💻 computer science

Knowledge-Graph-Guided Retrieval-Augmented LLMs for Explainable Root Cause Analysis in Automotive HiL Validation

본 논문은 자동차 HIL(Hardware-in-the-Loop) 시계열 데이터를 기능적 관계와 과거 사례로 풍부하게 구성된 압축된 진단 증거로 변환하여 설명 가능하고 일반화 가능하며 정확도가 높은 근본 원인 분석 및 결함 국소화를 달성하는 지식 그래프 가이드 검색 증강 대규모 언어 모델 프레임워크를 제안한다.

원저자: Hamza Ouarrad, Mohammad Abboush, Andreas Rausch

게시일 2026-08-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hamza Ouarrad, Mohammad Abboush, Andreas Rausch

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 미스터리를 해결하려는 탐정이라고 상상해 보십시오. 하지만 당신의 '범죄 현장'은 범죄 현장이 아니라 결함이 있는 자동차 컴퓨터입니다. 안전한 자동차를 만드는 세상에서 엔지니어들은 단순히 차를 몰고 다니는 것이 아닙니다. 그들은 자동차의 두뇌(컴퓨터)를 'Hardware-in-the-Loop(HiL)'라고 불리는 거대한 시뮬레이터에 집어넣습니다. 이것은 실제 자동차 컴퓨터가 연결되어 있지만, 도로와 엔진, 날씨는 모두 수학으로 만들어진 비디오 게임과 같습니다. 이 설정은 엄청난 양의 데이터를 생성합니다. 마치 실제로 움직이지 않는 자동차의 심박 모니터처럼, 초당 수천 개의 숫자가 변합니다.

문제는 시뮬레이션에서 무언가 잘못되었을 때, 데이터가 그저 혼란스러운 낙서처럼 보인다는 점입니다. 기존의 도구들은 "이봐, 여기 뭔가 이상해!"라고만 알려주는 손전등과 같습니다. 하지만 그것이 어디에서 문제가 시작되었는지, 혹은 왜 발생했는지는 알려주지 못합니다. 그것들은 연기를 포착하는 데는 뛰어나지만, 불을 찾는 데는 서툽니다. 최근 과학자들은 시를 쓰거나 대화를 나눌 수 있는 초지능형 AI 브레인인 '대규모 언어 모델(LLM)'을 사용하여 이를 돕기 시작했습니다. 하지만 보통 이러한 AI들은 추측하는 존재에 가깝습니다. 그들은 해결책을 환각(hallucination)하거나 엄청난 양의 숫자에 혼란을 느낄 수 있습니다. 이를 해결하기 위해 연구자들은 이 AI들에게 '지식 그래프(Knowledge Graph)'를 사용하도록 가르치려 노력하고 있습니다. 지식 그래프는 기본적으로 자동차의 모든 부품이 서로 어떻게 연결되어 있는지를 보여주는 거대하고 체계적인 지도입니다. 큰 질문은 이것입니다. 우리가 이 지도를 AI의 두뇌와 결합한다면, 단순히 결함을 찾아내는 것을 넘어 숙련된 정비사처럼 정확히 무슨 일이 일어났는지 설명할 수 있을까요?

이 논문은 초능력을 가진 탐정처럼 작동하는 영리한 새로운 시스템을 소개합니다. 이 시스템은 단순히 지저치 않은 숫자들을 보는 것이 아니라, 먼저 그것들을 짧고 읽기 쉬운 '진단 보고서'로 번역합니다. 이렇게 생각해 보십시오. 탐정에게 10,000페이지 분량의 통화 녹취록을 건네주는 대신, "통화 5분째에 발신자가 화를 냈고, 10분째에 선이 끊겼습니다"라고 적힌 한 페이지짜리 요약본을 건네주는 것과 같습니다. 이 시스템은 가공되지 않은 혼란스러운 자동차 데이터를 가져와서 "이 신호가 너무 빠르게 급증했다"라거나 "이 센서가 예정보다 2초 늦게 반응했다"와 같은 압축된 단서들로 변환합니다.

단서들이 준비되면, 시스템은 두 가지 똑똑한 일을 수행합니다. 첫째, 자동차의 해부학적 구조를 담은 '지식 그래프'를 참고하여 어떤 부품들이 물리적으로 연결되어 있는지 확인합니다. 만약 엔진 속도 센서가 오작동하면, 지도는 다음으로 연료 펌프와 배기 장치가 영향을 받을 수 있음을 알고 있습니다. 둘째, 도서관 사서처럼 행동하며 과거의 자동차 결함 데이터베이스를 검색하여 유사한 사례를 찾습니다. 시스템은 "우리가 이 특정 패턴의 단서들을 전에 본 적이 있는가?"라고 묻습니다.

마สุดท้าย로, 이 시스템은 이 모든 정리된 증거들—요약된 단서, 연결 지도, 그리고 과거 사례들—을 AI(LLM)에게 전달합니다. 이때 AI는 단순히 추측하는 것이 아니라 '추론 엔진'으로서 작동합니다. AI는 증거를 검토하며 다음과 같이 말합니다: "좋아, 엔진 속도 센서가 먼저 반응했고, 지도를 보니 이것이 스로틀과 연결되어 있으며, 지난주에 스로틀이 원인이었던 비슷한 사례를 발견했다. 따라서 나는 스로틀이 근본 원인이라고 90% 확신한다." 연구진은 이 시스템을 가솔린 엔진과 전기차라는 두 가지 서로 다른 자동차 시스템에 대해 테스트했습니다. 결과는 인상적이었습니다. 이 시스템은 가솔린 엔진의 경우 결함의 정확한 위치를 90%의 확률로 찾아냈고, 전기차의 경우 94%의 확률로 찾아냈습니다. 더욱 놀라운 것은, 시스템이 아주 짧은 시간의 조각만이 아니라 전체 테스트 실행 과정을 살펴보았을 때, 진행된 테스트에서 100%의 정확도로 정답을 맞혔다는 점입니다.

저자들은 이 시스템이 아직 세상의 모든 자동차 문제를 해결하는 마법 지팡이는 아니라는 점을 주의 깊게 언급합니다. 그들은 특정 유형의 결함(신호가 너무 강해지거나 약해지는 '이득 결함(gain faults)')과 비교적 작은 규모의 테스트 데이터에 대해서만 실험했습니다. 또한, 두 가지 문제가 정확히 동시에 발생할 경우 이를 구분해 내기가 더 어려울 수 있다는 점도 지적했습니다. 그럼에도 불구하고, 이 연구는 AI에게 구조화된 지도와 과거 사례로부터 학습할 수 있는 방법을 제공함으로써, 우리가 단순히 오류를 '탐지'하는 단계를 넘어 진정으로 '진단'하는 단계로 나아갈 수 있음을 시사합니다. 이는 자동차를 더 빠르고 이해하기 쉽게 만드는 과정입니다.

기술 요약: 자동차 HiL 검증의 설명 가능한 근본 원인 분석을 위한 지식 그래프 기반 검색 증강 LLM

1. 문제 정의

자동차 소프트웨어 시스템의 하드웨어 인 더 루프(Hardware-in-the-Loop, HiL) 검증은 방대한 양의 다변량 시계열 데이터를 생성한다. 현재 산업계 도구들은 규칙 기반 임계값을 사용하여 이상 징진을 효과적으로 탐지하지만, 근본 원인 분석(Root Cause Analysis, RCA) 및 **결함 국지화(Fault Localization)**에는 어려움을 겪고 있다. 검증 엔지니어는 결함이 어디에서 시작되었고 왜 발생했는지를 식별하기 위해 신호 편차를 시스템 아키텍처, 이력 사례, 그리고 구성 요소 간의 의존 관계와 수동으로 상관관계를 분석해야 한다.

기존의 딥러닝 기반 결함 탐지 및 진단(FDD) 접근 방식은 국지화를 분류 작업으로 취급하는 경우가 많아, 새로운 결함이나 시스템이 도입될 때마다 특정 작업에 맞춘 재학습이 필요하다. 또한, 이러한 모델들은 센서, 결함 위치, 그리고 하류 전파 효과 사이의 공간적 및 기능적 관계를 명시적으로 표현하지 못하는 경우가 많다. 이들은 직접적인 결함 원인과 전파된 증상을 구분하지 못해 일반화 능력과 엔지니어링 진단 도구로서의 유용성이 제한된다. 더욱이, 대규모 언어 모델(LLM)이 추론 능력을 갖추고 있음에도 불구하고, 표준적인 진단 애플리케이션은 구조화된 진단 증거 또는 엔지니어링 지식에 근거하지 않고 LLM을 엔드 투 엔드 분류기로만 사용하여 잠재적인 환각 현상(Hallucination)과 설명 가능성 부족을 초래한다.

2. 방법론

본 논문은 지식 그래프(Knowledge-Graph, KG) 가이드 기반 검색 증강 생성(RAG) 프레임워크를 제안한다. 이 접근 방식은 LLM의 역할을 직접적인 시계열 분류기에서 증거 융합 및 추론 레이어로 전환한다. 파이프라인은 네 가지 주요 단계로 구성된다.

A. 전처리 및 진단 증거 추출

원시 다변량 HiL 기록을 LLML에 직접 입력하지 않는다. 대신, 결함이 있는 기록을 시간 정렬된 정상 참조 실행(Healthy Reference Runs)과 비교하여 압축되고 구조화된 진단 증거로 변환한다.

윈도우 분할(Windowing): 시간적 역학을 포착하기 위해 데이터를 일정 구간(예: 5초)으로 분할한다.
특징 공학(Feature Engineering): 각 신호에 대해 다음을 계산한다:
- 원시 평균 편차 ( $\Delta\mu$ ).
- 다양한 신호 스케일을 처리하기 위한 정규화된 평균 이동 z-점수 ( $z$ ).
- 최대 편차 z-점수.
- 첫 번째 이상 반응 시간 (직접 결함과 전파 효과를 구분하는 데 중요).
- 지속적 편차와 피크 편차를 결합한 종합 이상 점수.
순위 지정(Ranking): 가장 관련성 높은 직접 및 전파 편차를 식별하기 위해 신호를 이상 점수에 따라 정렬한다.

B. KG 가이드 후보 순위 지정

지식 그래프는 다음을 포함한 도메인 특화 관계를 인코딩한다:

신호-결함 매핑(Signal-to-Fault Mappings): 특정 결함 위치를 나타내는 신호 (예: 고전압 배터리 결함에 대한 배터리 전압).
전파 관계(Propagation Relations): 결함이 하위 시스템을 통해 전파되는 방식 (예: 배터리에서 DC-링크를 거쳐 모터로 전파).
증거 점수(Evidence Scoring): 각 후보 결함 위치 $c$ 에 대해, 기본 신호, 직접 신호, 전파 신호로부터의 증거에 가중치를 부여하여 증거 점수 $S_{evid}(c)$ 를 계산한다. 하류의 증상이 진단을 지배하는 것을 방지하기 위해 기본 및 직접 증거에 전파 증거보다 더 높은 가중치를 부여한다.

C. 검색 증강 생성 (RAG)

프레임워크는 추론을 지원하기 위해 유사한 과거 결함 사례를 검색한다.

벡터 표현: 추출된 진단 증거(z-점수, 반응 시간)는 쿼리 벡터를 형성한다.
유사도 검색: 코사인 유사도를 사용하여 사례 라이브러리에서 가장 유사한 상위- $k$ 개의 과거 사례를 찾는다.
Leave-One-Recording-Out (LORO): 데이터 누수를 방지하기 위해, 현재 테스트 기록의 윈도우는 검색 라이브러리 및 퓨샷(few-shot) 예시에서 제외된다.

D. LLM 추론 및 예측

LLM은 다음을 합성하는 추론 엔진 역할을 한다:

쿼리의 구조화된 진단 증거.
KG 사실 (센서-결함 매핑 및 전파 경로).
검색된 과거 사례.
추론 패턴을 보여주는 퓨샷 예시.

LLM은 결함 위치의 순위 목록(Top-1 및 Top-3)과 함께 엄격한 JSON 형식의 해석 가능한 RCA 설명을 출력하도록 지시받는다. LLM은 직접적인 증거를 전파 효과보다 우선시하도록 명시적으로 가이드된다. 마지막으로, 파일 단위 진단을 위해, 여러 윈도우의 예측 결과는 순위 기반 투표(Rank-based voting)를 통해 집계되어 안정적인 최종 진단을 생성한다.

3. 주요 기여

새로운 프레임워크: 자동차 HiL 기록, 구조화된 진단 증거 추출, 사례 기반 검색, 지식 가이드 진단, 그리고 검색 증강 LLM을 단일 프레임워크로 통합한 최초의 연구이다.
증거 추출 모듈: 검색 및 추론 과정을 구동하는 해석 가능한 특징(이상 점수, 반응 시간, 편차 방향)으로 원시 시계열 데이터를 변환하는 방법론을 제시한다.
경량 사례 기반 검색: 단순한 의미론적 임베딩이 아닌 엔지니어링된 진단 특징을 기반으로 한 검색 메커니즘을 사용하며, 센서-위치 관계를 포착하기 위해 KG 제약을 결합한다.
추론 레이어: 블랙박스 분류기로 작동하는 대신, 순위가 매겨진 가설과 엔지니어링 설명을 생성하는 증거 융합 및 재순위화(reranking) 레이어로서의 LLM 아키텍처를 제공한다.

4. 실험 결과

본 프레임워크는 두 가지 자동차 HiL 케이스 스터디를 통해 평가되었다:

ASM 가솔린 엔진: 5개의 결함 위치 (예: 가속 페달, 엔진 속도).
전기차 (EV) 시스템: 3개의 결함 위치 (예: 고전압 배터리, 후륜 모터 속도).

성능 지표:

정확도: 최상의 성능을 보인 모델(Gemma-3 27B 및 Qwen3 32B)은 Top-1 정확도에서 ASM의 경우 90%, EV의 경우 **94%**를 달성했다.
Top-3 정확도: 두 케이스 스터디 모두에서 **100%**에 도달하여, 올바른 결함이 항상 상위 세 개 후보 안에 포함되었음을 입증했다.
집계(Aggregation): 윈도우 수준의 Top-1 정확도는 ASM 83.3%, EV 94.4%였으나, 기록 수준 집계(윈도우 간 투표)를 통해 두 시스템 모두에서 100% Top-1 정확도를 달성했다. 이는 윈도우별 예측을 집계함으로써 전파 효과로 인한 국지적 모호성을 완화할 수 있음을 보여준다.
검색: 구조화된 "z-only" 진단 표현이 원시 수치 벡터나 텍스트 임베딩보다 관련 과거 사례를 검색하는 데 더 우수한 성능을 보였다.
효율성: Gemma-3 27B가 최적의 모델로 확인되었으며, Qwen3 32B와 동일한 정확도를 보이면서도 추론 시간은 약 28% 적게 소요되었다 (프롬프트당 4.77초 vs 6.61초).

5. 의의 및 주장

본 논문은 이 프레임워크가 새로운 결함 유형에 대한 재학습 없이도 설명 가능하고 일반화 가능한 근본 원인 분석을 제공함으로써 자동차 검증의 중요한 격차를 해소한다고 주장한다.

설명 가능성: 블랙박스 분류기와 달리, 시스템은 명시적인 추론(예: "직접적인 신호 편차로 인해 근본 원인으로 식별되었으며, 다른 신호들은 전파 효과임")과 함께 순위가 매겨진 후보 목록을 제공한다.
일반화 가능성: 이 방법은 특정 신호 패턴을 처음부터 학습하는 대신 구조화된 진단 증거와 KG 매핑에 의존하기 때문에, 서로 다른 차량 아키텍처(가솔린 vs EV) 간에 효과적으로 전이된다.
안전 필수적 근거(Safety-Critical Grounding): LLM을 구조화된 증거와 KG 제약에 근근거한 추론 레이어로 사용함으로써, 순수 LLM 애플리케이션에서 흔히 발생하는 환각 현상을 완화하며, 이를 통해 안전이 중요한 맥락에 더 적합하게 만든다.

저자들은 현재 데이터셋의 규모가 제한적이며 주로 단일 게인 결함(Single gain faults)에 집중되어 있다는 점을 언급하며 한계를 인정하였다. 향후 연구로는 동시 발생 결함(Concurrent faults)으로 확장하고 더 역동적인 인과 관계 표현을 통합하는 방안이 제시되었다.