배경: 산업용 전력 시계열은 강한 일별/주별 주기성과 비정상적 거동을 보이며, 일반적인 심층 자동인코더에 도전을 제기한다. 방법: 우리는 신호의 1차 차분을 취하고 FFT 스펙트럼을 계산한 뒤, 상위 스펙트럼 피크를 소수의 모델링 윈도 크기 집합에 매핑한다. 각 윈도에 대해 GELU 활성화 CNN–GRU 자동인코더를 Unsupervised Anomaly Detection(USAD) 패러다임(단일 인코더, 적대적 단계가 포함된 이중 디코더) 하에서 학습한다. 재구성 오차는 위상 지터를 완화하기 위해 Dynamic Time Warping(DTW)으로 측정하며, 최종 이상 판정은 오차 분포에 Isolation Forest를 적합시켜 얻는다. 3년간의 단일 사이트 데이터셋(15분 샘플링)에서, 이 접근법은 반일 주기에서 일별 주기에 이르는 리듬 전반에 걸쳐 일시적인 급격한 스파이크/급락과 느린 드리프트를 검출한다. FFT로 선택된 윈도 크기인 11, 16, 24, 32, 96 시간 단계(15분 단위)는 지배적인 주기를 포괄한다. 결론: USAD 기반 모델과 DTW를 고려한 점수화, Isolation Forest를 결합하고 FFT 기반 다중 윈도 학습 및 추론을 수행함으로써, 스마트 공장 모니터링 및 준실시간 배포가 가능한 실용적인 비지도 이상 탐지기를 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.