오디오 데이터를 사용할 경우, 주변 환경에서 발생하는 배경소음으로 인해 결과 및 모델의 성능에 영향을 미칠 수 있다.

이를 해결하기 위한 전처리 방법으로 스펙트럼 노이즈 게이트(spectral noise gate) 알고리듬을 사용한다. 스펙트럼 노이즈 게이트 알고리듬은 데이터에 포함된 배경소음을 제거하기 위한 전처리 방법이다. 이 방법은 실제 자연 환경에서 새 소리를 판별하는 목적으로 측정한 오디오 데이터의 배경소음 제거에 활용된 바 있다^(7,8).

스펙트럼 노이즈 게이트 알고리듬은 Fig. 2와 같이 노이즈 프로파일 구축 단계와 배경소음 제거 단계로 이루어져있다.

Fig. 2 
Spectral noise gate

① 노이즈 프로파일 구축 단계

배경소음 신호를 짧은 시간 간격의 프레임 단위로 분할하고 분할된 각 프레임에 대하여 주파수 스펙트럼을 계산하는 국소 푸리에 변환(short time fourier transform, STFT)을 수행한다. 국소 푸리에 변환을 통해 계산된 각 프레임에 대한 주파수 스펙트럼의 임계값을 통계학의 3시그마 규칙을 활용한 식 (1)을 사용하여 계산하고 이를 노이즈 프로파일로 사용한다.

식 (1)에서 μ와 σ는 국소 푸리에 변환을 통해 계산된 각 프레임에 대한 주파수 스펙트럼의 크기에 대한 평균과 표준편차이다.

② 배경소음 제거 단계

노이즈 프로파일 구축단계와 동일하게 국소 푸리에 변환을 수행한다. 국소푸리에 변환을 통해 계산된 각 프레임에 대한 주파수 스펙트럼에 대하여 노이즈 프로파일보다 작은 주파수 성분을 제거한다. 이러한 과정을 거친 신호에는 가우시안 분포 형태의 노이즈가 포함된다. 이를 제거하기 위하여 가우시안 스무딩 필터를 사용한다⁽⁹⁾.

이 논문에서 소음 진단을 위해 적용한 특징 추출 방법은 Fig. 3과 같다.

Fig. 3 
Feature extraction for a proposed motor noise classification method

① MFCC 특징 추출

측정한 소음 데이터에 대한 MFCC 특징을 Fig. 4의 순서를 따라 추출한다. 우선 입력된 신호를 짧은 시간 간격 단위의 프레임으로 분할하고 윈도우 함수를 사용하여 분할된 각 프레임 간의 불연속 지점에서 발생할 수 있는 신호의 비주기성과 스펙트럼의 누출을 최소화한다. 그리고 분할된 각 프레임에 대한 주파수 특성을 계산하기 위해 FFT(fast fourier transform) 변환을 적용한다. 이어서 사람의 청각에서 소리를 해석하는 방식을 반영하기 위하여 멜 필터뱅크(mel-filter bank)를 적용하고 진폭을 로그 스케일로 변환한다. 마지막으로 이산 코사인 변환(discrete cosine transform, DCT)을 사용하여 MFCC 계수를 추출한다. 이 때, 경험적으로 0 ~ 13차수의 MFCC 계수를 활용했을 때 가장 성능이 우수하다고 알려져 있기 때문에 0 ~ 13차수의 MFCC 계수를 소음 진단 모델의 입력 데이터로 활용한다^(10,11).

Fig. 4 
MFCC feature extraction process

② 스케일링 및 데이터 병합

기어모터의 소음원 및 기어의 구동방향 등에 따라 특징 데이터 값의 범위가 다르기 때문에 이를 그대로 사용할 경우 머신러닝 모델의 학습 속도 및 성능이 저하될 수 있다. 이를 위해 계수 값의 범위를 0~1 사이가 되도록 일치시키는 스케일링(scaling) 과정을 적용한다. 또한 모터의 구동 방향에 따른 모터 소음의 특성이 다르기 때문에 각 구동 방향에 대한 특징 데이터를 하나로 병합하여 소음 진단 모델의 입력 데이터로 사용한다.

소음 데이터 획득을 위한 모터 샘플을 제작하기 위하여 대상으로 선정한 기어모터의 구조 및 소음원을 파악하였다. 대상으로 선정한 기어모터는 Fig. 6과 같이 영구자석을 사용한 DC모터의 회전자에 2 쌍의 웜기어가 연결된 구조이다. 이러한 기어모터의 소음은 영구자석을 사용한 DC모터의 소음원과 기어치차의 가공, 기어축의 배열, 모터관성축의 편심, 윤활상태 등에 의해 복합적으로 발생하게 된다.

Fig. 6 
Geared motor

이 연구에서는 DC모터의 주된 소음원인 브러쉬와 정류자 표면의 동적 상호작용으로 인해 발생하는 브러쉬 소음, 각 웜기어 쌍에 대한 표면 윤활 처리, 기어 하우징 캡의 조립, 기어의 축간거리 불량 등의 소음원을 가지는 각각의 모터 샘플 세트를 제작하였다. 각 샘플을 제작할 때는 특정한 소음원만 가지도록 하고 기타 기어모터의 내부 부품 가공 및 조립 등은 합격품의 수준을 만족하도록 제작하였다.

데이터 수집을 위한 소음 측정은 외부 소음이 차단된 무향실에서 진행하였다. 제작한 모터 샘플을 사용하여 무부하 상태에서 정회전, 역회전으로 구동할 때 발생하는 소음을 1.5초 간 측정하였다. 또한 모터를 구동하지 않은 상태에서 무향실 내부의 소음 측정 장치, 전원공급 장치 등에서 발생하는 배경소음을 측정하여 배경소음 제거를 위한 스펙트럼 노이즈 게이트의 노이즈 프로파일 구축에 활용하였다.

측정한 모터 소음 데이터에는 사용하고자 하는 모터 소음을 포함하여 무향실 내부의 소음 측정 장치, 전원공급 장치 등에서 발생하는 배경소음이 포함되어 있다. 배경소음은 측정 환경에 따라 그 특성이 다를 수 있으며 소음 진단 과정에서 배경소음으로 인한 영향을 최소화하기 위해 스펙트럼 노이즈 게이트 알고리듬을 적용하였다.

측정한 배경소음 데이터를 활용하여 Fig. 7과 같이 노이즈 프로파일을 구축하였다. 배경소음은 100 Hz대역의 저주파수 대역과 4 kHz 이상의 고주파 대역 성분을 일부 포함하고 있다. Fig. 8은 모터 소음 데이터의 시간에 따른 주파수 특성을 시각화하여 나타낸 스펙트로그램(spectrogram)이다. 스펙트럼 노이즈 게이트 알고리듬을 적용하기 전(a)과 후(b)를 비교했을 때, 특히 일부 고주파 대역 성분의 특성이 제거된 것을 확인할 수 있다.

Fig. 7 
Background noise profile

Fig. 8 
Motor sound spectrogram (noise reduction)

각 구동방향에 대하여 측정한 신호를 130개의 프레임으로 분할하여 각 프레임에 대한 MFCC 특징을 추출하였다. 이 때, 모델의 학습 속도 및 성능이 저하되는 현상을 방지하기 위해 각 계수값의 범위가 0 ~ 1이 되도록 조정하였다. 또한 구동 방향에 따른 소음의 특성을 동시에 고려하기 위하여 각 구동방향에 대한 데이터를 병합하여 13×260 크기를 갖는 특징 데이터를 추출하여 학습에 사용하였다.