OpenTest로 FFT 분석하기

오디오 및 진동 테스트에서 FFT 분석(Fast Fourier Transform, 고속 푸리에 변환)은 거의 모든 엔지니어가 언젠가는 사용하게 되는 도구입니다:

• 스피커 주파수 응답
• 헤드폰 고조파 왜곡
• NVH 진단
• 구조 공진 트러블슈팅
• 생산 단계의 소음 및 "미스터리 톤" 추적

많은 실무적인 질문들은 사실 몇 가지 같은 내용을 묻고 있습니다:

• 주파수 영역에서 에너지가 어디에 집중되어 있는가?
• 하나의 톤이 지배적인가, 아니면 여러 고조파 성분이 섞여 있는가?
• 노이즈 플로어는 얼마나 높은가?
• 공진 피크가 존재하는가?

FFT는 이러한 질문에 답하기 위한 가장 범용적인 출발점입니다.

이 글은 엔지니어링 관점에서 다음 세 가지를 정리하는 데 도움을 줄 것입니다:

• FFT 분석이 무엇인지
• FFT가 개념적으로 어떻게 동작하는지
• 현장에서 FFT를 올바르고 효율적으로 사용하는 방법

FFT란 무엇인가?

시간 영역에서는 신호가 시간에 따라 변하는 파형일 뿐이며, 모든 구성 요소가 하나의 트레이스 안에 "겹쳐져" 있습니다. 눈으로 볼 수는 있지만, 그 안에 어떤 주파수들이 들어 있는지는 알기 어렵습니다.

FFT(Fast Fourier Transform, 고속 푸리에 변환)는 시간 영역 신호를 서로 다른 주파수의 사인파들의 합으로 분해합니다. 주파수 영역에서는 신호가 주파수 + 진폭 + 위상으로 표현됩니다. 간단히 말해,

• 시간 영역: 신호가 시간에 따라 어떻게 변하는지
• 주파수 영역: 어떤 주파수 성분을 포함하고 있고, 어떤 성분이 가장 강하며, 서로 어떻게 연관되어 있는지

역사적으로 푸리에의 핵심 아이디어(19세기 초)는 복잡한 주기 함수는 사인과 코사인의 합으로 표현할 수 있다는 것이었습니다. 이 아이디어는 연속 시간 신호를 연속적인 주파수 축으로 사상하는 연속 시간 푸리에 변환으로 발전했습니다.

컴퓨터 시대에 들어오면서 상황이 바뀌었습니다. 엔지니어들은 샘플링된 데이터를 다루며, 보통은 길이가 N인 유한 개의 샘플 기록만 갖고 있습니다. 이는 N개의 시간 샘플을 N개의 이산 주파수 빈으로 매핑하는 DFT(Discrete Fourier Transform, 이산 푸리에 변환)으로 이어집니다.

FFT(Fast Fourier Transform, 고속 푸리에 변환)는 다른 종류의 변환이 아닙니다. 완전히 동일한 DFT를 훨씬 더 효율적으로 계산하는 알고리즘들의 계열입니다:

• 직접 DFT: 연산 복잡도 ~ O(N²)
• FFT: 연산 복잡도 ~ O(N log N)

출력 X[k]는 DFT 결과와 완전히 동일하며, FFT는 대칭성과 분할 정복을 활용해 훨씬 더 빠르게 계산할 뿐입니다.

FFT가 잘하는 것과 잘하지 못하는 것

FFT가 특히 잘하는 일:

• 결정론적인 협대역 성분 찾기
  • 기본 톤, 고조파, 스위칭 주파수, 휘슬 톤, 회전 속도 관련 선 스펙트럼 등
• 광대역 분포 살펴보기
  • 노이즈 플로어, 1/f 기울기, 대역 내 전력, SNR 등
• 시스템 거동 특성화
  • 전달 함수, 공진/반공진, 코히어런스, 지연 시간 추정 등
• 시간-주파수 해석의 기반 역할
  • STFT, 스펙트로그램 등.

FFT가 잘하지 못하거나 (또는 단독으로는 충분하지 않은) 분야:

• 강하게 비정상적인(non-stationary) 신호와 "순간 주파수"
  • 치irp 신호나 빠르게 변하는 내용을 다룰 때는, 긴 기록에 대해 단일 FFT만 수행하는 것이 아니라 STFT, 웨이블릿 등 다른 시간-주파수 기법이 필요합니다
• 주파수 분해능보다 더 가까이 붙어 있는 두 개의 매우 근접한 톤을 분리하는 작업
  • 두 톤의 간격이 빈 해상도(길이 N으로 결정됨)보다 작다면, 어떤 알고리즘도 그것을 마법처럼 분리해 주지는 못합니다
• 짧은 데이터를 "긴 측정"으로 바꾸기
  • 제로 패딩은 시각적으로 스펙트럼을 보간해 줄 뿐이며, 새로운 정보를 추가하지는 않습니다

FFT 사용 전에 반드시 이해해야 할 핵심 개념

FFT를 잘 활용하려면 몇 가지 기초 개념에 대해 확실히 이해하고 있어야 합니다:

1. 샘플링 속도
2. DFT와 그 해석 방법
3. 실제로 무엇을 플로팅하는지(크기, 진폭, 전력, PSD)
4. 윈도잉과 스펙트럴 리크
5. 평균 처리

샘플링 주파수: 얼마나 높은 주파수까지 볼 수 있는가

FFT를 하기 전에 이미 하나의 중요한 결정을 내렸습니다. 바로 샘플링입니다. 연속 시간 신호 x(t)는 이산 시퀀스 x[n]=x(n/fs)로 변환됩니다. 샘플링 주파수 fs는 얼마나 높은 주파수까지 에일리어싱 없이 관측할 수 있는지를 결정하며, 이 한계가 바로 나이퀴스트 주파수 fs/2입니다.

아날로그 신호에 fs/2를 초과하는 에너지가 포함되어 있더라도 사라지지 않고, 나이퀴스트 이하 대역으로 접혀 들어가 에일리어싱을 일으킵니다. 일단 에일리어싱이 발생하면, FFT로는 이를 "되돌릴" 수 없으며 정보는 되돌릴 수 없을 정도로 섞여 버립니다.

실제로는 ADC(또는 어떤 재샘플링 단계) 앞에 안티에일리어싱 필터를 사용하여 나이퀴스트 이상 성분을 억제해야 합니다.

예: 900 Hz 사인파를 fs=1 kHz로 샘플링하면 이산 스펙트럼에서는 100 Hz 성분으로 보이는데, 이는 전형적인 에일리어싱 현상입니다.

DFT 계산과 해석

N개의 샘플 x[0]..x[N−1]이 주어졌을 때, DFT는 다음과 같이 정의됩니다:

역변환(IDFT)은 시간 영역 신호를 다시 복원합니다:

직관적으로, X[k]는 해당 빈 주파수의 복소 지수 함수와 신호가 얼마나 강하게 상관되어 있는지를 나타냅니다.

• 크기 X[k]는 그 주파수 성분이 "얼마나 많이" 존재하는지를 나타냅니다
• 위상은 다른 성분에 비해 시간 정렬이 어떻게 되어 있는지를 인코딩합니다

무엇을 플롯하고 있는가? 크기, 진폭, 전력, PSD

하나의 FFT 결과 X[k] 집합으로부터, 겉으로 보기에는 비슷하지만 서로 다른 물리량을 나타내는 여러 종류의 "스펙트럼"을 만들 수 있습니다. 이 지점에서 서로 다른 도구나 플랫폼 간에 혼란이 자주 발생합니다.

대표적인 변형은 다음과 같습니다:

• 크기 스펙트럼 |X[k]|
  • 단위는 정규화 방식에 따라 달라집니다(예: "V·samples")
  • 피크와 고조파를 찾고 전체 스펙트럼 형상을 파악하는 데 유용합니다
• 진폭 스펙트럼
  • 물리 단위(예: V)로 올바르게 스케일링된 크기 스펙트럼입니다
  • 사인파 진폭을 읽어 내거나, 보정된 측정을 수행하는 데 적합합니다
• 전력 스펙트럼 |X[k]|²
  • 마찬가지로 스케일에 따라 달라지며, 전력/에너지 비교를 일정한 규약 하에서 수행할 때 자주 사용됩니다
• 전력 스펙트럼 밀도(PSD) Sxx(f)
  • 단위 예: V²/Hz, Pa²/Hz 등
  • 노이즈 해석, 대역 전력 계산, 서로 다른 FFT 길이 간 비교 등에 사용됩니다

서로 다른 FFT 크기, 윈도우, 도구 간에 노이즈 레벨을 비교하고 싶다면, PSD(또는 진폭 스펙트럼 밀도)를 사용해야 합니다. 원시 |X| 또는 |X|² 값은 직접 비교 가능한 경우가 거의 없습니다.

구체적인 예: 시간 및 주파수에서의 두 톤 신호

서로 다른 주파수를 가진 두 개의 사인파로 구성된 신호를 가정해 보겠습니다.

• 시간 영역에서는 두 신호의 합이 "출렁이는" 파형처럼 보일 수 있습니다.
• 주파수 영역(FFT/PSD)에서는 해당 주파수에서 두 개의 뚜렷한 좁은 피크가 나타나는 것을 볼 수 있습니다.

OpenTest의 FFT 분석에서는 스펙트럼과 PSD/ASD를 나란히 시각화할 수 있어 다음과 같은 작업을 쉽게 수행할 수 있습니다:

• 톤 성분 식별
• 노이즈 분포 확인
• 동일한 주파수 그리드에서 서로 다른 운전 조건을 비교

직접 해 보세요: 무료 OpenTest 에디션을 다운로드하고, 간단한 두 톤 신호에 FFT를 실행해 두 피크가 어떻게 명확히 분리되어 보이는지 확인해 보십시오.

윈도우 함수와 스펙트럴 리크: 스펙트럼 다듬기

이론적으로 FFT는 샘플링된 블록에 정수 개의 주기가 들어 있으며, 이 블록이 주기적으로 반복된다고 가정합니다. 그러나 실제로는 기록 길이가 정수 개의 주기와 정확히 맞아 떨어지는 경우는 거의 없습니다. 이 블록을 반복하면 경계에서 불연속이 발생하고, 이로 인해 에너지가 인접한 빈으로 퍼지게 되는데, 이를 스펙트럴 리크라고 합니다.

리크를 줄이기 위해 일반적으로 FFT를 수행하기 전에 시간 영역 기록에 윈도우 함수를 곱해 줍니다. 윈도우는 동시에 다음 요소들에 영향을 줍니다:

1. 메인 로브 폭
   • 메인 로브가 넓어질수록 피크가 두꺼워져, 서로 가까운 톤을 분리하기가 더 어려워집니다
2. 사이드 로브 높이
   • 사이드 로브가 낮을수록 큰 피크 주변의 작은 피크를 더 쉽게 볼 수 있어(더 나은 다이내믹 레인지) 유리합니다
3. 진폭/에너지 스케일링
   • 윈도우는 순수 톤의 실제 진폭과 관측된 피크 값 사이의 관계뿐 아니라, 노이즈 플로어 레벨도 변화시킵니다

몇 가지 실용적인 가이드라인은 다음과 같습니다:

• 사각 윈도우
  • 기록 안에 정수 개의 주기가 포함되는 코히어런트 샘플링(일관 샘플링)이 확실하고, 가능한 한 가장 좁은 메인 로브가 필요할 때만 사용하십시오
• 해닝(Hanning, Hann) 윈도우
  • 일반 음향 및 진동 작업에서 매우 견고한 기본 선택입니다
  • Welch/PSD 기법과 함께 널리 사용됩니다
• 해밍
  • 해닝과 비슷하지만 사이드 로브 거동이 약간 다르며, 통신 분야에서 흔히 사용됩니다
• 블랙맨 / 블랙맨-해리스
  • 사이드 로브가 더 낮아 큰 피크 옆의 작은 피크를 볼 때 유용하지만, 메인 로브가 넓어지는 대가를 치르게 됩니다

OpenTest의 FFT 분석 모듈에서는 서로 다른 윈도우 함수를 손쉽게 전환해 보면서 피크 폭, 사이드 로브, 노이즈 플로어에 어떤 영향이 있는지 즉시 확인할 수 있습니다.

평균 처리: 스펙트럼을 더 안정적으로 만들기

노이즈가 크거나 비정상적인 신호의 경우, 단일 FFT 결과는 매우 "뾰족뾰족"하거나 불안정해 보일 수 있습니다. 여러 개의 스펙트럼을 평균하면 더 부드럽고 재현성 있는 결과를 얻을 수 있습니다. 일반적인 평균 방식은 다음과 같습니다:

• 선형 평균
  • 여러 FFT 결과의 단순 산술 평균입니다
• 지수 평균
  • 최근 데이터에 더 큰 가중치를 두며, 스펙트럼이 반응성은 유지하되 화면이 심하게 요동치지 않도록 하고 싶은 실시간 모니터링에 적합합니다
• 에너지(전력) 평균
  • 전력에 기반하여, 전력 관련 물리량이 일관되도록 보장합니다

좋은 평균 설정은 신호의 무작위 변동을 억제하는 것과 실제 변화를 보존하는 것 사이에서 균형을 맞춥니다.

실무에서 FFT를 사용하는 분야는 어디일까요?

오디오 및 음향

대표적인 적용 사례는 다음과 같습니다:

• 피드백 주파수, 고조파 왜곡, 장비 노이즈 플로어 탐지
• 주파수 응답(전달 함수) 측정
• 룸 모드/공진 분석
• 음성, 음악, 장비 소음의 스펙트로그램 분석

오디오/음향 분야에서는 단위와 관례를 명확히 해야 합니다:

• dB SPL, A-가중, 1/3 옥타브 밴드 등.
• FFT는 계산 엔진일 뿐이며, 보고 관례(기준값, 가중, 대역폭)는 명확하게 정의되어야 합니다.

진동 및 회전 기계

• 속도 관련 피크(1X, 2X, 기어 메쉬 주파수 등) 식별
• 서로 다른 운전 조건에서의 구조 공진과 모드 거동 분석
• 베어링 진단, 기어 와인, 불평형, 불정렬

베어링 및 기어박스 해석에서는 엔벨로프 검출/복조를 자주 사용합니다:

• 신호에 대역 통과 필터를 적용합니다
• 그 후 복조를 수행하고, 엔벨로프에 대해 FFT를 수행하여 고장 관련 주파수를 드러냅니다

회전 속도가 변하는 경우, 단순 FFT는 피크를 "번지게" 만듭니다. 이때는 오더 트래킹이나 동기 재샘플링이 더 적합하며, 이를 통해 축이 "주파수"에서 "오더"로 바뀝니다.

전력 전자 및 전력 품질

• 전원 주파수 고조파(50/60 Hz 및 그 배수), THD, 리플, 스위칭 스파이크 분석
• 사전 적합성 EMI 검사: 스펙트럴 라인, 노이즈 플로어, 대역 내 전력 확인

전력 시스템에서는 비코히어런트 샘플링이 흔한 문제입니다. 기록 길이가 정수 개의 전원 주기와 맞지 않으면, 리크로 인해 고조파 정확도가 떨어집니다. 해결책으로는 동기 샘플링, 정수 주기 윈도우, 특수 목적의 고조파 분석기 등이 있습니다.

RF 및 통신(베이스밴드 관점)

• 변조 신호의 스펙트럼과 스펙트럼 마스크 검증
• OFDM 및 다중 반송파 스펙트럼 분석, 인접 채널 누설 측정

이 영역에서는 설정의 일관성이 무엇보다 중요합니다:

• 동일한 단위 사용
• 동일한 대역폭(RBW)
• 동일한 윈도우, 검파기, 평균 방식

FFT 자체는 비교적 단순하지만, 이를 통해 서로 비교 가능한 전력 측정값을 얻으려면 매우 엄격하게 정의된 설정이 필요합니다.

이미징 및 2D 필터링

2D FFT는 동일한 개념을 이미지에까지 확장한 것입니다:

• 에지는 높은 공간 주파수에 해당하며, 매끄러운 영역은 낮은 공간 주파수에 해당합니다
• 저역통과/고역통과 필터링, 주기적 노이즈 제거, 주파수 영역에서의 컨볼루션 가속 등이 대표적인 응용입니다

여기에서도 2D에서의 주기적 연장 가정이 적용되며, 이미지 경계의 불연속은 주파수 영역에서 강한 아티팩트를 만들어 냅니다. 이를 완화하기 위해 패딩, 미러 경계, 2D 윈도우 등이 일반적으로 사용됩니다.

FFT를 일상적인 엔지니어링 도구로 만들기

수학적인 관점에서 FFT는 그리 "가벼운" 주제는 아닙니다. 하지만 엔지니어링 활용 측면에서 목표는 사실 매우 단순합니다:

신호 안에 숨겨진 내용을 더 명확하고 훨씬 빠르게 들여다보는 것입니다.

다음을 이해하고 나면:

• FFT가 실제로 무엇을 계산하는지
• 샘플링, 윈도우, 스케일링, 평균 처리가 결과에 어떤 영향을 주는지
• 언제 스펙트럼을 쓰고 언제 PSD를 써야 하는지, 그리고 여러분의 용도에서 어떤 설정이 중요한지

...그때부터 FFT는 추상적인 수학 주제가 아니라, R&D 및 검증부터 생산 테스트에 이르기까지 음향 및 진동 업무에 활용하는 실용적인 일상 도구가 됩니다.

지금 바로 다운로드하고 시작해 보십시오 -> 또는 아래 양식을 작성해 라이브 데모 일정을 잡으십시오.

www.opentest.com에서 더 많은 기능과 적용 사례를 살펴보십시오.