선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 Photo 1과 같이 자체 개발한 지진계를 대상으로 동적범위를 향상하는 방법을 제시한다. 개발된 지진계는 MEMS 공정으로 3축의 가속도계를 하나의 모듈에 일체화하였으며 최대 2g 이상의 입력이 가능하다.
- MEMS 가속도 센서의 정밀도가 높아지면 관성 항법 장치나 지진 모니터링과 같은 기존의 대형 고비용 계측 설비를 소형 저가 시스템으로 대체할 수 있다(Lee, 2014). 이를 위해선 MEMS 센서의 정지 잡음을 줄이는 것이 중요한데, 본 연구에서는 용량형 MEMS 가속도 센서의 잡음 성분을 분석하여 이를 최소화 할 수 있는 디지털 필터링 알고리즘을 개발하는데 목적이 있다.
제안 방법
- 다음으로 지진파 입력이 가해진 경우 추정 결과이다. 27Hz 정현파로 2g 입력을 가하여 LPF 통과 후 결과와 칼만필터 추정 후 결과를 비교하였다. Fig.
- 데이터 수집을 위하여 NI사의는 24bit ADC가 내장된 NI-9239 DAQ 장치를 사용하였다. NI-9239 DAQ에서 PC로 데이터를 전송하고 PC에서 제안된 알고리즘을 수행하였다.
- 본 논문에서는 Photo 1과 같이 자체 개발한 지진계를 대상으로 동적범위를 향상하는 방법을 제시한다. 개발된 지진계는 MEMS 공정으로 3축의 가속도계를 하나의 모듈에 일체화하였으며 최대 2g 이상의 입력이 가능하다. 개발된 센서에 대한 자세한 설명은 센서 개발이 본 논문의 주제가 아니므로 생략한다.
- 고주파 잡음을 제거하기위한 LPF로서 타원형 필터를 사용 하였는데 Fig. 1에 그 주파수 응답을 도시하였다. 그림에서알 수 있듯이 고주파의 잡음을 120dB이상 억제하도록 설계 하여 고주파 잡음이 충분히 제거될 것으로 판단된다.
- 이를 위하여 입력 무인가 상태에서의 센서 출력을 LPF를 통과하여 구한 저주파수 대역 잡음을 ARMA 모델로 모델링하고 시스템 식별 방법으로 그 모델을 식별하였다. 다음으로, 모델링된 잡음과 지진파 입력을 칼만필터 식에 포함하여 칼만필터에 의한 지진파입력을 추정하였다. 제안한 방법을 새로이 개발된 MEMS 기반 3축 가속도 형태의 지진계에 적용하여 성능을 검증한 결과 제안한 방법이 단순한 LPF를 사용한 경우에 비해 동적범위를 3dB 정도 더 개선시킴을 보여준다.
- 제안한 방법을 실제 시험 데이터로 검증하기 위하여 Photo 2와 같이 시험장치를 구성하였다. 무진동 테이블 위에 가진기를 장착하였으며 가진기 윗 부분에 개발된 지진계를 부착하여 가진 시험을 하였다. 시험은 배경잡음의 표준편차를 구할 때는 가진기 동작을 멈춘 정적 상태에서 데이터를 수집하였다.
- 칼만필터는 선형시불변시스템에 상태변수를 추정하는 최적필터로 알려져 있으며 여러 분야에 널리 사용되고 있다. 본 논문에서는 ARMA 모델로 표현된 저주파 잡음을 상태변수 방정식에 포함시켜 칼만필터에 의해 지진파 입력 신호를 추정한다.
- 저주파의 잡음은 신호와 같은 주파수 대역에 존재하므로 일반적인 LPF로는 억제가 불가능하다. 본 논문에서는 저주파의 잡음에 대하여 ARMA (Auto Regressive Moving Average)모델로 모델링한 후 칼만필터 방법을 사용하여 저주파 잡음을 억제하고 지진파 신호를 추정하는 방법을 제안한다.
- 저주파의 잡음에 대하여 ARMA 모델로 모델링 한 후 칼만필터 방법을 사용하여 저주파 잡음을 억제하고 지진파 신호를 추정하는 방법을 제안하였다. 이를 위하여 입력 무인가 상태에서의 센서 출력을 LPF를 통과하여 구한 저주파수 대역 잡음을 ARMA 모델로 모델링하고 시스템 식별 방법으로 그 모델을 식별하였다. 다음으로, 모델링된 잡음과 지진파 입력을 칼만필터 식에 포함하여 칼만필터에 의한 지진파입력을 추정하였다.
- 저주파의 잡음에 대하여 ARMA 모델로 모델링 한 후 칼만필터 방법을 사용하여 저주파 잡음을 억제하고 지진파 신호를 추정하는 방법을 제안하였다. 이를 위하여 입력 무인가 상태에서의 센서 출력을 LPF를 통과하여 구한 저주파수 대역 잡음을 ARMA 모델로 모델링하고 시스템 식별 방법으로 그 모델을 식별하였다.
- 정적 상태에서 시험한 데이터로 고주파수 잡음을 제거한후 예측오차법을 이용하여 ARMA 모델의 계수를 추정하였다. 추정된 모델은 AR 5차, MA 0차로 나타났다.
- 그림에서 알 수 있듯이 LPF만 통과한 데이터에 비해 ARMA 모델을 통과한 데이터는 백색화에 매우 근접하므로 추정된 ARMA 모델이 타당하다고 판단된다. 추정된 ARMA 모델의 계수로 칼만필터를 구성하고 지진파 입력을 추정하였다. 먼저 지진파 입력이 없는 동적 상태에서 추정한 결과이다.
대상 데이터
- 정현파의 주파수는 지진계 규격에서 정한 주파수 범위의 중간 정도인 27Hz를 사용하였다. 데이터 수집을 위하여 NI사의는 24bit ADC가 내장된 NI-9239 DAQ 장치를 사용하였다. NI-9239 DAQ에서 PC로 데이터를 전송하고 PC에서 제안된 알고리즘을 수행하였다.
- 무진동 테이블 위에 가진기를 장착하였으며 가진기 윗 부분에 개발된 지진계를 부착하여 가진 시험을 하였다. 시험은 배경잡음의 표준편차를 구할 때는 가진기 동작을 멈춘 정적 상태에서 데이터를 수집하였다. 입력을 인가하는 경우에는 국내 지진계 규격에서 정한 최대입력인 2g의 크기로 정현파 입력을 가하였다.
- 입력을 인가하는 경우에는 국내 지진계 규격에서 정한 최대입력인 2g의 크기로 정현파 입력을 가하였다. 정현파의 주파수는 지진계 규격에서 정한 주파수 범위의 중간 정도인 27Hz를 사용하였다. 데이터 수집을 위하여 NI사의는 24bit ADC가 내장된 NI-9239 DAQ 장치를 사용하였다.
데이터처리
- 추정된 모델로 충분히 백색화가 가능한지 확인하기 위하여 Fig. 2 및 Fig. 3에 자기상관함수(auto correlation function) 을 비교하였다. 그림에서 알 수 있듯이 LPF만 통과한 데이터에 비해 ARMA 모델을 통과한 데이터는 백색화에 매우 근접하므로 추정된 ARMA 모델이 타당하다고 판단된다.
이론/모형
- A(z) 및 C(z)의 계수를 추정하여야 하는데 시스템 식별 방법 중 잡음 백색화(whitening)에 최적방법으로 알려진 예측오차법(prediction error method)를 사용한다(Ljung, 1999). 대상 센서의 시험 데이터로부터 추정한 결과 A(z)의 차수 na = 5 그리고 C(z)의 차수 nc = 0를 사용하면 충분히 잡음이 백색화가 됨을 확인하였다.
- , 2000). 본 논문에서는 저주파 대역 잡음을 ARMA로 모델링하고 나타내고 칼만필터 방법으로 입력 신호를 추정하는 방법을 사용한다.
성능/효과
- 이 경우에는 추정되는 값이 배경잡음으로 그 표준편차를 Table 1에 나타내었다. 결과를 보면 센서 출력에 비해 LPF 통과 후 배경잡음이 약 0.5배 감소하며 칼만필터 통과 후에는 약 0.35배로 감소함을 알 수 있다.
- 4에 센서 출력 데이터, LPF 통과 데이터, 칼만필터 통과 데이터를 도시하였다. 결과를 보면 칼만필터 추정값은 센서 출력 및 LPF 통과 데이터와 잘 일치함을 보여준다.
- 표에서 알 수 있듯이 센서 출력에 비해 LPF 통과 후 6dB정도 개선되었으며 칼만필터 통과 후는 9dB 정도 개선됨을 알 수 있다. 그러므로 제안된 ARMA 모델링 및 칼만필터 방법은 흔히 사용하는 LPF 방법보다 동적범위를 더 개선시킬 수 있는 방법임을 알 수 있다.
- A(z) 및 C(z)의 계수를 추정하여야 하는데 시스템 식별 방법 중 잡음 백색화(whitening)에 최적방법으로 알려진 예측오차법(prediction error method)를 사용한다(Ljung, 1999). 대상 센서의 시험 데이터로부터 추정한 결과 A(z)의 차수 na = 5 그리고 C(z)의 차수 nc = 0를 사용하면 충분히 잡음이 백색화가 됨을 확인하였다.
- 다음으로, 모델링된 잡음과 지진파 입력을 칼만필터 식에 포함하여 칼만필터에 의한 지진파입력을 추정하였다. 제안한 방법을 새로이 개발된 MEMS 기반 3축 가속도 형태의 지진계에 적용하여 성능을 검증한 결과 제안한 방법이 단순한 LPF를 사용한 경우에 비해 동적범위를 3dB 정도 더 개선시킴을 보여준다.
- 그러므로 동적범위를 식 (1)에 의해 구해보면 Table 2와 같다. 표에서 알 수 있듯이 센서 출력에 비해 LPF 통과 후 6dB정도 개선되었으며 칼만필터 통과 후는 9dB 정도 개선됨을 알 수 있다. 그러므로 제안된 ARMA 모델링 및 칼만필터 방법은 흔히 사용하는 LPF 방법보다 동적범위를 더 개선시킬 수 있는 방법임을 알 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.