시스템의 안정성을 보장하기 위해서는 산업 시스템에서 수집된 센서 데이터를 기반으로 예기치 않은 패턴이나 이상 징후를 탐지하는 것이 중요하다. 이상 탐지 정확도를 높이기 위해 Long Short-Term Memory (LSTM), Generative Adversarial Network (GAN) 등 딥러닝 모델을 활용한 여러 연구가 진행되었다. 하지만 기존 연구들은 데이터를 재구성하는 과정에서 미세한 특징이 손실될 수 있어 극심한 비선형적 진동에서 이상을 탐지하기 어려웠다. 이 논문에서는 시계열의 전역 및 지역 특징을 모두 고려하기 위해 이중 다운샘플링을 포함하는 Dual multiResolution Network (DResNet)를 제안한다. DResNet 은 이중 다운샘플링에서 얻은 다중 해상도 정보를 사용하여 이상 탐지를 위한 자기 지도 학습을 수행한다. 이중 다운샘플링은 데이터의 문맥 패턴에서 효과적인 특징을 추출하는 데 도움을 준다. 이후 추출된 특징은 1-Dimensional Convolutional Neural Network (1D CNN)을 통해 효율적으로 학습되고, 수도 레이블과 함께 자기 지도 학습에 활용된다. 제안 방법은 5 개의 시계열 벤치마크 데이터 세트에서 검증되었으며, 모델이 효율적인 이상 징후 탐지를 수행할 수 있음을 보여준다.