시간 스케일링 정리

라플라스 변환 이론에서 시간 스케일링 정리는 매우 중요한 성질이다. 이 정리는 함수의 시간 축을 늘리거나 줄이는 변환이 라플라스 영역에서 어떤 형태로 나타나는지를 명확하게 보여준다. 이를 통해 시간축 변형에 대한 직관적 이해뿐 아니라, 전달 함수 해석이나 신호 처리 과정에서의 스케일 변화 등을 엄밀히 다룰 수 있다. 우선 이 정리를 정확히 진술하고 관련된 가정(예: $t \ge 0$에 대한 정의, 지수적 유계성 등)을 명시하는 것으로 시작한다.

시간 스케일링 정리의 진술

시간 스케일링 정리에 따르면, 정의역이 $t \ge 0$인 신호 $f(t)$가 주어졌을 때, $a>0$인 양의 스칼라에 대해 $f(at)$의 라플라스 변환은 원함수 $f(t)$의 라플라스 변환과 다음과 같은 관계를 갖는다.

$$\mathcal{L}\{f(at)\}(s) = \frac{1}{a} F\!\Bigl(\frac{s}{a}\Bigr)$$

여기서 $F(s) = \mathcal{L}{f(t)}(s)$이다. 이때의 중요 포인트는 시간축을 $a$배로 압축 또는 확장하는 행위가 주파수 영역(라플라스 영역)에서는 스케일 파라미터 $a$에 반비례하는 형태의 보정이 들어간다는 점이다. 수식의 $\frac{1}{a}$ 계수는 스케일 변화가 적분 구간에 미치는 영향을 반영한다.

이를 더욱 엄밀히 이해하기 위해서는 시간 스케일링에 따른 적분 구간 변화와 변수 치환 과정을 살펴보아야 한다. $f(at)$의 라플라스 변환은 정의에 따라 다음 적분으로 표현된다.

$$\mathcal{L}\{f(at)\}(s) = \int_{0}^{\infty} f(at) e^{-st} \, dt$$

여기서 변수 치환을 $u = at$로 두고, 따라서 $t = \frac{u}{a}$, $dt = \frac{du}{a}$로 바꾸어 적분을 다시 쓰면

$$\int_{0}^{\infty} f(at) e^{-st} \, dt = \int_{0}^{\infty} f(u) e^{-s \frac{u}{a}} \frac{du}{a} = \frac{1}{a} \int_{0}^{\infty} f(u) e^{-\frac{s}{a} u} \, du = \frac{1}{a} F\!\Bigl(\frac{s}{a}\Bigr)$$

이라는 결과를 얻는다. 이렇게 얻어진 식이 바로 시간 스케일링 정리를 표현한다.

라플라스 변환은 일반적으로 실수 부분이 어느 정도 큰 $s$에서만 정의된다. 스케일링 변환을 적용하면, 원함수의 지수적 유계성 조건에 따라 변환의 수렴 범위가 달라질 수 있다. 예를 들어, $f(t)$가 $s=\sigma_0$ 이상에서 수렴한다고 할 때, $f(at)$가 갖는 라플라스 변환의 수렴 범위는 $s/a=\sigma_0$ 즉 $s=\sigma_0 a$ 이상에서 수렴하게 될 수 있다. 이런 형태로 영역이 바뀔 수 있으므로, 시간 스케일링 정리를 사용할 때에는 변환의 수렴 영역(Region of Convergence, ROC)을 주의 깊게 확인해야 한다.

직관적 이해와 파형 해석

시간 스케일링 정리를 직관적으로 바라보면, 예를 들어 $f(at)$에서 $a>1$이라면 $f(t)$의 시간축을 압축하여 더 짧은 구간에 신호가 몰려 있게 된다. 이 경우 라플라스 변환에서는 $\frac{1}{a} F!\bigl(\frac{s}{a}\bigr)$ 형태가 되어, 주파수 축(혹은 $s$-영역)을 넓히는 효과와 동시에 $\frac{1}{a}$ 배만큼 진폭 보정을 하게 된다. 반대로 $0<a<1$인 경우에는 시간축이 늘어나는 효과가 있고, 변환 결과에서는 해당 축에 맞는 보정이 이루어진다.

이 과정을 더 시각적으로 표현하면 아래와 같은 개략적 흐름으로 이해할 수 있다.

시간 스케일링 정리를 통해 우리는 신호가 시간축에서 어떤 식으로 변형되더라도, 변환 영역에서는 비교적 간단한 형태의 스케일 파라미터 변화로 이해할 수 있음을 알 수 있다. 이는 라플라스 변환이 다른 적분 변환(예: 푸리에 변환)과 유사한 특성을 공유하고 있음을 보여주기도 한다. 특히 푸리에 변환에서도 시간 스케일링은 주파수 영역에서 역비례 스케일링과 진폭 보정을 유도한다는 점에서 본질적인 공통점이 있다.

더 확장된 관점

시간 스케일링 정리는 단순히 신호의 시간 늘림이나 압축에 대한 대응만을 의미하지 않는다. 전달 함수 해석이나 회로 해석에서 임펄스 응답 함수가 특정 상수배로 ‘느려지거나 빨라질 때’가 중요한 상황이 많다. 이를테면 어떤 회로의 시정수가 $RC$에서 $kRC$로 바뀌었을 때, 그에 따른 응답이 어떻게 변화하는지 등의 문제에서 시간 스케일링 정리가 직접적으로 응용된다.

스케일 인자가 실제 시스템에서 양의 실수에 국한되지 않고 복소수(예: 특정 위상 변화를 수반)로 확장되는 경우도 있으나, 물리적으로 실현되는 시간 스케일 변환은 주로 양의 실수로 한정되어 논의된다. 한편, 이 정리를 보다 일반화하여 양방향(음수 시간 포함) 영역의 적분 변환이나 분포(distribution) 이론으로까지 확장할 수도 있지만, 표준적 라플라스 변환 이론에서는 $t \ge 0$를 전제로 논의한다.

이렇게 다양한 각도에서 살펴본 시간 스케일링 정리는 라플라스 변환을 다루는 핵심적인 도구 중 하나다. 적분의 정의, 변수 치환, 그리고 수렴 영역 확인의 세 가지 관점이 종합적으로 고려되어야 완전한 이해가 가능하다.

예시 함수를 통한 구체적 해석

시간 스케일링 정리를 보다 구체적으로 이해하기 위해, 간단한 예시 함수를 들어 살펴보면 도움이 된다. 예를 들어 $f(t) = e^{-2t}u(t)$ 라는 함수를 생각하자. 여기서 $u(t)$는 단위 계단 함수(Heaviside step function)로, $t < 0$에서 0이고 $t \ge 0$에서 1이 된다. 이 함수의 라플라스 변환은 잘 알려져 있다.

$$F(s) = \mathcal{L}\{e^{-2t}u(t)\}(s) = \int_{0}^{\infty} e^{-2t} e^{-st} dt = \int_{0}^{\infty} e^{-(s+2)t} dt = \frac{1}{s+2}, \quad \Re(s) > -2.$$

만약 $f(t)$가 $f(at) = e^{-2(at)} u(t)$ 형태가 된다면, 즉 $a>0$인 경우,

f(at)=e−2atu(t).f(at) = e^{-2a t} u(t).

이 신호의 라플라스 변환은 시간 스케일링 정리에 의해

$$\mathcal{L}\{f(at)\}(s) = \mathcal{L}\{e^{-2a t}u(t)\}(s) = \frac{1}{a} F\!\Bigl(\tfrac{s}{a}\Bigr).$$

즉,

$$= \frac{1}{a} \cdot \frac{1}{\frac{s}{a} + 2} = \frac{1}{a} \cdot \frac{a}{s + 2a} = \frac{1}{s + 2a}.$$

여기서 따로 변환을 새로 적분해서 구하지 않고도, 시간 스케일링 정리를 사용하면 바로 결과에 도달할 수 있다. 실제로 직접 적분을 시도해 보면

$$\int_{0}^{\infty} e^{-2a t} e^{-st} dt = \int_{0}^{\infty} e^{-(s + 2a)t} dt = \frac{1}{s+2a}, \quad \Re(s) > -2a,$$

가 되어 위 식과 동일함을 확인할 수 있다. 이 과정에서 $\frac{1}{a} F!\bigl(\frac{s}{a}\bigr)$ 공식을 다시 한 번 체감할 수 있다.

복합 변환과 시간 스케일링

시간 스케일링은 다른 연산과 결합되어 실제 문제에서 자주 등장한다. 예를 들어 시간 지연(time shifting)과 함께 적용되는 경우를 생각해 볼 수 있다. 어떤 함수 $f(t)$에 대해 다음과 같은 연산을 고려한다.

$$g(t) = f(a(t - t_0)) u(t - t_0), \quad a>0, \; t_0>0.$$

이 함수의 라플라스 변환을 구하고자 할 때, 먼저 시간 지연 정리에 의해 $f(t) u(t - t_0)$ 형태라면 $e^{-s t_0} F(s)$가 된다. 여기에 더하여 $f(a(t - t_0))$가 되면 시간 스케일링 정리까지 함께 고려해야 한다. 즉,

1. $t \mapsto t - t_0$에 따른 지연 연산.

2. $t \mapsto at$에 따른 스케일링 연산.

이 두 연산이 결합되면, 정확한 라플라스 변환은 단순 합성 형태로 이어지지 않고, $t$의 영역에서 먼저 어떤 연산을 수행했는지에 따라 달라진다.

구체적으로는, $g(t)$가 $t\ge t_0$에서 정의되는 형태이므로, 변수 치환 시점에 대한 적절한 변환 순서를 따져야 한다. 보통은 지연 후에 스케일링을 고려할 것인지, 스케일링 후에 지연을 고려할 것인지 등에 따라 적분 설정이 달라질 수 있으므로 주의 깊은 검토가 필요하다. 만약 $g(t) = f(a(t - t_0))u(t - t_0)$라면, 엄밀히 적분을 수행해 보면

$$\mathcal{L}\{g(t)\}(s) = \int_{0}^{\infty} f(a(t - t_0)) u(t - t_0) e^{-st} \, dt.$$

여기서 적분 구간은 $t \ge t_0$로 축소된다(단위 계단 함수 $u(t - t_0)$ 때문). 변수 치환 $u = a(t - t_0)$를 적용할 때, $t = \frac{u}{a} + t_0$가 되며, $dt = \frac{1}{a}du$가 된다. 적분 한계도 $t=t_0$일 때 $u=0$, $t \to \infty$일 때 $u \to \infty$이므로

$$\int_{t_0}^{\infty} f(a(t - t_0)) e^{-s t} dt = \int_{0}^{\infty} f(u) e^{-s(\frac{u}{a} + t_0)} \frac{du}{a}.$$

이는

$$= e^{-s t_0} \int_{0}^{\infty} f(u) e^{-\frac{s}{a} u} \frac{du}{a} = e^{-s t_0} \frac{1}{a} F\!\Bigl(\tfrac{s}{a}\Bigr),$$

로 요약된다. 결국

$$\mathcal{L}\{f(a(t - t_0)) u(t - t_0)\}(s) = e^{-s t_0} \frac{1}{a} F\!\Bigl(\tfrac{s}{a}\Bigr).$$

이 식은 지연 연산과 시간 스케일링 연산이 합성될 때 발생하는 라플라스 변환의 형태를 잘 보여 주는 예다.

선형 시스템 해석과 시간 스케일링

시간 스케일링 정리는 선형 시불변(Linear Time-Invariant, LTI) 시스템의 해석에도 적용할 수 있다. LTI 시스템에서 임펄스 응답이 $h(t)$라면, 그 시스템의 입력 $x(t)$에 대한 출력 $y(t)$는 컨벌루션(합성곱)

$$y(t) = \bigl(x * h\bigr)(t) = \int_{0}^{t} x(\tau) h(t-\tau)\, d\tau$$

(양방향이 아니라 $t \ge 0$만을 다룬다면 적분 한계가 달라질 수 있지만, 개념은 유사하다)으로 구해진다. 이를 라플라스 변환으로 보면

$$Y(s) = X(s) H(s),$$

라는 간단한 곱셈 관계가 성립한다. 만약 시간이 스케일링된 입력 $\tilde{x}(t) = x(a t)$가 들어가거나, 임펄스 응답이 스케일링된 $\tilde{h}(t) = h(a t)$인 경우 등을 생각하면, 시스템 해석에서 각기 다른 파형 특성의 관계를 라플라스 영역에서 손쉽게 찾을 수 있다.

예를 들어, $h(t)$가 어떤 지수 응답 형태라 가정하고(예: $h(t) = e^{-2t}u(t)$), 그 시스템이 $x(t) = e^{-3t}u(t)$ 같은 입력을 받을 때 출력 $y(t)$의 스케일링된 변형이 필요한 상황을 가정해 볼 수 있다. 이때 각 신호와 시스템 특성을 라플라스 영역에서 비교적 간단히 다룰 수 있으며, 시간 스케일링 정리가 적용되어 적분 구간 변화에 대한 수고를 대폭 줄여준다.

역변환과 스케일링

시간 스케일링 정리는 라플라스 변환에서뿐 아니라 역변환 측면에서도 중요한 함의를 가진다.

예를 들어, 어떤 변환 쌍 $f(t) \leftrightarrow F(s)$가 있다고 할 때, $F!\bigl(\frac{s}{a}\bigr)$를 역변환하면 어떤 결과가 나오는가를 묻는다면, 시간 스케일링 정리를 역으로 적용해서

$$\mathcal{L}^{-1}\Bigl\{F\!\bigl(\tfrac{s}{a}\bigr)\Bigr\} = a \cdot f(a t) \, u(t)$$

(여기서 $u(t)$는 $t \ge 0$에서만 고려하는 전제) 의 형태로 해석할 수 있다. 사실상

$$\mathcal{L}\{a f(a t)\}(s) = F\!\Bigl(\tfrac{s}{a}\Bigr),$$

임을 보여 주는 것이다. 이처럼 변환과 역변환이 서로 대칭적인 구조를 갖는 점은, 스케일링 정리가 적분 변환의 형태 자체에서 유도된 본질적인 성질임을 다시금 확인시켜 준다.

시간 스케일링 정리의 실용적인 응용은 매우 광범위하다. 시스템 식별부터 제어 이론, 디지털 신호처리에서의 $z$-변환 해석(연속 → 이산 전환 시 샘플링과 스케일링의 관계) 등에 이르기까지, 적절히 변형된 상태 함수를 다룰 때 라플라스 변환의 스케일링 성질이 중요한 역할을 한다.

수렴 영역(ROC)과 시간 스케일링

라플라스 변환에서 중요한 요소之一은 수렴 영역(Region of Convergence, ROC)이다. 시간 스케일링 정리를 적용할 때에는, 원함수의 ROC가 어떻게 바뀌는지도 엄밀히 살펴봐야 한다. 함수 $f(t)$가 $s > \alpha$ (또는 $\Re(s) > \alpha$)에서 라플라스 변환이 수렴한다고 하자. 그러면 $f(at)$의 라플라스 변환은 $1/a \cdot F(s/a)$가 되는데, 이 변환의 ROC는 일반적으로 $\Re(s/a) > \alpha$, 즉 $\Re(s) > \alpha a$로 바뀌게 된다.

일상적인 물리계(회로, 기계계 등)에서는 시간 스케일 변화를 적용해도 $a>0$인 실수 스케일링이 대부분이며, 이때는 ROC 경계가 단순히 $s$의 축에서 $a$배 확장 또는 축소되는 꼴을 보이게 된다. 그러나 $a$가 복소수인 경우, 혹은 분산계(distributed system)나 미분 방정식의 해석에서 보다 일반적인 스케일링(예: 비정상 편미분 방정식에서의 특성 시간 조정) 등을 고려할 때에는, ROC 해석이 더 복잡해질 수 있다. 그러나 표준적 라플라스 변환 이론에서는 $a>0$로 한정된 상황에 집중하므로, 보통은 $\Re(s) > \alpha a$ 형태의 단순화가 성립한다.

시간 스케일링 정리를 통해 ROC가 이동한다는 사실은, 특히 시스템 이론에서 안정성과 연관하여 해석될 때 유용하다. 예를 들어, 어떤 회로나 시스템의 임펄스 응답이 $f(t)$라 했을 때, ROC 내에 $s=0$이 포함되면 그 시스템이 BIBO 안정적(Bounded Input Bounded Output stable)임을 의미한다. 만약 시간 축이 $a>1$로 스케일링된 $f(at)$에 대해 라플라스 변환을 구하면, ROC 경계가 $s=\alpha a$ 등으로 이동하여 안정성 여부도 달라질 수 있다. 물론 실제 물리 시스템에서 시정수가 단순히 $a$배가 되면, 동일 계통으로 볼 때는 '빠른 시스템' 혹은 '느린 시스템' 정도로만 구분할 것이므로, 안정성 그 자체가 바뀌지는 않을 수도 있다. 그러나 엄밀한 수학적 정의와의 연관성을 살피는 차원에서 ROC 변화를 눈여겨볼 필요가 있다.

분포(Generalized Functions)와 시간 스케일링

시간 스케일링 정리는 분포(distribution) 이론으로 확장할 수도 있다. 예를 들어, 디랙 델타 함수 $\delta(t)$는 다음과 같은 라플라스 변환 쌍을 갖는다.

$$\delta(t) \;\; \longleftrightarrow \;\; 1.$$

그렇다면 $\delta(at)$에 대한 라플라스 변환을 시간 스케일링 정리에 따라 어떻게 해석할 수 있을까. 일반적으로

$$\delta(at) = \frac{1}{|a|} \, \delta(t), \quad a \neq 0,$$

라는 성질을 통해, $a>0$인 경우,

$$\delta(at) = \frac{1}{a} \delta(t).$$

즉, 시간 스케일링이 델타 분포의 진폭을 $1/a$배로 조정하는 효과가 있음을 알 수 있다. 따라서 $\delta(at)$의 라플라스 변환은

$$\mathcal{L}\{\delta(at)\}(s) = \int_{0}^{\infty} \delta(at) e^{-st} dt = \int_{0}^{\infty} \frac{1}{a}\delta(t) e^{-st} dt = \frac{1}{a} \cdot 1 = \frac{1}{a},$$

가 된다(적분 구간이 $[0,\infty)$임에 주의). 시간 스케일링 정리를 곧바로 적용해도, $f(t) = \delta(t)$인 상황에서 $F(s)=1$이고, $f(at)=\delta(at)$의 라플라스 변환은 $1/a \cdot F(s/a) = 1/a \cdot 1 = 1/a$로 해석 가능하다. 이는 배경에 있는 '분포 이론에서의 스케일링 성질'과 그대로 부합한다.

이처럼 분포까지 포함하여 생각하면, 임펄스 응답이나 초기치 문제에서의 순간 입력 등을 스케일링하는 상황을 좀 더 일반적으로 다룰 수 있다. 특히 펄스(pulse) 형태 신호들이 극도로 좁아지거나 넓어질 때, 스케일링 정리가 분포적인 관점과 어떻게 맞물리는지 살펴볼 필요가 있는데, 이는 라플라스 변환 해석이 확장되는 사례 중 하나로 볼 수 있다.

주파수 영역 해석과의 유사성

라플라스 변환은 복소 주파수 영역에서의 적분 변환이므로, 실수 축만 고려하는 푸리에 변환과 밀접한 유사성을 가진다. 푸리에 변환에서 시간축 스케일링(예: $f(at)$)은 주파수축에서 $1/|a|$의 스케일링 및 진폭 보정을 가져온다. 라플라스 변환에서도 $s$를 복소 주파수로 해석할 때, 시간축 스케일링이 $s$축에서의 스케일 파라미터 반비례로 나타나는 부분은 푸리에 변환과 동일한 구조를 공유한다.

때로는 $s = \sigma + j\omega$ 형태로 놓아 $\omega$에 대한 해석을 강조하는 경우도 있는데, 이때 시간 스케일링 정리는 결국 $\omega \mapsto \omega / a$ 그리고 $\sigma \mapsto \sigma / a$를 가져온다. 따라서 $\sigma$와 $\omega$가 동시에 스케일링되어, 실수부 및 허수부가 똑같이 $1/a$ 배로 줄어드는 변환이라고 이해할 수 있다. 이런 관점은 $\mathcal{Z}$-변환이나 양자화된 시간 domain에서의 해석에서도 응용된다.

라플라스 변환을 비롯한 적분 변환 전반에서 이러한 스케일링 성질이 나타나는 이유는, 본질적으로 적분 변수 치환 $u = at$에 따른 $dt = du/a$가 가져오는 구조 때문이다. 적분 변환의 커널(kernel)이 $e^{-st}$와 같은 지수함수 형태로 주어지면, 스케일링이 $\frac{1}{a}$ 계수 및 $s \to s/a$ 대체를 야기하는 것은 자연스러운 귀결이다.

응용: 회로 및 시스템 동작 주기의 조정

실무적으로는, 회로 해석에서 커패시터나 인덕터가 포함된 1차 또는 2차 시스템의 특성 방정식을 시간 스케일링하는 사례가 흔히 발견된다. 예를 들어 어떤 RC 회로에서 $v_C'(t) + \frac{1}{RC} v_C(t) = \frac{1}{C} i(t)$라는 미분 방정식이 성립한다면, $t \mapsto a t$의 스케일링을 적용했을 때 새로운 시정수 $\frac{R'}{C'} = a \frac{R}{C}$와 같은 식으로 바뀌는 상황을 만날 수 있다.

이때 라플라스 변환에서는 시간 스케일링 정리에 따라, 임펄스 응답 $h(t)$가 $h(a t)$ 형태로 변형되면 그 라플라스 변환이 $\frac{1}{a}H(\frac{s}{a})$가 되므로, 전달함수(Transfer Function) 차원에서 보면 주파수 변수가 $s \mapsto s/a$ 형태로 이동하게 된다. 그 결과, 시스템의 극점이나 영점(pole, zero)이 $s$-평면 상에서 스케일 팩터 $a$만큼 이동한 위치로 나타날 수 있으므로, 시정수와 관련한 동적 거동(응답 속도, 과도응답 특성 등)이 달라짐을 시각화하기가 훨씬 쉬워진다.

라플라스 변환 관점에서 극점이 $-p$에 있다면, 시간 스케일링이 $a>1$일 때는 그 극점이 $-!p,a$로 옮겨가는 해석이 가능하다. 이는 시스템이 더 빠른 응답을 보이거나(극점이 왼쪽으로 이동) 더 느려진 응답(극점이 원점에 가까워짐) 등으로 나타날 수 있으므로, 실제 엔지니어링 문제에서 주파수 응답 및 안정성 분석 시 유용하게 쓰인다.

고차원 라플라스 변환과 시간 스케일링

시간 스케일링 정리는 1차원 시간 변수 $t$에 대해서만 유효한 것은 아니다. 물리학이나 공학의 다양한 분야에서, 시간뿐 아니라 공간 좌표나 여러 상태 변수를 함께 고려해야 하는 경우가 생긴다. 예를 들어, 2차원 편미분 방정식으로 묘사되는 열전달 문제나 파동 문제에서, 라플라스 변환이 시간 변수에 대해서만 취해지고 공간 좌표는 그대로 유지되는 식의 해석을 흔히 볼 수 있다. 그런데 시스템이 특정 공간축이나 기타 매개변수에 대해 스케일 변화가 발생한다고 하면, 이 또한 라플라스 변환과 결합하여 더 복합적인 형태로 나타날 수 있다.

물론 이러한 고차원적 확장은 표준적인 라플라스 변환 정의(하나의 실수 변수 $t \ge 0$에 대한 적분)에서 바로 벗어나므로, 보통 ‘단변수 라플라스 변환’이 아니라 ‘다변수 라플라스 변환’(예: 이중 라플라스 변환) 등을 별도로 정의한다. 그럼에도 불구하고, 변수 치환에 따른 적분 구조 자체는 크게 달라지지 않기 때문에, 시간 스케일링 정리와 유사한 형태의 스케일링 성질이 유지된다. 다만 이때는 대상 변수나 적분 영역, 수렴 조건 등이 더 복잡하게 얽힐 수 있어서, 각 문제의 맥락에 맞추어 엄밀히 정의를 확장해야 한다.

샘플링과 시간 스케일링

실제 디지털 신호처리 관점에서 라플라스 변환은 아날로그 도메인의 해석 도구이고, 이를 샘플링하여 $z$-변환이나 이산 푸리에 변환(Discrete-Time Fourier Transform, DTFT) 등으로 연결하는 과정을 자주 거치게 된다. 이때 샘플링 주기를 $T$라 하면, $t = nT$로의 이산화(샘플링)가 일종의 ‘스케일링 및 이산화’로 볼 수도 있다. 시간 스케일링 정리 자체가 직접적으로 적용되는 건 아니지만, 아날로그 신호가 $f(t)$에서 $f(at)$로 스케일링되었을 경우, 샘플링된 신호의 스펙트럼이나 $z$-도메인에서의 극점 배치가 어떻게 달라질지 등을 해석할 때, 라플라스 변환 스케일링 성질이 통찰을 제공한다.

예를 들어, 아날로그 신호의 라플라스 변환을 이용해 시스템 해석을 마친 뒤, 해당 시스템을 디지털로 구현하고자 할 때, bilinear transform(쌍선형 변환)이나 임펄스 불변 변환(Impulse Invariant Transform) 등을 사용하는 과정에서 시간 스케일 조정이 중요하게 작용한다. 라플라스 도메인의 극점들이 이산 영역으로 맵핑될 때, 스케일 파라미터가 다시 한번 조정되어 원하는 주파수 응답을 얻도록 맞추는 식이다. 이렇듯 시간 스케일링 정리는 이산화 또는 디지털 필터 설계 과정에서도 간접적으로 적용되고 있다.

시간 축 압축과 가우시안 신호

가우스 함수 $g(t) = e^{-t^2}$는 이론적으로 푸리에 변환에서 자기 유사(self-similar)한 특성을 갖지만, 라플라스 변환도 정의해볼 수 있다. 실제로 $e^{-t^2}$ 형태의 적분은 일반적인 유리함수나 지수함수 변환에 비해 훨씬 복잡해지지만, 변수 치환을 통해 시간 스케일링이 작동하는 구조는 여전히 유지된다.

시간 스케일링 $g(at) = e^{-a^2 t^2}$를 라플라스 변환으로 옮겨 보면, 지수부에 $-a^2 t^2$가 들어가므로 단순 지수함수보다는 복잡한 적분 형태가 되지만, 여전히 변수 치환 $u = a t$에 따른 $\frac{1}{a}$ 계수와 $s \to s/a$ 관계가 유지됨을 확인할 수 있다. 물론 이 경우 수렴 영역이나 변환식이 표준적 형태로 간단하게 떨어지지 않으므로, 특별한 함수를 정의하거나 테이블을 참조해야 한다. 그럼에도, “적분 정의 + 변수 치환”이라는 기본 구조만 놓고 보면, 시간 스케일링 정리의 골격은 그대로 작동한다고 볼 수 있다.

다른 연산과의 결합

라플라스 변환에서 시간 스케일링은 접선(微分, 적분), 시프트(지연), 곱셈, 합성곱 등 여러 연산과 결합될 수 있다. 예를 들어, 미분에 대한 라플라스 변환 공식

$$\mathcal{L}\{f^{(n)}(t)\}(s) = s^n F(s) - s^{n-1} f(0^+) - \cdots - f^{(n-1)}(0^+)$$

가 있을 때, $f(t)$가 $f(at)$로 바뀌면 그 미분 연산의 효과가 어떻게 달라지는지 살펴볼 수 있다. 실제로 $f(at)$를 $t$에 대해 미분하면 체인 룰에 따라 $a f'(at)$ 등의 형태를 얻게 되어, 라플라스 도메인에서도 단순히 $F(s)$를 $\frac{1}{a} F(\frac{s}{a})$로 바꾼 것만으로 끝나지 않고, 미분 연산으로 인해 추가로 $a$가 곱해지는 형태가 나타날 수 있다.

특히, 고차 미분이나 분수阶微分(fractal derivative)처럼 보다 일반적인 연산자가 들어가는 문제라면, 시간 스케일링 정리를 적용하기 전에 그 연산자에 따른 라플라스 변환 식을 먼저 고찰해야 한다. 이는 더 이상 “스케일링 → 적분 구간 단순 치환”만으로는 해결되지 않는 상황도 있을 수 있음을 의미한다.

엔지니어링 예시: 센서 신호 및 필터링

시간 스케일링 정리는 센서 데이터 처리를 다루는 엔지니어링 문제에서도 적용될 수 있다. 예를 들어, 센서가 어떤 물리량(온도, 압력, 진동 등)을 측정하는데, 센서 자체의 내부 동작 주파수가 바뀌어 측정되는 신호가 빨라지거나 느려지는 경우를 생각해 볼 수 있다. 이때 센서로부터 전달되는 입력 신호가 기존에 가정했던 $f(t)$가 아니라 $f(at)$ 형태로 들어온다면, 이를 분석하는 필터나 제어 로직에서 라플라스 변환을 사용할 때 시간 스케일링 정리에 의한 $\frac{1}{a}F(\frac{s}{a})$ 형태로 보정이 이루어져야 한다.

만약 센서가 주기적으로 동작하는 스캐닝(sensor scanning) 방식을 취하여, 스캔 속도를 두 배로 높였다고 하면(즉 $a=2$인 경우), 필터 설계자 입장에서는 주파수영역에서 $s \to \frac{s}{2}$, 그리고 진폭 스케일링 $\frac{1}{2}$이 반영된 형태를 고려해야 한다. 이를 제대로 반영하지 않으면, 센서 출력 신호가 의도와 다른 주파수 응답 특성을 보이거나, 제어 시스템의 타이밍이 달라질 수 있다. 결국 시간 스케일링 정리는 단순 이론적 관심사가 아니라, 실제 하드웨어 동작 주기나 펄스 폭 변화 등으로 인해 생길 수 있는 상황을 엄밀히 처리하는 강력한 도구라 할 수 있다.

---: 적분 정의에 근거한 본질적 성질

시간 스케일링 정리는 결국 라플라스 변환의 적분 정의

$$\mathcal{L}\{f(t)\}(s) = \int_{0}^{\infty} f(t)\, e^{-st}\, dt$$

와 변수 치환 $u = a t$에서 비롯되는 자연스러운 결과다. 적분 커널인 $e^{-st}$가 스케일링된 시간 변수에서 $e^{-s \frac{u}{a}}$로 바뀌며, 동시에 $dt=\frac{du}{a}$가 되므로 $\frac{1}{a}F\bigl(\frac{s}{a}\bigr)$ 형태가 자동으로 나온다. 이 구조가 다른 연산(지연, 미분, 합성곱, 등등)과 결합될 때는, 그 연산의 라플라스 변환 공식과 함께 스케일링 정리를 조합하여 풀어나가야 한다.

시간 스케일링 정리 자체는 간단해 보이지만, 실제로는 회로 설계, 신호 처리, 물리적 시정수 변화, 심지어 이산화 과정의 주기 조정 등에 이르기까지 광범위한 문제에서 결정적인 단서를 제공한다. 스케일 변환으로 인해 ROC가 달라지기도 하며, 분포(델타 함수 등)와 관련된 경우에는 분포 이론의 스케일링 성질이 그대로 나타난다.

이와 같이 시간 스케일링 정리는 라플라스 변환의 가장 중요한 근본 성질之一이자, 다양한 상황에서의 해석과 분석 툴을 간결하고 명확하게 만들어 주는 열쇠라고 할 수 있다.