고속 푸리에 변환 분석 (Fast Fourier Transform (FFT) Analysis)
쉽게 풀면
여러 악기가 동시에 연주하는 화음을 듣고 각각 어떤 음이 섞여 있는지 알아내는 것처럼, FFT는 뒤섞인 신호를 어떤 주파수 성분들이 얼마나 강하게 들어있는지로 분해해준다. 원래 이런 분해(푸리에 변환)를 계산하려면 시간이 매우 오래 걸렸지만, FFT라는 빠른 알고리즘 덕분에 실시간에 가깝게 계산할 수 있게 되었다. 진동 신호에서 특정 결함 주파수를 찾거나, 음향 신호에서 소음원을 분석하거나, 통신 신호를 처리하는 데 폭넓게 쓰인다. 시간 영역에서는 잘 보이지 않던 주기적 패턴이 주파수 영역에서는 뚜렷한 피크로 드러나는 것이 핵심 장점이다.
왜 중요한가
FFT는 신호처리 전반의 기초 연산이기 때문에, 시간 영역 데이터를 다루는 거의 모든 공학·물리학·생체신호 연구에서 전처리 단계로 등장합니다. 진동·음향 데이터에서는 결함이나 이상 상태를 나타내는 특정 주파수를 찾아내는 데, 통신·신호처리 분야에서는 신호의 대역폭과 스펙트럼 특성을 분석하는 데 필수적입니다. 딥러닝 기반 신호 분류 연구에서도 원시 시계열 대신 FFT로 얻은 주파수 특징을 입력으로 사용하는 경우가 많아, 후속 분석 기법들의 전처리 표준으로 자리 잡고 있습니다.
논문에서는 이렇게 쓰입니다
측정한 진동 신호를 주파수 성분으로 분해했더니 베어링 고장을 나타내는 특정 주파수에서 신호가 유난히 강하게 나타났다는 뜻이다.
생체신호 연구에서 시간에 따른 뇌파 신호를 주파수 대역별 에너지로 분해해, 특정 정신 상태와의 관계를 살펴볼 때 쓰이는 표현이다.
통신 시스템 연구에서 수신 신호에 섞인 간섭 성분을 주파수 영역에서 찾아내 필터 설계에 반영했다는 뜻이다.
조금 더 깊게 보면
실제 신호는 유한한 길이로 잘라서 분석하기 때문에, 창(윈도우) 함수를 적용하지 않으면 스펙트럼 누설(spectral leakage) 현상으로 실제 존재하지 않는 주파수 성분이 나타날 수 있습니다. 또한 FFT의 주파수 분해능은 신호 길이와 샘플링 주파수에 의해 결정되므로, 짧은 신호에서는 인접한 주파수 성분을 구분하기 어렵습니다. 시간에 따라 주파수 성분이 변하는 비정상(non-stationary) 신호를 다룰 때는 FFT 대신 STFT(단시간 푸리에 변환)나 웨이블릿 변환처럼 시간-주파수 정보를 함께 제공하는 기법이 보완적으로 쓰입니다.
주의할 점
신호 길이와 샘플링 주파수에 따라 주파수 분해능이 제한되며, 파워스펙트럼밀도 분석과 달리 시간에 따른 변화는 반영하지 못한다.