경험적 모드 분해 (Empirical Mode Decomposition)

한 줄 정의: 비선형·비정상 신호를 사전에 정의된 기저함수 없이 데이터 자체의 특성에 따라 고유모드함수(IMF)들로 적응적으로 분해하는 기법입니다.

쉽게 풀면

경험적 모드 분해(EMD)는 복잡하게 섞여 있는 신호를 데이터 스스로의 진동 특성에 맞춰 몇 개의 단순한 진동 성분으로 나누는 방법입니다. 웨이블릿처럼 미리 정해둔 기준 파형을 쓰지 않고, 신호에 있는 봉우리와 골짜기를 직접 따라가며 반복적으로 성분을 뽑아내기 때문에 신호가 시간에 따라 크게 변하는 경우에도 유연하게 대응할 수 있습니다.

왜 중요한가

기계 진동, 생체 신호, 기후 데이터처럼 비정상적이고 비선형적인 특성을 가진 신호가 많은 실제 환경에서, 미리 정한 기저 없이 신호 고유의 진동 성분을 추출할 수 있다는 점이 EMD가 널리 연구되는 이유입니다. 웨이블릿 분해가 미리 정한 모함수를 기준으로 신호를 분해하는 것과 달리 EMD는 완전히 데이터 주도적으로 성분을 뽑아내므로, 어떤 기저를 선택해야 할지 사전 지식이 부족한 신호에 대해서도 적용할 수 있다는 점이 강점으로 꼽힙니다.

논문에서는 이렇게 쓰입니다

"경험적 모드 분해를 통해 회전기계 진동 신호를 여러 고유모드함수로 분리하고 고장 특징을 추출하였다."

설비 진단을 위한 진동 신호 분석에 EMD가 활용된 예입니다.

"모드 혼합 문제를 완화하기 위해 앙상블 경험적 모드 분해(EEMD)를 적용하였다."

EMD의 한계를 보완한 개선 기법이 사용된 사례입니다.

조금 더 깊게 보면

EMD는 신호의 극댓값과 극솟값을 스플라인으로 연결한 상하 포락선의 평균을 반복적으로 빼는 체가름(sifting) 과정을 통해 고유모드함수(IMF)를 추출합니다. 모드 혼합 문제를 줄이기 위해 잡음을 보조적으로 추가하는 앙상블 EMD(EEMD) 등의 개선 방법도 함께 연구됩니다. 체가름 과정을 언제 멈출지 정하는 정지 기준(예: 연속된 두 체가름 결과의 표준편차 비교)이 IMF의 품질과 개수에 큰 영향을 미치며, 힐베르트 변환과 결합한 힐베르트-황 변환(HHT)을 통해 각 IMF의 순간 주파수를 시간에 따라 분석하는 데까지 확장되어 쓰입니다.

주의할 점

EMD는 수학적으로 엄밀한 이론적 기반이 약하고 모드 혼합 현상이 발생할 수 있어, 결과 해석 시 주의가 필요합니다. 추출된 IMF 개수와 의미가 신호에 섞인 잡음 수준이나 표본 수에 따라 달라질 수 있어, 동일한 물리 현상이라도 데이터셋마다 IMF 분해 결과를 그대로 비교하기 어려운 경우가 있습니다.