35분
Sliding Window 피처 추출
Day 2: 시계열 센서 데이터 처리
Sliding Window 피처 추출
예지보전 — 설비 고장 예측 시스템 > Day 2: 시계열 센서 데이터 처리
학습 목표
Sliding Window 기법으로 시계열 피처를 추출할 수 있다 윈도우 크기와 스텝의 영향을 이해한다 연속 센서 데이터를 ML 입력 형태로 변환할 수 있다
Sliding Window 기법
연속 센서 스트림을 고정 크기 윈도우로 잘라 피처를 추출한다.
[Sliding Window 개념]
원본 시계열: |----------------------------→ time
Window 1: [========]
Window 2: [========] ← stride만큼 이동
Window 3: [========]
각 윈도우 → 피처 벡터 1개 → ML 입력 1행파라미터 선택 가이드
| 파라미터 | 값 | 고려사항 |
|---|---|---|
| window_size | 1~10초 분량 | 너무 작으면 노이즈, 너무 크면 둔감 |
| stride | window의 25~50% | 작으면 정밀, 크면 빠름 |
| overlap | 50~75% | 높으면 샘플 증가, 연산 증가 |
아래 코드를 sliding_window.py로 저장하고 실행하세요.
에디터 로딩 중...
힌트 보기
- • 윈도우 크기가 너무 작으면 노이즈에 민감하고, 너무 크면 변화를 놓친다
- • stride가 작을수록 샘플이 많아지지만 중복이 커진다
- • slope(기울기) 피처는 열화 추세를 포착하는 데 매우 유용하다
- • RUL은 윈도우의 마지막 시점 값을 사용한다
AI로 학습하기 — 꿀팁
✅슬라이딩 윈도우 경계 오류 검증AI 학습 팁
AI에게 Sliding Window 피처 추출 코드에서 엔진 경계(ID 전환 지점)에서 윈도우가 서로 다른 엔진 데이터를 혼합하는 버그를 탐지해달라고 요청하세요.
이 NASA CMAPSS 슬라이딩 윈도우 피처 추출 코드에서, 엔진 ID가 바뀌는 경계에서 윈도우가 두 엔진의 센서값을 섞는 데이터 누수 버그가 있는지 확인하고, engine_id 별 그룹화 처리가 제대로 되는지 검증하는 테스트를 작성해줘.
이 팁이 도움이 됐나요?