다변량 시계열 이상 탐지 예측 모델

전력 설비나 산업 공정 같은 엔지니어링 시스템은 다양한 시간 스케일에서 이상 징후가 나타나는 다변량 시계열 데이터를 통해 모니터링됩니다. 기존 단일 입력 윈도우 기반 탐지기는 특정 스케일에만 맞춰져 있어, 짧은 변동부터 전체 운영 주기 동안 지속되는 편차까지 다양한 이상 징후를 효과적으로 감지하기 어렵습니다. 본 논문은 이러한 한계를 극복하기 위해 MAF-LSTM(Multi-scale LSTM forecasting with attention-based feature fusion)이라는 예측 기반 이상 탐지 프레임워크를 제안합니다. MAF-LSTM은 병렬 LSTM 브랜치들이 서로 다른 길이의 입력 윈도우를 처리하고, 스케일 수준의 어텐션 모듈이 이들의 표현을 융합하여 한 단계 앞선 예측을 생성합니다. 예측 잔차는 정상 검증 데이터에서 추정된 마할라노비스 거리를 사용하여 점수화됩니다. 스마트 미터 데이터, 고전압 컨버터 변조기 펄스 데이터, 시뮬레이션된 화학 공정 데이터 등 네 가지 데이터셋에 대한 실험 결과, MAF-LSTM은 비교된 다섯 가지 방법 중 모든 데이터셋에서 가장 높은 AU-ROC 및 AU-PR 값을 달성했습니다. 이는 최고 성능의 기존 모델 대비 평균 3.20%p 및 5.33%p 높은 수치입니다. 특히, 스마트 미터 데이터에 대한 제거 연구(ablation study)는 다중 스케일 모델링이 일중 변동이 뚜렷한 이상 징후 감지에 가장 효과적임을 보여주었습니다. MAF-LSTM은 윈도우 길이 튜닝 없이도 각 이상 유형에 대해 단일 윈도우 모델과 동등하거나 더 우수한 성능을 제공하여, 다양한 시간 스케일의 이상 징후를 효과적으로 탐지할 수 있는 강력한 도구임을 입증했습니다. 이는 복잡한 엔지니어링 시스템의 안정적인 운영과 유지보수에 크게 기여할 수 있습니다.