⚡ electrical engineering

A Classification-Based Adaptive Bayesian Wavelet Packet Denoising Method for Additive Gaussian-Impulse Mixed Noise in Industrial Sensor and Measurement Signals

본 논문은 비정상 가우시안 임펄스 혼합 잡음으로 오염된 산업용 센서 및 측정 신호를 효과적으로 제거하기 위해 노이즈 분류, SNR 적응형 하이브리드 임계값 설정 및 베이지안 최적화를 활용하는 분류 기반 적응형 베이지안 웨이브릿 패킷 변환(CABWPT) 방법을 제안한다.

원저자: hao ying, zhou zhou, yangsen wen, pengpeng he

게시일 2026-09-11

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: hao ying, zhou zhou, yangsen wen, pengpeng he

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

산업용 기계와 인간의 음성이 존재하는 소음이 가득한 세상에서, 신호는 결코 순수하지 않습니다. 공장 바닥의 진동 센서나 대화를 녹음하는 마이크는 종종 원하는 소리와 원치 않는 간섭이 뒤섞인 지저한 혼합물을 포착하곤 합니다. 이러한 간섭은 보통 두 가지 형태, 즉 지속적인 웅웅거림 형태의 배경 정적과 예측 불가능하게 툭툭 튀어나오는 갑작스럽고 날카로운 정적의 스파이크로 나타납니다. 엔지니어들이 기계의 숨겨진 결함을 찾아내거나 음성을 더 명확하게 만들기 위해 신호를 정화하려고 할 때, 이들은 어려운 문제에 직면합니다. 기존의 신호 정화 도구들은 노이즈가 항상 저런 지속적인 웅웅거림 형태일 것이라는 가정하에 만들어졌습니다. 노이즈에 저런 날카롭고 예측 불가능한 스파이크가 포함될 경우, 기존의 도구들은 노이즈를 너무 많이 남겨두거나, 혹은 살려내야 할 실제 신호의 일부를 실수로 잘라버리는 등의 실패를 겪곤 합니다.

북부해 해안 대학(Beibu Gulf University)의 연구진은 이러한 혼합 노이즈라는 특정한 문제를 해결하기 위한 새로운 방법을 개발했습니다. 최근 연구에서 설명된 이들의 접근 방식은 노이즈를 단일하고 균일한 문제로 취급하는 대신, 어떤 종류의 노이즈가 존재하는지에 따라 변화하는 상황으로 취급합니다. 신호를 정화하기 위해 단 하나의 경직된 규칙을 사용하는 대신, 이 시스템은 먼저 잠시 귀를 기울여 노이즈의 성격을 식별합니다. 시스템은 노이즈가 지속적인 형태인지, 스파이크 형태인지, 아니면 두 가지가 혼합된 형태인지를 확인합니다. 노이즈가 무엇인지 파악하고 나면, 시스템은 해당 유형에 가장 적합한 특정 정화 도구로 전환합니다. 이를 통해 시스템은 훨씬 더 정밀해질 수 있으며, 기계 진동이든 인간의 목소리든 상관없이 중요한 세부 사항을 온전히 보존하면서 원치 않는 정적을 제거할 수 있습니다.

이 새로운 방법의 핵심은 분류와 적응의 과정입니다. 신호를 복잡한 실타래로 짜인 태피스트리라고 상상해 보십시오. 연구진의 시스템은 먼저 노이즈가 가장 많이 숨어 있는 곳인 고주파 영역의 실타래들을 살펴봅니다. 노이즈가 얼마나 "스파이키(spiky)"한지, 그리고 얼마나 "비대칭(lopsided)"한지를 측정함으로써, 시스템은 노이즈를 지속형, 스파이크형, 비대칭형, 또는 혼합형의 네 가지 범주 중 하나로 분류할 수 있습니다. 각 범주에 대해 시스템은 서로 다른 전략을 가집니다. 만약 노이즈가 지속적이라면 한 종류의 수학적 필터를 사용합니다. 만약 노이즈가 스파이크 형태라면, 갑작스러운 툭툭 튀는 소리를 무시하는 데 더 효과적인 다른 필터를 사용합니다. 만약 노이즈가 혼합형이라면, 이러한 전략들을 하나로 결합합니다. 이는 시스템이 스파이크 때문에 혼란을 느껴 실제 신호를 잘라버리거나, 반대로 스파이크를 신호의 일부라고 착각하여 그대로 방치하는 흔한 실수를 방지합니다.

정화 과정이 최대한 효과적이 되도록 하기 위해, 연구진은 노이즈를 얼마나 제거할지 결정하는 두 가지 서로 다른 방식을 결합했습니다. 한 가지 방식은 매우 신중하게 신호의 각 작은 조각을 개별적으로 살펴보는 것이고, 다른 한 가지는 전체 신호에 잘 들어맞는 광범위하고 일반적인 규칙입니다. 이 새로운 방법은 이 두 가지 접근 방식을 혼합하며, 신호 대비 노이즈가 얼마나 큰지에 따라 그 균형을 조절합니다. 노이즈가 매우 클 때는 더 신중한 개별적 접근 방식에 더 의존합니다. 노이즈가 더 작을 때는 광범위한 규칙에 더 의존합니다. 이 균형은 시스템이 너무 공격적으로 변하여 신호를 손상시키는 것을 방지하는 엄격한 규칙들에 의해 관리됩니다. 예를 들어, 시스템은 자신이 원래의 소리를 너무 많이 제거했는지 끊임없이 확인하며, 만약 그렇다면 자동으로 강도를 조절합니다.

초기 정화 작업 이후, 연구진은 최종 다듬기 단계를 적용합니다. 때때로 주요 노이즈가 사라진 후에도 희미한 메아리나 왜곡이 남아 있을 수 있습니다. 시스템은 남은 신호의 전체적인 구조를 살펴보는 기술을 사용하여 이러한 불완전함을 매끄럽게 다듬고, 최종 결과물이 원래의 것과 최대한 가깝도록 보장합니다. 이 모든 단계에 대한 완벽한 설정을 찾기 위해, 연구진은 다양한 유형의 신호에 대해 최적의 설정을 찾고자 수천 번의 조합을 테스트하는 컴퓨터 기반의 시행착착오 과정을 사용했습니다. 그들은 두 가지 매우 다른 유형의 데이터, 즉 공장의 볼 베어링에서 발생하는 진동 신호와 인간의 음성 녹음본을 대상으로 이 방법을 테스트했습니다.

결과는 이 새로운 방법이 광범위한 조건에서 기존의 열 가지 기술보다 뛰어난 성능을 보였음을 입증했습니다. 노이즈가 특히 거칠었던 공장 진동 테스트에서, 이 새로운 방법은 다른 방법들이 오히려 신호를 악화시켰던 가장 조용한 노이즈 수준을 포함하여, 모든 노이즈 수준에서 성공적으로 신호 품질을 개선한 유일한 방법이었습니다. 음성 테스트에서도 이 방법은 다른 방법들보다 우수한 성능을 보이며, 배경 소음을 제거하면서도 목소리의 명료함을 보존했습니다. 연구 결과, 가장 유의미한 개선은 시스템이 노이즈 유형을 정확히 식별하는 능력과 다양한 정화 전략의 균형을 맞추는 스마트한 방식에서 비롯되었습니다. 모든 상황에 단일한 해결책을 강요하는 대신 노이즈의 구체적인 특성에 적응함으로써, 연구진은 산업 및 음향 환경의 무질서하고 예측 불가능한 현실을 다룰 수 있는 강력한 도구를 만들어냈습니다.

기술 요약: 가우시안-임펄스 혼합 잡음 환경을 위한 분류 기반 적응형 베이지안 웨이브릿 패킷 디노이징 방법

문제 정의
기계 진동 및 음성 신호와 같은 산업용 센서 및 측정 신호는 가우시안-임펄스 혼합 잡음에 의해 빈번하게 오염됩니다. 웨이브릿 패킷 변환(WPT)은 다해상도 분석 능력 덕분에 신호 디노이징의 표준적인 도구로 사용되지만, 기존의 임계값 설정(thresholding) 방식은 이러한 비가우시안 조건에서 제대로 작동하지 않는 경우가 많습니다. VisuShrink이나 BayesShrink과 같은 고전적 접근 방식은 가우시안 가정을 기반으로 하거나 보편적 임계값을 사용하므로, 임펄스 잡음의 두터운 꼬리(heavy-tailed) 특성을 반영하지 못합니다. 결과적으로, 이러한 방식들은 잡음 추정의 불일치와 임계값 저하를 초래하며, 특히 임펄스 성분이 존재하거나 신호 누출(signal leakage)로 인해 잡음 추정치가 팽창하는 높은 SNR 환경에서 심각한 성능 저하를 일으킵니다. 또한, 딥러닝 대안들은 해석 가능성이 부족하고 산업 현장에서 희소한 레이블된 데이터를 필요로 한다는 단점이 있습니다.

방법론
저자들은 가우시안-임펄스 혼합 잡음을 처리하기 위해 5단계 프로세스를 거치는 분류 기반 적응형 베이지안 웨이브릿 패킷 변환(CABWPT) 프레임워크를 제안합니다.

신호 유형 분류 및 기저 선택: 입력 신호는 먼저 크레스트 인자(crest factor), 왜도(skewness), 첨도(kurtosis)를 기반으로 한 가중 점수 분류기를 통해 "기계 진동" 또는 "음성"으로 분류됩니다. 이 분류 결과에 따라 최적의 웨이브릿 기저(예: 진동의 경우 Db20, 음성의 경우 Sym8)가 결정됩니다.
잡음 분류 및 강건한 추정: 최고 주파수 서브밴드를 분석하여 잡음을 가우시안, 라플라시안, 임펄스, 혼합 잡음의 네 가지 유형으로 분류하며, 이때 결합 왜도-첨도 통계량을 사용합니다. 각 유형은 전용 잡음 분산 추정기(예: 가우시안의 경우 MAD, 라플라시안의 경우 IQR, 임펄스의 경우 절단 평균)와 매칭됩니다. 추가로, 높은 SNR 수준에서 신호 누출로 인한 잡음 추정치 팽창을 방지하기 위해 백분위수-하이브리드 보정 메커니즘이 적용됩니다.
SNR 적응형 하이브리드 임계값 설정: BayesShrink과 VisuShrink 전략을 융합하여 하이브리드 임계값을 구성합니다. 융합 가중치는 SNR에 따라 결정되며, 낮은 SNR에서는 BayesShrink을 선호하고 SNR이 높아짐에 따라 VisuShrink의 강건성을 점진적으로 통합합니다. 이 과정은 주파수 계층 적응, 임풀스 보호, 그리고 과도한 처리로 인한 신호 에너지 손실을 방지하기 위한 신호 유지율(0.85로 설정)의 엄격한 제약을 부과하는 다중 제약 계층적 조정(MCHA) 메커니즘에 의해 제어됩니다.
후처리: 특정 주기성과 낮은 SNR을 가진 기계 신호의 경우, 저계수 근사(low-rank approximation)를 통해 잔류 스펙트럼 누출을 억제하는 SVD-Hankel 후처리가 적용됩니다. 이후 재구성 충실도를 보장하기 위해 엄격한 에너지 정규화가 적용되어 에너지 팽창이나 왜곡을 방지합니다.
하이퍼파라미터 최적화: 디노이징 성능을 극대화하기 위해 5가지 핵심 하이퍼파라미터(융합 가중치, 스케일링 계수 등)를 전역적으로 최적화하는 베이지안 최적화 프레임워크(오프라인 최적화, 온라인 추론)가 채택되었습니다.

주요 기여

잡음 분류 프레임워크: 특정 잡음 분포(가우시안, 라플라시안, 임펄스, 혼합)에 맞춤화된 최적의 잡음 추정기를 선택할 수 있게 하는 결합 왜도-첨도 분류기를 도입하여, 기존 방식의 통계적 불일치 문제를 해결했습니다.
SNR 적응형 하이브리드 임계값 설정: MCHA 메커니즘에 의해 제어되는, SNR 수준에 따라 BayesShrink과 VisuShrink의 균형을 동적으로 조절하는 새로운 융합 전략을 제시하여 과소 임계값(잡음 잔류)과 과다 임계값(신호 손실)을 모두 방지합니다.
고(高) SNR 보정: 높은 SNR 환경에서 신호 누출으로 인한 잡음 추정 오류를 완화하기 위해 설계된 백분위수-하이브리드 보정 메커니즘을 제공합니다.
포괄적 최적화: 전역 하이퍼파라미터 튜닝을 위한 베이지안 최적화의 통합과, 고충실도 재구성을 보장하기 위한 SVD-Hankel 후처리의 결합 및 엄격한 에너지 정규화를 구현했습니다.

실험 결과
본 방법은 CWRU 베어링 진동 데이터셋과 TIMIT 음성 코퍼스라는 두 가지 벤치마크 데이터셋을 대상으로, 0 dB에서 15 dB 사이의 가우시안-임펄스 혼합 잡음 환경에서 평가되었습니다.

CWRU(진동) 성능: 제안된 CABWPT 방법은 테스트된 모든 수준에서 가장 높은 SNR 개선도( $\Delta$ SNR)를 달emat습니다. 특히, 10개의 경쟁 방법(고전적 웨이브릿 및 저계수 분해 방법 포함)이 음의 $\Delta$ SNR(신호 저하)을 기록한 15 dB 지점에서, CABWPT는 +1.23 dB의 양의 개선도를 유지했습니다. 0 dB에서는 +5.13 dB를 달성하여 두 번째로 우수한 방법인 ASVD보다 0.73 dB 높은 성능을 보였습니다.
TIMIT(음성) 성능: 0 dB(+6.65 dB)와 5 dB(+5.16 dB)에서 탁월한 성능을 입증했습니다. 잡음이 거의 가우시안에 가까운 15 dB에서는 성능 격차가 좁혀졌으며, CABWPT는 BayesShrink의 +2.17 dB 대비 +1.95 dB를 기록했습니다. 저자들은 이 차이가 통계적 변동 범위 내에 있다고 언급했습니다.
어블레이션 연구(Ablation Studies): 실험을 통해 베이지안 최적화가 가장 일관된 성능 향상을 제공함을 확인했습니다. 고(高) SNR 보정 모듈은 높은 SNR 수준에서 성능을 유지하는 데 결정적이었으며, 하이브리드 임계값 설정은 중간 범위의 SNR에서 필수적이었습니다. SVD-Hankel 후처리는 낮은 SNR에서 가장 큰 기여를 보였습니다.
계산 효율성: 베이지안 최적화를 포함한 전체 방법은 계산 집약적이어서 CWRU 신호 세그먼트당 약 91초, TIMIT 세그먼트당 약 45초가 소요됩니다. 그러나 온라인 최적화가 없는 경량 모드는 실행 시간을 CWRU 약 1.2초, TIMIT 약 9.0초로 단축하며, 성능 저하는 0.1~1.7 dB 수준으로 완만하여 실시간 애플리케이션에 활용 가능합니다.

의의 및 주장
본 논문은 CABWPT 방법이 현실적인 비정상(non-stationary) 산업 잡음 환경에서 고충실도 신호 재구성을 위한 강건한 프레임워크를 제공한다고 주장합니다. 분류 기반 적응을 통해 가우시안 가정을 넘어섬으로써, 혼합 잡음 상황에서 발생하는 기존 웨이브릿 임계값 기술의 근본적인 한계를 해결합니다. 저자들은 이 접근 방식이 레이블된 데이터가 부족한 상황에서도 기계적 결함 탐지 시스템의 진단 신뢰도와 음성 향상 애플리케이션의 지각적 품질을 개선하는 데 상당한 실질적 가치를 제공한다고 강조합니다. 또한, 멀티 모듈 아키텍처를 통해 시스템이 전체 SNR 범위에 걸친 서로 다른 실패 모드를 처리할 수 있음을 강조하며, 인위적인 왜곡 없이 신호 특징을 보존하는 동시에, 경량 모드를 통해 시간 민감형 애플리케이션을 위한 계산 가능한 대안을 제시합니다.

유사한 논문