本研究では、多変量工業時系列における異常検知のための高度な特徴エンジニアリングおよびハイブリッドモデルアーキテクチャの有効性を調査しました。対象は蒸気タービンシステムであり、変化点に基づいた統計的特徴やクラスタリングに基づくサブ構造の表現、ハイブリッド学習戦略が検出性能に与える影響を評価しました。理論的には魅力的ですが、これらの複雑なアプローチは、セグメント化されたデータに対して訓練されたシンプルなランダムフォレストとXGBoostのアンサンブルに一貫して劣っていました。このアンサンブルは0.976のAUC-ROC、0.41のF1スコア、定義されたタイムウィンドウ内での100%の早期検出を達成しています。結果として、非常に不均衡かつ時間的に不確実なデータのシナリオでは、シンプルなモデルと最適化されたセグメンテーションの組み合わせが、より高度なアーキテクチャよりも優れた堅牢性、解釈可能性、実用性を提供することが示されています。