagnose te stellen.

• Maar hier is het trucje: Hij mag niet vrijuit fantaseren. Hij is gebonden aan regels. Hij mag alleen zeggen wat er echt in het dossier staat.
• Als hij zegt: "De motor is kapot", dan moet hij kunnen wijzen op een specifiek stukje in het dossier dat dat bewijst.
• Hij mag geen "hallucinaties" hebben (dus geen uitvindingen verzinnen die er niet zijn).

3. De Controle: De "Wetboek-Check" (Deterministische Verificatie)

Dit is het belangrijkste onderdeel. Nadat de detective een conclusie trekt, gaat een tweede, heel strakke computer (de "rekenmachine") direct controleren of de detective de regels heeft gevolgd.

• De rekenmachine kijkt: "Heeft de detective wel echt bewijs voor deze conclusie? Past dit bij de regels?"
• Als de detective iets zegt wat niet klopt met de feiten, wordt het antwoord gewist of gecorrigeerd voordat het naar de mens gaat.

De metafoor: Stel je voor dat de detective een verslag schrijft, maar voordat hij het op de post doet, loopt een strenge inspecteur langs. Die inspecteur heeft een checklist. Als er één zin in staat die niet onderbouwd is door een bewijsstuk, gooit de inspecteur het verslag terug. De detective moet het dan herschrijven.

Waarom is dit zo goed?

1. Geen "Goocheltrucs": Gewone AI's kunnen soms heel vloeiend klinken maar onzin vertellen (hallucineren). Deze AI is "gevangen" in feiten. Hij is saai, maar betrouwbaar.
2. Snelheid: Wat voorheen 30 minuten duurde voor een mens, doet deze AI in 15 tot 30 seconden.
3. Verantwoordelijkheid: De AI neemt geen beslissingen voor de mens. Hij geeft een advies met alle bewijzen erbij. De menselijke monteur kijkt er nog even naar en zegt: "Ja, klopt, ik ga die motor vervangen." De AI is de assistent, niet de baas.

Het Resultaat in de Praktijk

In tests met duizenden machines in echte fabrieken bleek dat dit systeem:

• Veel minder fouten maakt dan een AI die "vrij" mag denken.
• Zelfs werkt als de data niet perfect is (bijvoorbeeld als sommige sensoren ontbreken).
• De monteurs helpt om zich te focussen op de machines die écht aandacht nodig hebben, in plaats van tijd te verspillen aan het zoeken in papieren.

Conclusie

Dit artikel laat zien dat je in de industrie geen "slimme, vrijdenkende" AI nodig hebt die alles kan, maar een gecontroleerde, bewijs-gebaseerde AI.

Het is als het verschil tussen een kunstenaar die vrij mag schilderen (mooi, maar misschien niet bruikbaar voor een brug) en een ingenieur die streng volgens de bouwvoorschriften werkt (saai, maar de brug valt niet om). De "Condition Insight Agent" is die ingenieur: hij bouwt betrouwbare antwoorden op basis van harde feiten, zodat mensen veilig en snel hun werk kunnen doen.

Technische samenvatting

Titel: Evidence-Driven Reasoning for Industrial Maintenance Using Heterogeneous Data

Auteurs: Fearghal O'Donncha et al. (IBM Research & Imperial College London)

---

1. Probleemstelling

Industriële onderhoudsplatvormen (zoals CMMS - Computerized Maintenance Management Systems) bevatten rijke maar gefragmenteerde gegevensbronnen:

• Vrije tekst: Onderhoudsorders met symptomen en diagnoses.
• Heterogene sensordata: Operationele indicatoren ("meters") met inconsistente naamgeving en semantiek.
• Gestructureerde kennis: Technisch kennis over faalmodi (FMEA - Failure Modes and Effects Analysis).

De uitdaging: Bestaande systemen analyseren deze bronnen vaak geïsoleerd, wat leidt tot waarschuwingen of voorspellingen die geen ondersteuning bieden voor conditionele besluitvorming. Practici moeten handmatig deze bronnen reconciliëren onder tijdsdruk, wat afhankelijk is van expertjudgement.
Het gebruik van onbeperkte Large Language Models (LLMs) in betrouwbare industriële omgevingen brengt risico's met zich mee, zoals "hallucinaties" (het verzinnen van verklaringen) en het geven van aanbevelingen die niet onderbouwd zijn door de feitelijke data. Er is behoefte aan een systeem dat traceerbaar, technisch consistent en expliciet gekoppeld is aan bewijs.

2. Methodologie: Condition Insight Agent

Het paper introduceert Condition Insight, een besluitvormingsframework dat deterministische bewijsconstructie combineert met beperkte (constrained) LLM-redenering. Het systeem volgt een "verificatie-eerst" (verification-first) ontwerp.

A. Architectuur en Pipeline

Het proces verloopt in twee gescheiden fasen:

1. Deterministische Bewijsconstructie (Analytics & Evidence Construction):

   • Werkorder-abstractie: Extraheren van terugkerende symptomen en interventies uit ongestructureerde tekst.
   • Meter-abstractie: Het omzetten van lage-frequentie operationele data in gedragssamenvattingen (bijv. trends, reset-punten, drift) in plaats van ruwe metingen. Dit filtert ruis en creëert auditabele signalen.
   • Kennisuitlijning: Het koppelen van werkorderbewijs aan faalmechanismen via een semantische matching gebaseerd op Unbalanced Optimal Transport (UOT). Dit beperkt de ruimte van mogelijke verklaringen tot die welke technisch plausibel zijn volgens FMEA.
   • Resultaat: Een gestructureerd "evidence packet" (asset_facts) dat als input dient voor de LLM.

2. Beperkte LLM-Redenering & Deterministische Verificatie:

   • Een domein-specifieke LLM-agent genereert een "Condition Insight Summary" (verklaringen en aanbevelingen) op basis van het gestructureerde bewijs.
   • Beperkingen: De prompt is strikt beperkt tot het gebruik van het verstrekte bewijs en de toegestane faalmechanismen.
   • Verificatielus: Een deterministische verificatiestap controleert of de door de LLM gegenereerde classificatie (bijv. "Normaal", "Aandacht nodig") overeenkomt met vooraf gedefinieerde operationele regels. Afwijkingen leiden tot correctie of suppressie van de conclusie.

3. Belangrijkste Bijdragen

• Definitie van Conditional Insight: Een taak die operationele indicatoren, onderhoudshistorie en engineering-kennis integreert tot bewijs-gegronde verklaringen.
• Traject-gestuurde architectuur: Een scheiding tussen deterministische data-extractie en semantische interpretatie door de LLM, waarbij de LLM redeneert over gecurateerd bewijs in plaats van ruwe datastromen.
• Deterministische Verificatielus: Een mechanisme dat LLM-outputs kruiscontroleert met operationele regels om onondersteunde conclusies te onderdrukken.
• Validatie in productie: Demonstratie dat dit "verificatie-eerst" ontwerp betrouwbaar werkt met heterogene en onvolledige data, terwijl menselijk toezicht behouden blijft.

4. Resultaten en Evaluatie

Het systeem is geëvalueerd in twee casestudies binnen enterprise CMMS-omgevingen:

• Casestudy A (Productintegratie): Toonde aan dat het systeem gestructureerde samenvattingen kan genereren die claims koppelen aan operationele signalen, zelfs bij onvolledige data.
• Casestudy B (Enterprise-schaal): Geëvalueerd op ~1.500 assets over 16 klassen. Het systeem toonde conservatief gedrag bij gebrek aan data ("Not Enough Data") en leverde voor assets die "Aandacht nodig" hadden, interpreteerbare faalmechanismen op die overeenkwamen met de geschiedenis.

Kernmetrics (vergelijking tussen "Naive" en "Constrained" prompts):

• UCR (Unsupported Claim Rate): Daalde aanzienlijk (van 0,007 naar 0,002/0,003) door het gebruik van gestructureerd bewijs en beperkte prompts.
• CAR (Condition Agreement Rate): De naleving van deterministische regels steeg sterk van ~0,68 naar ~0,91 bij gebruik van de beperkte prompt.
• Stabiliteit: Contradictie- en redundantiepercentages bleven dicht bij nul.
• Efficiency: De analyse per asset werd teruggebracht van 20-30 minuten (handmatig) naar 15-30 seconden (geautomatiseerd), waardoor schaalbare condition-based maintenance mogelijk wordt.

5. Betekenis en Conclusie

Het paper demonstreert dat voor betrouwbare industriële AI-systemen de structuur van het bewijs en expliciete governance-beperkingen belangrijker zijn dan de keuze van het achterliggende LLM-model.

• Vertrouwen: Door de redenering te koppelen aan traceerbaar bewijs en engineering-kennis, wordt vertrouwen bij onderhoudsteams vergroot.
• Robuustheid: Het systeem is bestand tegen onvolledige data en heterogene bronnen doordat het abstracte gedragssamenvattingen gebruikt in plaats van ruwe sensordata.
• Toepasbaarheid: De "verificatie-eerst" benadering maakt het mogelijk om generatieve AI veilig in te zetten in kritieke omgevingen, waarbij de LLM fungeert als een gecoördineerde besluitvormingslaag die menselijke experts ondersteunt in plaats van vervangt.

De conclusie is dat beperkte, bewijs-gegronde LLM-redenering operationaliseerbaar is in betrouwbare omgevingen, mits er een strikte scheiding is tussen generatieve synthese en deterministische verificatie.