45분
1D-CNN 시계열 분류 (PyTorch)
Day 3: 고장 분류 모델
1D-CNN 시계열 분류 (PyTorch)
예지보전 — 설비 고장 예측 시스템 > Day 3: 고장 분류 모델
학습 목표
1D-CNN으로 시계열 센서 데이터를 분류할 수 있다 Conv1d, BatchNorm, Pooling 레이어의 역할을 이해한다 PyTorch로 학습 루프를 구현할 수 있다
1D-CNN 고장 분류
피처 엔지니어링 없이 원시 센서 시퀀스를 직접 입력한다. CNN이 자동으로 패턴을 학습한다.
1D-CNN 구조
[1D-CNN Architecture]
Input: (batch, channels=8, seq_len=30)
↓
Conv1d(8, 32, kernel=5) + BN + ReLU
↓
Conv1d(32, 64, kernel=3) + BN + ReLU
↓
GlobalAvgPool1d
↓
FC(64, 32) + ReLU + Dropout(0.3)
↓
FC(32, 3) → 3 classes아래 코드를 cnn_classification.py로 저장하고 실행하세요.
에디터 로딩 중...
힌트 보기
- • 1D-CNN의 입력은 (batch, channels, seq_len) 형태이다
- • Conv1d의 kernel_size가 시간축 패턴의 크기를 결정한다
- • Global Average Pooling으로 시퀀스 길이에 무관한 고정 벡터를 얻는다
- • BatchNorm은 학습 안정성을, Dropout은 과적합 방지에 기여한다
AI로 학습하기 — 꿀팁
✅1D-CNN 과적합·그래디언트 검증AI 학습 팁
AI에게 1D-CNN PyTorch 코드의 BatchNorm 위치 오류와 소형 데이터셋 과적합 신호를 탐지하는 진단 코드를 작성해달라고 요청하세요.
이 PyTorch 1D-CNN 시계열 분류 코드(Conv1d→BatchNorm→ReLU 구조)에서 다음을 검증해줘: (1) BatchNorm이 활성화 함수 앞뒤 위치에 따른 성능 차이, (2) 훈련/검증 loss 갭으로 과적합 조기 탐지 코드, (3) gradient_norm을 에포크마다 출력해 그래디언트 소실 여부 확인. 제조 센서 분류 시나리오 기준.
이 팁이 도움이 됐나요?