예측 불가능한 시계열을 위한 LSTM 인코더‑디코더 기반 이상 탐지

본 논문은 산업 현장에서 다수의 센서가 장착된 기계(엔진, 차량, 항공기 등)의 시계열 데이터를 대상으로, 외부 요인이나 수동 제어 등으로 인해 예측이 어려운 경우에도 효과적으로 이상을 탐지할 수 있는 방법을 제시한다. 기존의 수학적 모델이나 예측 기반 이상 탐지(LSTM‑AD 등)는 시계열이 정상적으로 예측 가능할 때만 높은 성능을 보이며, 비예측 가능하거나 급격히 변하는 데이터에서는 한계가 있었다. 이를 극복하기 위해 저자들은 LSTM 기반 인코더‑디코더 구조를 이용한 재구성 모델(EncDec‑AD)을 설계하였다. 인코더는 입력 시계열 X={x(1),…,x(L)}을 고정 차원의 은닉 벡터 h(L)ᵉ로 압축하고, 디코더는 이 벡터를 초기 상태로 삼아 역순으로 시계열을 재구성한다. 학습 단계에서는 정상 시계열만을 사용해 재구성 손실 Σ‖x(i)−x̂(i)‖²를 최소화한다. 디코더는 훈련 시 실제 입력 x(i)를 사용하고, 추론 시에는 이전 단계에서 예측한 x̂(i−1)를 입력으로 받아 순차적으로 재구성한다. 재구성 오차 e(i)=|x(i)−x̂(i)|에 대해 정상 검증 세트(vN1)에서 평균 μ와 공분산 Σ를 추정하고, 다변량 정규분포 가정 하에 마할라노비스 거리 형태의 이상 점수 a(i)=(e(i)−μ)ᵀΣ⁻¹(e(i)−μ)를 계산한다. 임계값 τ는 검증 데이터에서 Fβ‑점수(β<1)를 최대화하도록 선택한다. 점수가 τ를 초과하면 해당 시점은 이상으로 판단한다. 실험은 총 5개의 데이터셋(전력 수요, 우주왕복선, ECG, Engine‑P, Engine‑NP)에서 수행되었다. 전력 수요와 우주왕복선은 주기적·다주기적 특성을, ECG는 준주기적 특성을, Engine‑P는 외부 제어가 이산적이어서 비교적 예측 가능, Engine‑NP는 연속적인 외부 제어로 인해 비예측 가능성을 갖는다. 각 데이터셋은 정상/이상 윈도우로 나뉘어 L=30~500 사이의 길이로 슬라이딩 윈도우를 적용하였다. 성능 평가지표는 정밀도(P), 재현율(R), Fβ‑점수, 그리고 양성 가능도 비율(TPR/FPR)이다. EncDec‑AD는 모든 데이터셋에서 TPR/FPR이 1보다 크게 나타났으며, 특히 Engine‑NP에서는 기존 LSTM‑AD가 거의 탐지하지 못한 반면, EncDec‑AD는 TPR/FPR≈7.6을 기록해 비예측 가능 시계열에서도 강력한 탐지력을 보였다. 주기적 데이터에서도 윈도우 길이를 조절해도 일관된 성능을 유지했으며, 짧은 시퀀스(30)와 긴 시퀀스(500) 모두에서 재구성 오류가 정상과 이상을 명확히 구분했다. 관련 연구에서는 시계열 예측 기반 이상 탐지, 비시계열 재구성 기반 오토인코더, 딥 빌리프 네트워크 등이 소개되었으며, 본 연구는 LSTM 인코더‑디코더를 시계열 재구성에 적용함으로써 기존 방법과 차별화된다. 논의에서는 EncDec‑AD가 예측 기반 모델보다 더 일반적인 상황에 적용 가능함을 강조하고, 모델이 정상 시계열의 전반적인 구조를 학습함으로써 비예측 가능성에도 강인함을 입증했다. 또한, 모델이 긴 시퀀스를 처리할 수 있다는 점은 LSTM 은닉 상태가 장기 의존성을 효과적으로 보존한다는 증거다. 한계점으로는 정상 데이터만으로 학습하기 때문에 정상 데이터가 충분히 다양하지 않을 경우 과적합 위험이 존재하고, 다변량 정규분포 가정이 실제 오차 분포와 차이날 경우 이상 점수의 해석이 어려워질 수 있다. 실시간 적용 시 전체 시퀀스를 재구성해야 하는 계산 비용도 고려해야 한다. 향후 연구 방향은 (1) 비정규 오차 모델링을 통한 이상 점수 개선, (2) 온라인 학습 및 적응형 임계값 설정, (3) 어텐션 메커니즘을 도입한 변형 인코더‑디코더로 복잡한 다변량 상관관계와 비선형성을 더 잘 포착하는 방안을 제시한다.