无监督学习：离散时间序列上的异常检测

Question

我正在一个未标记的数据集上进行最后一年的项目，该数据集由风力涡轮机内部多个组件的振动数据组成

数据集：

我从4个风力涡轮机获得数据，每个涡轮机的间隔41510秒

关于10秒间隔数据：

• 415个10秒间隔中的每个间隔包括发电机、齿轮箱等的振动数据（共14个特征）
• 振动数据（14个特征）的分辨率为25.6kHz（每个间隔262144行）
• 每天在不同时间记录一次10秒；一年多一点的数据

数据帧的头部，具有以下一些功能：

计划：

我目前的计划是

1. 针对415个间隔中的每个间隔，从时域对每个不同传感器（齿轮箱、发电机等）进行快速傅立叶变换（FFT）。从FFT中，我能够提取频率信息以放入数据帧中。（来自FFT的统计数据，如每箱的频谱RMS）

2. 为不同的组件构建不同的数据集

3. 添加风速、风向、发电量等功能。

4. 然后，我将构建能够检测异常的无监督的ML模型

使用的无监督模型是<强> Encoder Decorder < /强>和<强>聚类< /强><

问题：

1. 看起来我有足够的数据来完成这类任务吗？415 间隔x 4个不同的涡轮机=1660排，约20个特征
2. 是否应将数据视为时间序列？（每天随机抽取一次，每次10秒）
3. 还有哪些其他无监督的ML模型/方法适合此任务

我希望写得很清楚。提前感谢您的任何意见