2.1 자기상관함수

ACF는 시차에 따른 자기상관계수를 계산하여 데이터의 시간적 상관성을 정량화하는 함수이다 ^[13]. 길이 $N$인 시계열 데이터 $\{x_n\}_{n=0}^N$에 대하여, 시차 $k$에서의 자기상관계수 $\rho_x(k)$는 다음과 같이 정의된다.

여기서 $\bar{x}$는 시계열의 평균을 의미한다. $\rho_x(k)$는 -1과 1 사이의 값을 가진다. $\rho_x(k)$가 1에 가까울수록 해당 시차에서 강한 양의 상관성을 가지며, -1은 강한 음의 상관성을 의미한다. 반면 0은 해당 시차에서의 확률적 독립성을 나타낸다. 기존 연구에서는 $\rho_x(k)$가 0.5 이하로 감소하는 시점을 임계 지연시간으로 정의하였다 ^[10]. 이는 0.5가 상관계수의 절대 범위(0~1)에서 중간 수준의 상관성을 의미하며, 이 시점을 기점으로 시간적 상관성이 유의미하게 감소한다고 해석할 수 있기 때문이다. 따라서 $\rho_x(k)$가 0.5 이하로 처음 하락하는 시차를 임계 지연시간으로 정의할 수 있다.

ACF는 단변량 시계열을 대상으로 정의되므로, 다변량 데이터의 경우 변수별로 ACF 곡선이 다른 형태를 보인다. 따라서 다변량 시계열에서는 변수별 ACF 결과를 통합하여 다변량 전체를 대표할 수 있는 임계 지연시간 산출 절차가 필요하다. 본 연구에서는 다변량 시계열의 변수마다 취득된 임계 지연시간을 통계적으로 집계하여 윈도우 크기를 결정한다.

2.2 통계적 신뢰구간

자기상관계수가 0.5가 되는 시점을 임계점으로 분석하는 방식은 모든 변수에 대해 동일한 단일 임곗값을 적용하는 것이다. 다변량 시계열은 각 변수가 가지고 있는 물리적 특성을 충분히 반영하지 못할 수 있다. 이에 따라, 기존 연구에서는 각 변수의 데이터 분포를 바탕으로 통계적 신뢰구간(confidence interval, CI)을 정의하고, ACF와 CI의 교차점으로 임계 기준을 설정하는 방법을 제안하였다 ^[4].

시계열 데이터가 충분히 긴 시차 이후에는 시간적으로 독립이라는 가정하에, 시차 $k$에서의 자기상관계수 $\rho_x(k)$는 중심극한정리에 의해 정규분포를 따른다. 즉, 시계열이 백색잡음으로 근사할 수 있다는 가정하에 $\rho_x(k)$의 분산은 $1/N$로 수렴한다 ^[14]. 이에 따라 모든 시차에 대한 $\rho_x(k)$ 분포의 표준오차 $SE$는 다음과 같이 표현된다.

이때, 유의수준 $\alpha$에서의 양측 신뢰구간은 다음과 같이 정의된다 ^[14].

여기서 $z_{1-\alpha/2}$는 표준정규분포의 임곗값을 의미한다. 예를 들어, $\alpha = 0.003$일 때 신뢰수준은 약 99.7%에 해당하며 $\pm 3\sigma$ 범위와 유사하다. 이 신뢰구간은 시계열 데이터가 시간적으로 독립이라는 귀무가설 하에서 도출된 범위이다. 따라서 실제 ACF 곡선이 신뢰구간 안에 포함되는 시점부터는 해당 시차 $k$에서의 자기상관이 통계적으로 유의하지 않다고 판단할 수 있다. 즉, ACF 곡선과 CI 영역이 처음 교차하는 시점을 임계 지연시간으로 정의할 수 있으며, 이를 윈도우 크기 설정의 기준으로 활용할 수 있다. 본 연구에서는 ACF와 CI의 교차점 기반 분석에서 신뢰수준 99.73%에 해당하는 $\pm 3\sigma$ 범위를 신뢰구간으로 설정하였다.

2.3 임계 지연시간 기반 최적 윈도우 크기 후보군 산출 알고리즘

본 절에서는 제안하는 임계 지연시간 기반 최적 윈도우 크기 산출 절차를 상세히 설명한다. 알고리즘 설명을 위해 변압기 데이터세트를 활용하였으며 ^[12], 변수는 표 1과 같이 정리되었다. 모든 변수는 15분 간격으로 취득된 센서 시계열이다. 데이터세트의 수집 환경 및 세부 구성은 3.1절에서 다룬다. ACF는 식 (1)에 따라 시차 $k$에서의 자기상관계수 $\rho_x(k)$를 산출하는 함수이며, 시차 700에서의 ACF를 나타내면 그림 1과 같다. 본 연구에서는 시간적 상관성이 유지됨을 판정하기 위한 ACF의 임계 기준으로 두 가지를 정의한다.

2.3.1 ACF 곡선 CI 영역 교차점

첫 번째 임계 기준은 ACF 곡선과 CI 영역의 교차점을 임계 지연시간으로 정의하는 방식이다. 시계열 데이터 $\{x_n\}_{n=0}^N$에 대해 임계 지연시간은

(4)

$\tau_{ACF,CI} = \min\{\tau > 0 : \rho_x(\tau) = CI(\tau)\}$

다음 식과 같이, $\rho_x(k)$가 처음으로 CI 경계와 교차하는 시차를 임계 지연시간 $\tau_{ACF,CI}$로 정의한다. 그림 1(a)은 변수 OTI(오일 온도)에 대해 모든 시차에서의 $\rho_x(k)$를 계산하여 ACF와 CI 영역의 교차점을 점으로 시각화하였다. ACF의 최대 분석 구간은 $\rho_x(k)$의 시차 $k$를 얼만큼까지 계산하느냐를 결정한다. OTI와 같은 대부분의 변수는 짧은 분석 구간 이내에 상관성이 임계 기준에 도달한다. 그러나, 시간적 상관성이 오래 유지되는 일부 변수는 ACF 분석 구간을 3,000 샘플(약 1개월)까지 확장하더라도 임계 기준에 도달하지 않고 상관성이 유의하게 지속된다. 이러한 장기 상관성을 모두 고려하여 윈도우 크기를 설정할 경우, 윈도우 길이가 과도하게 커져 이상 탐지 모델의 입력 차원이 불필요하게 증가하고, 학습 및 추론 과정의 계산 복잡도가 급격하게 상승한다. 이에 본 연구에서는 변압기 데이터의 운전 주기성을 반영하여 ^[9], 15분 단위 계측 기준으로 1주일에 해당하는 672 샘플을 ACF의 최대 분석 구간으로 설정하였다. 그림 1(a)의 672 시차에서의 점들은 이러한 설정을 보여주는 사례로, 최대 분석 구간 내에서 임계 기준에 도달하지 못한 변수는 $\tau_{ACF,CI}$를 최대 분석 구간 값으로 대체된다. 이처럼 ACF와 CI의 교차점을 임계 기준으로 $\tau_{ACF,CI}$를 취득하는 방식을 이하 Case 1이라 한다.

그림 1 ACF 계산 결과와 임계 기준: (a) ACF-CI 교차점, (b) 자기상관계수 $\rho_x(k)$ 0.5 이하 최초 하락 시점

Fig. 1. ACF results and critical criteria: (a) ACF-CI intersection, (b) lag where autocorrelation coefficient $\rho_x(k) \le 0.5$

Case 1에서 정의한 임계 지연시간 $\tau_{ACF,CI}$를 전체 13종 변수에 대해 산출한 결과는 그림 2(a)에 히스토그램으로 시각화하였다. 변수별 물리적 특성이 달라 $\tau_{ACF,CI}$ 또한 상이하게 산출되었다. 다변량 데이터에서는 단일 변수의 $\tau_{ACF,CI}$가 전체 시계열을 대표할 수 없으므로, 모든 변수의 $\tau_{ACF,CI}$들에 대해 평균, 중앙값, 최솟값을 도출하였다. 평균은 전체 변수의 전반적인 경향을 반영하고, 중앙값은 분포의 중심 경향을 나타내며, 최솟값은 모든 변수가 공통으로 시간적 상관성을 유지하는 최소 구간을 의미한다.

최댓값은 상관성이 가장 길게 유지된 변수의 $\tau_{ACF,CI}$를 윈도우 크기로 선정하는 방식인데, 이 경우 다른 변수들은 해당 시점 이전에 이미 시간적 상관성이 소멸하여 노이즈에 가까운 구간을 포함하게 된다. 따라서 최댓값을 기준으로 한 윈도우 크기는 실제 이상 탐지 모델의 입력에 불필요한 장기 구간을 포함시켜 효용성이 낮다고 판단하였다.

이후 본 논문에서는 평균, 중앙값, 최솟값으로 산출한 윈도우 크기 후보군을 각각 방법 1, 방법 2, 방법 3으로 정의하여 다변량 시계열의 시간적 상관성을 반영한 최적 윈도우 크기 후보군으로 활용하고자 한다.

2.3.2 자기상관계수 임계값 기준 최초 하락 시점

두 번째 임계 기준은 자기상관계수 $\rho_x(k)$값이 임계값 $\theta$보다 최초로 하락하는 시점을 임계 지연시간으로 정의하였으며, 본 연구에서는 $\theta$를 0.5로 설정하였다. 이는 상관성이 절반 수준으로 약화되는 시점을 토대로 시간적 상관성이 유의하게 감소하는 구간으로 해석된다. 시계열 데이터 $\{x_n\}_{n=0}^N$에 대해 $\theta$ 기반 임계 지연시간 $\tau_{ACF,\theta}$는 다음과 같이 산출된다.

(5)

$\tau_{ACF,\theta} = \min\{\tau > 0 : \rho_x(\tau) \le \theta\}, \theta = 0.5$

그림 1(b)는 ACF 곡선과 임계값 $\theta$를 시각화한 것이다. 시차가 증가함에 따라 $\rho_x(k)$는 점차 감소하며, 식 (5)와 같이 $\rho_x(k)$ 값이 $\theta$보다 작아지는 최초 시점 $\tau_{ACF,\theta}$가 임계 지연시간으로 취득된다. 이 과정에서 한 번 0.5 이하로 하락한 $\rho_x(k)$가 다시 0.5 이상으로 회복하더라도, 최초 하락 시점에서 이미 상관성이 약화된 것으로 간주하여, 모든 변수는 $\rho_x(k)$가 $\theta$에 도달한 최초 시점 $\tau_{ACF,\theta}$만을 기록한다.

그림 2 변수별 임계 지연시간 산출 방식 및 최적 윈도우 크기 후보군(평균, 중앙값, 최솟값) 취득: (a) Case 1 (전체 변수 $\tau_{ACF,CI}$), (b) Case 2 (전체 변수 $\tau_{ACF,\theta}$), (c) Case 3 (유효 변수 $\tau_{ACF,\theta}$)

Fig. 2. Critical lag time estimation methods and optimal window size candidates (mean, median, minimum): (a) Case 1 (all variables $\tau_{ACF,CI}$), (b) Case 2 (all variables $\tau_{ACF,\theta}$), (c) Case 3 (valid variables $\tau_{ACF,\theta}$)

이 절차를 전체 13종 변수에 적용한 결과를 Case 2로 정의하여 그림 2(b)에 제시하였다. 그림은 변수별 $\tau_{ACF,\theta}$ 분포를 히스토그램으로 시각화한 것이며, Case 1과 동일하게 방법 1 (평균), 방법 2(중앙값), 방법 3(최솟값)을 도출하였다. Case 2의 변수별 $\tau_{ACF,\theta}$ 취득 결과를 보면, 일부 변수에서는 ACF 최대 분석 구간(672 샘플) 내에서 $\rho_x(k)$가 $\theta$ 이하로 감소하지 않았다. 예를 들어, OLI(오일 수위)나 VL12(1,2상 전압 차)와 같은 변수들은 1주일 단위의 분석 구간 내내 높은 상관성을 유지하여, $\tau_{ACF,\theta}$값이 항상 분석 구간의 최대 길이로 산출되었다. 이러한 변수들은 $\tau_{ACF,\theta}$가 100 샘플 이내로 취득된 변수들보다 평균 산출에 과도한 영향을 미치게 된다. 그 결과, Case 2에서 도출된 방법 1은 임계 지연시간이 짧은 변수들의 기여도를 제대로 반영하지 못하고, 장기 상관성을 가진 일부 변수의 특성에 의해 왜곡될 수 있다. 이러한 평균 산출의 한계를 보완하기 위해, 본 연구에서는 ACF 최대 분석 구간 내에서 실제로 $\rho_x(k)$가 $\theta$에 도달한 유효 변수만을 대상으로 방법 1, 방법 2, 방법 3을 집계하는 Case 3을 제안한다. 그림 2(c)와 같이 최대 시차까지 상관성이 지속된 변수는 히스토그램에서 빗금 처리하여 구분하였으며, 유효 변수는 전체 13종 변수 중 9종으로 확인되었다. 이때 유효 변수만으로 방법 1을 산출한 Case 3의 평균은 Case 2 대비 4배 이상 감소하였다.

Case 1의 경우 Case 2와 유사하게 ACF 최대 분석 구간까지 상관성이 지속된 변수가 다수 존재하였으나, Case 3의 유효 변수 선별 방식을 고려할 경우, 전체 13종 변수 중 절반 이하인 6종의 변수만 남아, 전체 다변량을 대표하는 의미가 훼손될 수 있다고 판단하였다. 따라서 본 연구에서는 Case 1에 대하여 유효 변수 선별을 고려하지 않았다. 최종적으로 임계 지연시간 산출 방법 Case 1 (전체 변수 $\tau_{ACF,CI}$), Case 2 (전체 변수 $\tau_{ACF,\theta}$), Case 3 (유효 변수 $\tau_{ACF,\theta}$) 에서 다변량 시계열의 시간적 상관성을 대표하기 위해 방법 1, 방법 2, 방법 3을 산출하였다. 이후 총 9개의 통계량을 내림 처리하여 표 2와 같이 정수 단위로 변환하였다. 이 값들은 본 연구에서 제안하는 최적 윈도우 크기의 후보군으로, 후술할 이상 탐지 모델의 학습을 위한 슬라이딩 윈도우 분할 길이로 사용하여, 이상 탐지 모델의 성능을 실험적으로 비교하고자 한다.

표 2. 임계 지연시간 산출 방법에 따른 최적 윈도우 크기 후보군

Table 2. Optimal window size candidates by critical lag time estimation methods

임계 지연시간 산출 방법	방법 1 (평균)	방법 2 (중앙값)	방법 3 (최솟값)
Case 1 (전체 변수 $\tau_{ACF,CI}$)	508	672	134
Case 2 (전체 변수 $\tau_{ACF,\theta}$)	247	32	5
Case 3 (유효 변수 $\tau_{ACF,\theta}$)	59	27	5

3.1 실험 데이터세트

본 연구에서 활용한 데이터세트는 데이터 공유 플랫폼 Kaggle에 공개된 3상 4선식 배전용 유입 변압기의 센서 데이터이다 ^[12]. 데이터세트는 변압기에 부착된 센서를 통해 사물인터넷 통신 방식으로 수집되었다. 센서 데이터 계측은 2019년 6월부터 2020년 4월까지 15분 단위로 계측되었으며, 전체 데이터는 총 20,465건으로 구성되어있으며 결측치는 존재하지 않는다.

원본 데이터세트는 5개의 CSV 파일로 구성되며, 49종의 센서 변수와 3종의 라벨을 포함한다. 그러나 공개 문서에서 물리적 의미가 명확히 확인된 변수는 16종에 불과하여 ^[15], 본 연구에서는 이들만을 선별하여 사용하였다. 선별된 변수는 표 1과 같이 변압기 내부 오일 온도(OTI), 주변 온도(ATI), 오일 수위(OLI)와 같은 운전 지표와, 각 상 전압 및 전압 차, 상 전류, 중성선 전류와 같은 전기적 계측값이 포함된다.

또한, 오일 온도 트립 신호(OTI_T), 권선 온도 경보(WTI), 자기식 유면계 알람(MOG_A) 등 3종의 이진 고장 라벨이 포함되어 있다. 각 라벨은 정상(0)과 이상(1)으로 기록되며, 단일 또는 복수 라벨이 동시에 활성화될 수 있다. 라벨값이 하나 이상 1로 기록된 이상 샘플은 7,390건으로 전체 샘플의 36.1%에 해당한다. 본 연구에서는 3종의 라벨을 모두 활용하여 3종의 고장 라벨을 모두 정확히 예측하였을 때 정답으로 간주하는 멀티라벨 이상 분류로 실험을 설계하였다.

3.2 이상 탐지 모델 입출력 구성

변압기 데이터세트에 2.3절의 윈도우 크기 산출 알고리즘을 적용하여 최적 윈도우 크기 후보군을 도출하였다. 도출된 9개의 후보군은 슬라이딩 윈도우의 단위길이로 사용되었으며, 이를 기준으로 한 샘플 단위로 이동하는 윈도우 집합을 구성하였다. 슬라이딩 윈도우를 적용하기에 앞서, 모든 입력 변수는 학습 세트를 기준으로 각 변수별로 평균을 0, 분산을 1로 표준화하였으며, 산출된 평균과 표준편차를 검증 세트에 동일하게 적용하였다. 이를 통해 변수 간 단위 차이로 인한 학습 편향을 방지하고, 모델이 모든 입력 변수를 동등하게 학습할 수 있도록 하였다. 이렇게 생성된 각 윈도우는 이상 탐지 모델의 입력으로 정의하였으며, 표 2와 같이 9개의 최적 윈도우 크기 후보군에 대해 독립적으로 윈도우 집합을 생성하였다.

윈도우의 출력은 직후 시점에서 계측된 세 가지 라벨(OTI_T, WTI, MOG_A)로 정의하였다. 즉, 모델은 일정 구간의 시계열을 입력으로 받아 직후 시점인 15분 후의 이상 발생 여부를 판별하도록 학습되었다. 생성된 윈도우 집합은 무작위 셔플 과정을 거쳐 8:2 비율로 학습 및 검증 세트를 분리하였다. 시간 순서에 기반하여 순차적인 8:2 분할 방식도 검토하였으나, 본 데이터셋에서는 시간 구간별 고장 라벨 분포 불균형으로 인해 OTI_T, MOG_A 이상 라벨이 검증 구간에 포함되지 않는 현상이 확인되었다. 이로 인해 세 가지 라벨 전반에 걸친 윈도우 크기 후보군 간 상대적 성능 차이를 비교하기 어려워, 본 연구에서는 무작위 셔플 기반 분할을 채택하였다.

3.3 이상 탐지 모델 설계

본 연구에서는 이상 탐지 모델로 LSTM, 1D-CNN, 그리고 트랜스포머 인코더 구조를 사용하였다. LSTM은 순환 구조를 통해 시계열의 단기 및 장기 의존성을 반영할 수 있어 시간적 상관성이 뚜렷한 데이터에서 안정적인 탐지가 가능하다. 1D-CNN은 합성곱 연산으로 국소적 패턴을 효율적으로 학습할 수 있어 짧은 구간에서 발생하는 이상 징후 탐지에 적합하다. 트랜스포머 인코더는 자기어텐션 구조를 활용하여 장거리 의존성과 변수 간 상관관계를 병렬적으로 고려할 수 있으므로 다변량 시계열의 복합적 특성을 반영하는 데 강점을 가진다.

각 모델은 2~3개의 계층으로 구성하였으며, 모델의 파라미터 수가 유사하도록 조정하여 모델 복잡도의 차이가 성능에 직접적인 영향을 주지 않도록 하였다. 은닉층의 활성화 함수는 LSTM 계층에 tanh, 1D-CNN과 트랜스포머 인코더의 자기어텐션 계층에는 ReLU를 사용하였다. 모든 모델에는 과적합 방지를 위해 드롭아웃을 0.3으로 적용하였다.

모델의 입력은 슬라이딩 윈도우 단위의 다변량 시계열이며, 출력은 직후 시점에서의 세 가지 라벨(OTI_T, WTI, MOG_A) 발생 여부이다. 출력층은 세 개의 노드로 구성되며 각 노드는 시그모이드 함수를 통해 독립적인 고장 확률을 산출한다. 손실 함수는 binary cross-entropy를 라벨별로 계산한 뒤 평균하여 적용하였다.

모든 모델은 같은 학습 조건에서 비교하였다. 학습 에포크 수는 20, 학습률은 0.001, 배치 크기는 64로 설정하였으며, 최적화 알고리즘은 Adam을 적용하였다. 모든 모델은 10회 반복 학습 및 평가를 수행하였으며, 최종 성능 지표는 반복 결과의 평균 성능을 사용하였다. 최종적인 학습 조건은 표 4에 요약하였다.

4.1 최적 윈도우 크기 후보군 성능 결과

최적 윈도우 크기 후보군과 비교군의 이상 탐지 성능 결과는 표 5에 정리하였다. 표 5에서는 각 윈도우 크기 조건에 대해 LSTM, 1D-CNN, Transformer의 성능을 각각 제시하고, 모델 평균 성능을 함께 비교하였다. 모델 평균 성능 기준으로 1일 단위 비교군의 macro F1-score는 0.7196, 1주 단위 비교군은 0.6734로 나타났다.

1주 단위 비교군과의 성능 비교에서는 9개 후보군 중 7개 후보군이 더 높은 성능을 기록하였다. 1일 단위 비교 군과의 성능 비교에서는 Case 2의 방법 2, Case 3의 방법 1, Case 3의 방법 2만이 더 높은 성능을 보였다. 각 후보군의 모델 평균 성능은 Case 2의 방법 2에서 0.7778, Case 3의 방법 1에서 0.7573, Case 3의 방법 2에서 0.7818로 나타났다.

또한 방법 1끼리의 비교에서는 Case 3의 방법 1이 Case 2의 방법 1보다 0.0584 높은 성능을 기록하였다. 이 결과는 유효 변수만을 반영한 윈도우 크기 산출이 방법 1 기반 후보군의 성능 개선에 기여할 수 있음을 보여준다. 다만 기본 실험 결과만으로는 Case 2의 방법 2와 Case 3의 방법 2가 모두 높은 성능을 보였으므로, 최종 윈도우 크기 선정은 추가 실험 결과를 함께 고려하여 해석할 필요가 있다.

4.2 자기상관계수 임계값 $\theta$ 비교 실험

임계 지연시간을 최적 윈도우 크기 후보군으로 활용하는 과정의 타당성을 보완하기 위해, 자기상관계수 임계값 $\theta$를 0.25, 0.30, 0.50, 0.70, 0.75로 설정한 비교 실험을 수행하였다. 각 임계값 조건에서 Case 2와 Case 3의 윈도우 크기 후보군을 다시 산출한 뒤, 1일 및 1주 비교군보다 높은 성능을 나타낸 후보군의 개수를 count로 집계하였다. 실험 결과는 표 6에 정리하였다.

변압기 운전 환경에서는 센서 결함이나 통신 오류로 인해 일부 계측 변수가 미취득되는 상황이 발생할 수 있다. 따라서 본 연구에서는 센서 미취득 상황을 가정한 모의실험을 추가 수행하였다. 모의실험에서는 전체 13종 변수 중 임의로 5개를 균등한 확률로 제외하여 다양한 조합을 구성하였으며, 총 20세트의 데이터 세트를 생성하였다.

표 6의 결과를 보면, $\theta$=0.50에서 count 합이 가장 크게 나타났다. $\theta$가 0.25 또는 0.30으로 작아질 경우 ACF와 임계값의 교차 시점이 뒤로 이동하여 더 긴 윈도우가 산출되었다. 이러한 윈도우는 더 많은 시계열 구간을 포함하나, 시간적 상관성이 약해진 구간까지 함께 포함할 가능성이 있다. 반면 $\theta$가 0.70 또는 0.75로 커질 경우 교차 시점이 앞당겨져 상관성이 강한 초기 구간을 반영할 수 있으나, 윈도우 길이가 짧아져 입력 정보량이 제한될 수 있다.

이와 비교하면 $\theta$=0.50은 시간적 상관성이 유지되는 구간을 반영하면서도 윈도우 길이가 과도하게 증가하지 않는 조건으로 나타났다. 또한 표 6에서 확인되듯이 $\theta$=0.50은 1일 및 1주 비교군 대비 성능 향상을 보인 후보군의 수가 가장 많았다. 따라서 본 연구에서는 단일 실험조건의 최고 성능만으로 임계값을 선정하지 않고, 여러 모델과 윈도우 후보군에서 반복적으로 확인된 성능 비교 결과를 함께 고려하여 $\theta$=0.50을 적절한 자기상관계수 임계값으로 해석하였다.

4.3 변수 제거 실험

변압기 운전 환경에서는 센서 결함이나 통신 오류로 인해 일부 계측 변수가 미취득될 수 있다. 입력 변수 구성이 달라지면 임계 지연시간 산출 결과와 윈도우 크기 후보군도 함께 달라진다. 이에 따라 본 연구에서는 변수 제거 조건마다 윈도우 크기 후보군을 다시 산출하였으며, 무작위 변수 제거 20세트에서 도출된 후보군의 평균과 표준편차를 표 7에 정리하였다. 이후 재산출된 후보군을 적용하여 이상 탐지 성능을 비교하였다.

본 절에서는 변수 제거 상황에서 윈도우 크기 후보군의 성능 변화를 확인하기 위해 무작위 변수 제거 실험과 특정 센서군 제거 실험을 수행하였다. 무작위 변수 제거 실험은 다양한 결손 조합에 대한 강건성을 확인하기 위한 설정이며, 특정 센서군 제거 실험은 실제 계측 계통 단위의 결손 상황을 반영하기 위한 설정이다.