본 연구는 증기 터빈 시스템의 이상 감지를 위해 고급 특징 공학 및 하이브리드 모델 아키텍처의 효과를 조사했습니다. 변화점 유도 통계 특징, 클러스터링 기반 하부 구조 표현 및 하이브리드 학습 전략의 영향에 대한 평가가 이루어졌습니다. 그러나 복잡한 접근 방식들은 분할된 데이터에 대해 훈련된 단순한 Random Forest + XGBoost 앙상블에 비해 일관적으로 성능이 저조했습니다. 해당 앙상블은 AUC-ROC 0.976, F1-score 0.41을 달성했으며, 정의된 시간 창 내에서 100% 조기 감지를 보였습니다. 연구 결과는 불균형하고 시간적으로 불확실한 데이터 시나리오에서 최적화된 분할과 결합된 모델 단순성이 보다 정교한 아키텍처보다 더 나은 성능을 보일 수 있으며, 더 큰 견고성, 해석 가능성 및 운영 유용성을 제공한다는 것을 강조합니다.
