45분
LSTM 기반 시계열 분류
Day 3: 고장 분류 모델
LSTM 기반 시계열 분류
예지보전 — 설비 고장 예측 시스템 > Day 3: 고장 분류 모델
학습 목표
LSTM으로 시계열 의존성을 학습하는 분류 모델을 만들 수 있다 CNN과 LSTM의 차이와 각각의 장점을 이해한다 Bidirectional LSTM의 효과를 확인할 수 있다
LSTM 고장 분류
CNN vs LSTM
[CNN]: 로컬 패턴 추출에 강함
→ 주파수 피크, 충격 파형 등
→ "이 구간에 이런 모양이 있나?"
[LSTM]: 시간적 의존성에 강함
→ 열화 추세, 장기 패턴
→ "시간이 지남에 따라 어떻게 변했나?"
실무 권장: 둘 다 학습 후 앙상블아래 코드를 lstm_classification.py로 저장하고 실행하세요.
에디터 로딩 중...
힌트 보기
- • LSTM 입력은 (batch, seq_len, features) 형태 — CNN과 축 순서가 다르다
- • Bidirectional LSTM은 미래→과거 방향도 학습하여 정확도가 높다
- • gradient clipping(max_norm=1.0)으로 LSTM의 기울기 폭발을 방지한다
- • 마지막 타임스텝의 hidden state를 분류에 사용한다
AI로 학습하기 — 꿀팁
🧪LSTM vs CNN 구조 선택 근거 질문AI 학습 팁
AI에게 제조 센서 시계열 분류에서 1D-CNN과 LSTM 중 어느 구조가 유리한 조건을 물어보고 모델 설계 방향을 잡으세요.
제조 설비 센서 시계열 고장 분류에서 1D-CNN과 LSTM 중 어떤 상황에서 각각이 더 유리해? 윈도우 길이, 센서 개수, 데이터셋 크기 조건에 따른 선택 기준을 설명하고, NASA CMAPSS처럼 다변량 센서(21채널)·중간 크기 데이터셋 조건에서는 어떤 구조를 권장하는지 코드 설계 예시와 함께 알려줘.
이 팁이 도움이 됐나요?