임베디드 설계 노트 (5/6) — RS485 통신 설계: 방향 제어 타이밍과 4계층

-

DE/RE 핀 제어, 링버퍼 구조, 종단 저항까지 산업용 통신의 핵심 설계 포인트

핵심 요약

  • RS485의 핵심은 DE/RE 핀으로 송신/수신 방향을 전환하는 타이밍 제어다
  • 방향 전환은 반드시 TC(Transmission Complete) 인터럽트 시점에 해야 한다 — TXE에서 전환하면 마지막 바이트가 깨진다
  • 선로 양 끝단에 120 Ohm 종단 저항과 Fail-safe Bias 저항이 필수다

배경

RS485는 RS232와 달리 송신기와 수신기가 같은 선을 공유한다. "지금 보낼 차례인가, 들을 차례인가?"를 결정하는 DE(Drive Enable)/RE(Receiver Enable) 핀 제어가 아키텍처의 성패를 좌우한다. 송신 전환이 너무 빠르면 마지막 바이트가 깨지고, 너무 느리면 마스터 응답의 앞부분을 놓친다.

본문

4계층 아키텍처

계층 역할 처리 내용
COMM (App) 프로토콜 해석 Modbus, LGAP 등 프레임 파싱 및 응답 생성
DD (Driver) 버퍼 관리 링버퍼 운영, 타임아웃 기반 패킷 경계 판단
HAL (Hardware) 레지스터 제어 UART 바이트 송수신, DE/RE 방향 전환
Physical 전기적 신호 종단 저항(120 Ohm), 트위스트 페어 임피던스 매칭

Single Writer와 링버퍼

RX ISR(인터럽트 서비스 루틴)은 UART 수신 데이터를 즉시 링버퍼에 저장하고 인덱스만 갱신한다. 해석은 Main Loop에서 여유 있을 때 프레임 단위로 처리한다. 인터럽트는 기록만 하고, 처리는 메인 루프가 담당하는 구조다.

방향 전환의 정밀도

전송 완료 인터럽트(TC, Transmission Complete)를 활용해야 한다. TXE(Transmit Data Register Empty) 시점에 방향을 바꾸면 마지막 바이트가 시프트 레지스터에서 채 나가기도 전에 송신기가 꺼진다.

종단 저항과 바이어스

선로가 길어지면 신호 반사로 에러가 급증한다. 양 끝단에 120 Ohm 종단 저항을 달고, Fail-safe Bias 저항을 추가해야 한다.

타임아웃 기반 프레임 분리

마지막 바이트 수신 후 일정 시간(보통 1.5~3.5 character time) 동안 데이터가 없으면 하나의 프레임이 끝난 것으로 판단하는 사일런스 타임아웃 로직을 DD 계층에 반드시 포함시켜야 한다.

시행착오 / 주의사항

  • TXE에서 방향 전환해서 마지막 바이트가 계속 깨지는 문제를 겪었다. TC 인터럽트로 전환하면서 해결.
  • 종단 저항 없이 긴 선로를 운영하면 에러율이 급격히 상승한다. 기본 원칙이지만 현장에서 자주 빠뜨린다.

마무리

RS485 아키텍처는 단순 데이터 송수신이 아니라, 인터럽트와 메인 루프 간의 정밀한 동기화와 하드웨어 타이밍에 대한 깊은 이해가 결합된 작업이다. TC 인터럽트 활용, 링버퍼 구조, 종단 저항 — 이 세 가지가 핵심이다.

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 »