임베디드 설계 노트 (4/6) — AO(Analog Output) 설계: 물리적 한계를 소프트웨어로 보완

-

DAC 출력을 신뢰할 수 있는 제어 신호로 만들기까지의 설계 판단

핵심 요약

  • MCU DAC 핀을 직접 출력단에 연결하면 안 된다 — Op-Amp 버퍼링이 필수
  • 부품 오차는 소프트웨어 보정(y = ax + b)으로 잡고, 급격한 출력 변화는 소프트 램핑으로 제어한다
  • 전원 기동 시 글리치와 온도 드리프트까지 고려해야 현장에서 신뢰할 수 있는 AO가 된다

배경

AO 설계에서 가장 흔한 실수는 MCU의 DAC 핀을 직접 출력단에 연결하는 것이다. MCU 출력은 임피던스가 높고 전류 구동 능력이 약해서, 작은 부하에도 전압이 흔들린다. 회로와 소프트웨어 양쪽에서 이를 보완해야 한다.

본문

하드웨어: 신호 증폭과 보호

전압 증폭: MCU의 0~3.3V 출력을 산업 현장 표준인 0~10V로 맞추기 위해 비반전 증폭 회로를 사용한다. Op-Amp(Operational Amplifier, 연산 증폭기)의 높은 입력 임피던스와 낮은 출력 임피던스를 활용해 부하 변동에 강한 출력을 만든다.

출력 보호: 외부 단자에서 유입되는 서지나 단락 대비로 직렬 저항 + TVS 다이오드 배치는 필수다.

노이즈 필터링: DAC의 계단식 출력이나 내부 스위칭 노이즈 제거를 위해 LPF(Low Pass Filter, 저역 통과 필터)를 구성한다. 차단 주파수는 제어 응답 속도와 노이즈 제거 효율 사이에서 타협점을 찾아야 한다.

소프트웨어: 보정과 안전 제어

스케일링 보정: 이론상 0~4095(12-bit)가 0~10V에 매핑되지만, 부품 오차로 오프셋과 게인 오차가 발생한다. y = ax + b 형태의 보정 수식을 적용하고, 보정 계수는 생산 시 EEPROM에 저장해 개별 기기마다 최적화한다.

소프트 램핑: 출력이 0V에서 10V로 급변하면 인버터, 밸브 등에 무리가 가거나 전원 노이즈가 발생한다. 목표값까지 한 번에 쓰지 않고, 일정 증분량씩 단계적으로 변화시키는 램핑 로직을 미들웨어 계층에 구현한다.

시행착오 / 주의사항

전원 기동 시 글리치: MCU 리셋이나 부팅 순간에 DAC 핀에서 원치 않는 전압 펄스가 튈 수 있다. 출력단에 Mute 회로(TR 또는 FET)를 구성해, SW가 완전히 초기화된 후 출력을 Enable하도록 설계해야 한다.

온도 드리프트: 현장 온도 변화에 따라 Op-Amp나 전압 기준원(Vref)의 값이 미세하게 변한다. 정밀 제어가 필요하면 외부 Vref IC를 사용하거나, 내부 온도 센서로 소프트웨어 보정 테이블을 적용한다.

마무리

AO 제어는 레지스터에 숫자를 쓰는 작업이 아니다. 회로의 물리적 특성(임피던스, 노이즈)을 이해하고, 소프트웨어의 논리적 구조(보정, 램핑)로 보완할 때 비로소 신뢰할 수 있는 제어기가 완성된다.

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »