임베디드 설계 노트 (3/6) — UI(Universal Input) 설계: 전압·저항·접점을 하나로

-

모드에 따라 회로를 바꾸고, 소프트웨어로 신호를 정제하는 하이브리드 입력 설계

핵심 요약

  • UI의 핵심은 센서 종류에 따라 회로의 임피던스와 바이어스 전압을 물리적으로 변경하는 것
  • 소프트웨어에서는 ADC Raw 값을 물리량으로 변환하고, 필터링으로 현장 노이즈에 대응한다
  • 모드 자동 감지는 함정이 많아 명시적 지정이 안전하다

배경

임베디드 시스템에서 하나의 입력 포트로 여러 종류의 센서를 수용해야 하는 경우가 많다. 전압 센서, NTC/RTD 온도 센서, 무전압 접점(Dry Contact)을 모두 하나의 UI 포트에서 처리하려면, 하드웨어와 소프트웨어 양쪽에서 설계 판단이 필요하다.

본문

하드웨어: 모드별 회로 구성

  • 전압 모드 (0~10V): 높은 입력 임피던스(Input Impedance, 입력단의 전기적 저항)를 유지하며 저항 분배로 MCU ADC 범위(0~3.3V)로 감압
  • 저항/온도 모드 (NTC/RTD): 정밀 풀업 저항(Pull-up Resistor, 신호를 기준 전압으로 끌어올리는 저항)을 연결해 분압 법칙으로 저항 변화를 전압으로 환산. 풀업 저항의 정밀도(0.1%)가 전체 계측 정밀도를 결정한다
  • 접점 모드 (Dry Contact): 내부 바이어스 전압을 인가하고 접점 개폐에 따른 전압 변화를 DI로 처리

보호 회로는 현장 실수(24V 오인가, 정전기) 대비 필수다: - 다이오드 클램핑: ADC 핀 전압이 Vcc를 초과하지 않도록 제한 - RC 저대역 필터: 고주파 노이즈를 하드웨어 레벨에서 1차 차단

소프트웨어: 신호 정규화와 필터링

ADC Raw 값을 실제 물리량으로 변환한다. 전압 모드는 선형 보간, NTC 온도 센서는 비선형 특성 때문에 Lookup Table이나 Steinhart-Hart 방정식을 사용한다.

현장 노이즈 대응에는 이동 평균 또는 EWMA(Exponential Weighted Moving Average, 지수 가중 이동 평균) 필터를 적용한다. 이동 평균은 단순하지만 급변에 대한 응답성이 느릴 수 있으므로, 샘플링 주기와 필터 계수 튜닝이 중요하다.

시행착오 / 주의사항

모드 자동 감지의 함정: 저항값이 큰 센서와 전압 신호가 겹칠 경우 소프트웨어의 오판단이 발생한다. 해결책은 설정 메뉴나 통신을 통해 모드를 명시적으로 지정하고, 해당 모드에 맞는 스위칭 신호를 하드웨어에 전달하는 구조다.

접점 모드의 디바운싱: UI를 접점으로 사용할 때 채터링(Chattering, 접점의 기계적 떨림) 처리가 필수다. 전압 모드처럼 읽되 임계값 기준으로 High/Low를 판정하고, 연속 N번 이상 동일 값이 읽혀야 상태를 확정하는 소프트웨어 디바운싱 로직을 배치한다.

마무리

UI 설계는 단순한 ADC 값 읽기가 아니다. 현장의 다양한 변수 — 센서 종류, 노이즈, 결선 실수 — 를 아키텍처 안에서 유연하게 수용하는 것이 본질이다.

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 »