이 논문은 자동차 HiL(Hardware-in-the-Loop) 검증 데이터에서 근본원인분석(RCA)과 결함 위치 추정을 위한 지식그래프 기반 검색증강생성(RAG) LLM 프레임워크를 제안한다. 기존 딥러닝 기법은 새로운 결함 위치나 시스템이 추가될 때마다 재학습이 필요하고, 결함 위치를 센서·하위시스템 간 공간적·기능적 관계 없이 단순 분류 문제로 다루는 한계가 있었다. 제안 방법은 시계열 기록을 압축된 진단 근거로 변환하고, 센서-위치 매핑 및 전파 지식으로 보강한 뒤 유사 과거 사례를 검색해 LLM이 최종 추론과 설명을 생성하도록 한다. 가솔린 엔진과 전기차 시스템 두 사례 연구에서 Top-1 정확도 90%와 94%를 각각 달성했으며, 기록 단위로 집계 시 평가 대상 데이터에서 완벽한 파일 단위 결함 위치 추정을 보였다.

• •지식그래프 기반 RAG-LLM으로 자동차 HiL 데이터의 근본원인분석·결함위치 추정
• •센서-위치 매핑 지식과 유사 과거 사례 검색으로 진단 근거 보강
• •가솔린 엔진 Top-1 정확도 90%, 전기차 시스템 94% 달성
• •LLM을 직접 분류기가 아닌 추론·설명 계층으로 활용해 해석 가능성 확보