제가 운영한 일인기업 딥네트워크의 기술력 소개를 2 축의 관절제어를 전류제어와 위치제어를 PI 루프로 제어하는 것의 핵심 위주로 3 가지로 정리하면 다음과 같습니다.

BLDC Motor는 브러시가 없는 DC 모터로, 고정자에 코일을, 회전자에 영구자석을 부착하여 작동합니다. BLDC Motor를 제어하려면 코일에 흐르는 전류의 방향과 타이밍을 정확하게 제어해야 합니다. 이를 위해 전자석에 의해 생성되는 자기장과 회전자의 자기장 사이의 상호작용을 감지하고, 적절한 전압과 주파수를 인버터를 통해 공급하는 방식을 사용합니다.
BLDC Motor로 2 축의 관절제어를 하려면 전류제어와 위치제어를 동시에 수행해야 합니다. 전류제어는 BLDC Motor의 토크를 제어하는 것으로, 코일에 흐르는 전류의 크기와 방향을 조절하여 회전자의 회전력을 결정합니다. 위치제어는 BLDC Motor의 각도를 제어하는 것으로, 코일에 흐르는 전류의 위상을 변화시켜 회전자의 회전 방향과 속도를 결정합니다. 전류제어와 위치제어는 서로 영향을 주고 받으므로, 복잡한 제어 알고리즘을 필요로 합니다.
BLDC Motor로 2 축의 관절제어를 전류제어와 위치제어를 PI 루프로 제어하는 것은, 전류 오차와 위치 오차를 최소화하고, 제어 성능을 향상시키고, 외부 잡음에 강하게 만들기 위한 방법입니다. PI 루프는 비례 적분 제어기로, 제어 목표값과 실제 값의 차이를 계산하고, 이에 따라 전류를 증가시키거나 감소시키는 피드백 제어 방식입니다. PI 루프를 통해 전류제어와 위치제어를 독립적으로 수행할 수 있으며, 제어 정확도와 안정성을 높일 수 있습니다.     

관심을 가지는 기업과 협의해 보고 싶읍니다 ...

딥네트워크  /   장석원   /  HP  010 3350 6509  /  이메일  sayhi7@daum.net 

제가 운영하는 일인기업 딥네트워크는  EUV Source Control System 의 전자빔의 초점 위치를 감지하는 딥러닝 알고리즘 적용과 관련하여 다음과 같은 것들을 추가로 더 준비가 필요하다고 생각합니다.

전자빔의 초점 위치를 감지하는 딥러닝 알고리즘의 성능과 정확도를 향상시키기 위해, 다양한 유형과 품질의 전자빔 이미지 데이터를 수집하고, 라벨링하고, 전처리하고, 분석하고, 학습하고, 평가하고, 최적화하는 과정을 반복적으로 수행해야 합니다.
전자빔의 초점 위치를 감지하는 딥러닝 알고리즘의 적용 범위와 활용도를 넓히기 위해, 다른 공정 단계에서 발생하는 다양한 유형의 결함을 구분하고, 극단적으로 감지하기 어려운 결함 신호와 주위 패턴 및 공정 노이즈를 구분하는 기능을 개발하고, 테스트하고, 검증하고, 배포해야 합니다.
전자빔의 초점 위치를 감지하는 딥러닝 알고리즘의 연구와 개발 결과물을 공유하고, 피드백을 받기 위해, 관련 분야의 학술 논문이나 특허를 작성하고, 발표하고, 출판하고, 등록하고, 참고하고, 인용하고, 활용해야 합니다.

관심을 가지는 기업과 협의해 보고 싶읍니다 ...

딥네트워크  /   장석원   /  HP  010 3350 6509  /  이메일  sayhi7@daum.net 

VICSEL (Vertical-Cavity Surface-Emitting Laser) 레이저 다이오드 어레이는 수직 공진 표면 발광 레이저의 배열로서, 레이저 빔을 표면 방향으로 방출하는 특징이 있습니다.
VICSEL 레이저 다이오드 어레이는 레이저 빔의 방향을 제어하거나 어드레싱 가능한 어레이로 구성하여 레이저 빔의 분포를 다양하게 조절할 수 있습니다.
VICSEL 레이저 다이오드 어레이는 높은 효율, 낮은 파장 이동, 우수한 신뢰성, 웨이퍼 수준 제조 공정 등의 장점을 가지고 있습니다.
SPAD (Single Photon Avalanche Diode) 이미지 센서는 라이다에서 송출된 레이저 빔의 반사 신호를 단일 광자 수준에서 감지할 수 있는 고감도 검출기입니다.
SPAD 이미지 센서는 빠른 응답시간, 낮은 노이즈, 높은 검출효율 등의 장점을 가지고 있습니다.
SPAD 이미지 센서는 CMOS (complementary metal-oxide-semiconductor)로 제조될 수 있어 대량생산과 저렴한 비용이 가능합니다.

VICSEL (Vertical-Cavity Surface-Emitting Laser) 레이저 다이오드 어레이와 SPAD 이미지 센서로 자동차 라이다 장치 구현시  SPAD 이미지 센서가    송출된 레이저 빔의 반사 신호를 단일 광자 수준에서 감지할 수 있는 고감도 검출기인 SPAD 이미지 센서 검출신호를 어떻게 Image Processing 해서 3 차원의 영상을 얻는것이 가능한지 그 세부 노하우 확보에 성공했읍니다 ...

딥 네트워크 장석원  HP :  010-3350 6509    이메일 :  sayhi7@daum.net 

요즘 시대는 그야말로 급변하고 있다.  인공지능 기술이 이제 거의 인간을 뛰어넘는 분야가 도래하고 있다 ...  몇일만 지나면 나는 나이 60 이다 ...  89 년에 대학원 졸업하고 사회생활을 30 년 넘게 했다 ...   사람이 성공하려면 실력이 100 점 이어야 하는데 세상여건 혹은 주변여건이 나를 제대로 도와줄수 있는 환경이 가능하면 성공으로 가는길을 단축할수 있다 ....  98 년에 IMF 환란 위기가 한국에 있어서 그때 저도 아픔을 겪었지만 또 이 때 인터넷 기술이 전세계적으로 보급이 시작된 시기이기도 하다 ...  IMF 시기때 인터넷이 도입됬는데  이때 웹 서비스 만드는 기술 노하우 준비가 되 있었던 구글 / 네이버 / 다음 등등의 창업 멤버들은 웹 서비스를 설계해서 서비스를 상용화했다 ...  나는 IMF 시기인 34 살때 이런 상용화 가능한 노하우 준비가 많이 부족했다 ...  IMF 시기에 이런류의 사업하라고 나에게 세상이 기회를 줬는데도 나는 그 기회를 잡을수 있는 기술 노하우가 너무나 많이 부족했다 ...  2000 년초 사람들은 제 3 의 물결이 온다라고 했다 ...  그 제 3 의 물결이라는것이 인터넷을 적용한 웹 서비스 설계 기술 즉 웹 으로 프론트엔드와 백엔드 부분을 모두 설계 능력을 준비했던  구글 / 네이버 / 다음 같은 창업자들은 20여년이 지난 지금 세상을 좌지우지 하고 있다 ...   IMF 시기 나는 대기업을 그만두었고(구조조정)  힘든 시기를 한 20 년 보냈다  ...   그리고 나이 60 인 현재 나는 그동안 6 - 7 년 인터넷으로 기술자료 및 국내외 논문분석을 한 10000 건 넘게 자료 검토분석을 하느라 하루에 서너시간을 자료 검토분석에 시간을 투입했고 .....   물론 이때도 밥벌이를 위해 일도 했다 ...    기술자료 및 국내외 논문분석을 한 10000 건 이 넘으니 이제 100 점짜리 기술을 확보한 분야가 한 세가지는 되는것 같다 ...   그동안  한 7 년 꾸준한 시간투자를 하는 시기에는 언제쯤 이나 100 점짜리 기술 노하우를 확보하나 그게 큰 고민이었다 ...  요즘엔 인터넷의 수백조개의 기술정보들을 어떻게 잘 활용하느냐에 따라 나의 인생이 바뀔수도 있다는것을 절감 한다 ...    인터넷의 수백조개의 기술정보에서 돈이 되는 100 점짜리 기술 노하우를 뽑아 내려면 그 만큼 시간투자가 필요하다 ...    나도 한 7 년 시간 투자했다고 했는데 거의 7 년 시간투자를 하니  돈이 되는 100 점짜리 기술 노하우 확보가 가능해 진것 이다 ...   세상에 공짜가 없읍니다 ...  이렇게 7 년 투자해야 돈이 되는 정보가 보입니다 ...  그 만큼 시행착오도 수백번 겪었다는 의미 입니다 ...    제가 7 년 시간 투자한 동안 제가 놀면서 했겠읍니까 ?  이때 저도 밥벌이 일 하면서 시간투자한겁니다 ....  

딥네트워크 / 장석원 / HP :  010 3350 6509 /  sayhi7@daum.net 

딥네트워크는 SAR 레이더 설계 펌웨어 노하우 약 80 %를 보유한 일인기업입니다.  SAR 레이더는 지상 또는 해양의 타겟을 고해상도로 관측할 수 있는 레이다 시스템입니다. 딥네트워크의 핵심 노하우는 다음과 같습니다:       

SAR 위성의 핵심 기능을 담당하는 chirp 신호 발생기를 설계합니다. chirp 신호는 선형 주파수 변조 신호로, SAR 영상의 해상도와 SNR을 결정하는 중요한 요소입니다. chirp 신호 발생기는 아날로그 또는  디지털 방식으로 구현할 수 있습니다.
SAR 위성의 영상 처리 알고리즘을 설계합니다.  SAR 영상 처리 알고리즘은 송신된 chirp 신호와 수신된 신호를 상호상관하여 영상을 생성하는 과정입니다. 영상 처리 알고리즘에는 범위 압축, 방위 압축, 자세 보상, 도플러 보정, 지도 투영 등의 단계가 포함됩니다.   이 부분의 구현 노하우를 딥 네트워크는 보유하고 있읍니다 ...

스펙트럼 길이 확장: SAR 레이더에서 수신한 전파의 스펙트럼을 푸리에 변환하여 타겟의 스펙트럼을 얻습니다. 이때, 스펙트럼의 길이를 확장하여 타겟의 세부 정보를 더 잘 표현할 수 있습니다. 이 기술은 SAR 영상의 해상도와 품질을 향상시킵니다.
서브 어퍼처: SAR 레이더가 타겟을 관측하는 동안 안테나의 방향을 여러 번 바꾸어서 다양한 입사각에서 영상을 획득합니다. 이때, 각각의 입사각에서 얻은 영상을 합성하여, 안테나의 효과적인 길이를 늘립니다. 이 기술은 SAR 영상의 방위 해상도를 향상시킵니다.
도플러 효과 보상: SAR 레이더와 타겟 사이의 거리 변화가 전파의 위상에 영향을 줍니다. 이를 도플러 효과라고 합니다. 도플러 효과를 보상하면, SAR 영상의 왜곡을 줄일 수 있습니다. 이 기술은 SAR 영상의 정확도와 성능을 향상시킵니다.       

칼만필터로 SAR 위성의 자세 검출에 대해 요약하면 다음과 같은데 현재 구현 분석중 입니다.
칼만필터는 관성항법 센서인 가속도계와 자이로스코프의 측정값을 융합하여 오차를 줄이고 자세를 추정하는 기법입니다.
가속도계는 장기적으로 안정적이지만 잡음과 중력의 영향을 받으며, 자이로스코프는 잡음과 중력의 영향을 받지 않지만 장기적으로 편향이 누적됩니다. 이 두 센서는 서로 상호 보완적인 특성을 가지므로, 칼만필터를 통해 장점만을 활용할 수 있습니다.
칼만필터는 자이로스코프의 측정값을 오일러 각도의 변화율로 변환하고, 가속도계의 측정값을 오일러 각도로 변환하여, 두 값의 차이를 최소화하는 최적의 자세를 찾습니다. 이 과정에서 칼만필터의 상태변수, 측정변수, 공분산 행렬, 측정행렬, 칼만 이득 등의 파라미터를 적절하게 설정해야 합니다.

딥네트워크는 이러한 핵심 노하우를 바탕으로, SAR 레이더의 선도적인 일인기업으로서, 감시 및 정찰, 정보 확보, 지형 측량 등 다양한 분야에서 활용될 수 있는 최고의 SAR 레이더 솔루션을 제공합니다. 

딥네트워크  장석원 /  HP :  010 3350 6509   /    sayhi7@daum.net  

BLDC Motor 제어 전문 딥네트워크 사업화 내용 소개

딥네트워크는 브러시리스 DC 모터를 제어하는 획기적인 솔루션을 제공하는 일인기업입니다. 딥네트워크는 TI의 TIDA-010250 개발 보드를 사용하여 FOC 알고리즘과 TI의 InstaSPIN-FOC 소프트웨어 라이브러리를 기반으로 한 펌웨어 설계 세부 검토 분석을 수행하였습니다. 

딥네트워크의 모터제어 사업화 구조중 TI 사의 FOC 알고리즘과 TI의 InstaSPIN-FOC 소프트웨어 라이브러리란 ?

FOC 알고리즘은 Field Oriented Control의 약자로, 모터의 자기장의 크기와 방향을 정밀하게 제어하여 토크를 안정적이고 효율적으로 제어하는 기법입니다. FOC 알고리즘은 다음과 같은 세 가지 핵심 기능을 가집니다.

• 모터의 특성을 자동으로 식별하고 튜닝하는 FAST (Flux, Angle, Speed and Torque) 추정기
• 모터의 회전자 위치를 센서 없이 정확하게 예측하는 옵저버
• 모터의 전류를 벡터로 변환하고 제어하는 SVPWM (Space Vector Pulse Width Modulation) 모듈

TI의 InstaSPIN-FOC 소프트웨어 라이브러리는 TI의 C2000 마이크로컨트롤러에 내장된 ROM에 저장된 FOC 알고리즘을 실행하는 소프트웨어 패키지입니다. InstaSPIN-FOC 소프트웨어 라이브러리는 다음과 같은 장점을 가집니다.

• 모든 종류의 3상 동기식 또는 비동기식 모터를 지원합니다
• 복잡한 수학적 변환과 추정 알고리즘을 간단하게 구현할 수 있습니다
  

저의 전기차 모터제어 개발 보드의 펌웨어 설계 커스토마이징 노하우 소개

다양한 응용 분야에 맞게 전기차 모터제어 전문 딥네트워크는 펌웨어를 커스토마이징할 수 있습니다.  DQ 벡터제어 PMSM 모터의 펌웨어 설계 알고리즘의 세부 동작원리 파악에 성공했기에  위에서 제가 설명드린 TI PMSM Motor Controller Chipset 을 적용해서 TI 의 InstaSPIN-FOC 소프트웨어 라이브러리를 적용해서 구현하는 노하우를 보유하고 있읍니다 ...

전기차 PMSM 모터 제어시 FOC 제어는 다음과 같은 단계로 이루어집니다:

1. 회전자 위치 감지: 모터의 정확한 회전자 위치를 파악하기 위해 센서를 사용합니다.
2. 클라크 변환 (Clarke Transformation): 3상 전류를 2상 전류로 변환합니다.
3. 파크 변환 (Park Transformation): 회전자 위치에 따라 변환된 2상 전류를 (d)-축과 (q)-축 전류로 분리합니다.
4. PI 제어기:  d 축과  q 축 전류를 조절하여 원하는 토크와 속도를 얻습니다.
5. 역 파크 변환 (Inverse Park Transformation):  d 축과  q 축 전류를 다시 3상 전류로 변환합니다.
6. 역 클라크 변환 (Inverse Clarke Transformation): 2상 전류를 3상 전류로 변환하여 인버터를 통해 모터에 공급합니다.

딥네트워크의 TI 사와  InstaSPIN-FOC 소프트웨어 라이브러리  상용화 관련 기술지원 라이센싱 계약

TI 사와 기술지원 라이센싱 계약을 맺으려면 다음과 같은 절차를 따르면 됩니다.

• TI의 웹사이트에서 라이센싱 프로그램에 대한 정보를 확인하고, 관심 있는 기술 또는 제품을 선택합니다.
• TI의 라이센싱 담당자에게 연락하여 라이센싱 가능 여부, 조건, 비용 등을 상담합니다.
• TI와 비밀유지계약 (NDA)을 체결하고, 기술 또는 제품에 대한 자세한 정보를 제공받습니다.

전기차 모터제어 펌웨어의 동작 원리를 실제 모터 제어에 어떻게 적용하는지 설명드리겠습니다.

1. 회전자 위치 검출 (Position Sensing):
   • 전향보상기 제어는 모터의 회전자 위치를 정확하게 파악해야 합니다. 이를 위해 홀 센서(Hall sensor)나 엔코더(Encoder)와 같은 위치 센서를 사용합니다.
   • 홀 센서는 회전자의 자기장 변화를 감지하여 회전자의 위치를 알려줍니다. 엔코더는 회전자의 각도를 디지털 신호로 변환하여 제어 시스템에 전달합니다.
2. 전류 제어 (Current Control):
   • 모터의 상류에는 고정자 코일이 있습니다. 이 코일에 전류를 공급하여 회전자를 움직입니다.
   • PWM(Pulse Width Modulation) 제어를 사용하여 고정자 코일에 가변 전압을 적용합니다. PWM 듀티 사이클을 조절하여 평균 전압을 제어합니다.
   • 전류 제어는 모터의 토크와 속도를 조절하는 핵심 요소입니다.
3. 전향보상기 제어 (Field-Oriented Control, FOC):
   • FOC는 모터의 회전자 위치를 기반으로 고정자 코일에 전류를 공급하는 방식입니다.
   • 회전자 위치를 감지한 후, (d)-축과 (q)-축으로 전류를 변환합니다. (d)-축은 회전자 자기장 방향, (q)-축은 회전자 자기장과 수직 방향입니다.
   • (d)-축 전류는 회전자 자기장을 따라 토크를 생성하고, (q)-축 전류는 회전자 자기장을 균형시킵니다.
   • 이렇게 변환된 전류를 고정자 코일에 적용하여 최적의 토크를 생성합니다.
4. PI 제어기 (Proportional-Integral Controller):
   • FOC에서는 PI 제어기를 사용하여 (d)-축과 (q)-축 전류를 조절합니다.
   • PI 제어기는 토크 오차를 측정하고, 이를 통해 (d)-축과 (q)-축 전류를 조절합니다.
   • PI 제어기는 토크와 속도를 안정적으로 유지하며, 최적의 토크를 생성합니다.

이렇게 회전자 위치 검출, 전류 제어, FOC, PI 제어기를 조합하여 전향보상기 제어를 구현합니다. 이는 모터의 최적 토크를 생성하고 효율적으로 운전할 수 있도록 합니다.

저의 경우 로봇 축 관절제어를 위한 BLDC Motor 의 토크/위치/속도 제어를 위한 모터 제어 펌웨어가 어떤 설계 구조로 구현하는지를 파악하는데 성공했읍니다 ...   로봇 축 관절제어를 위한 모터제어 프로토타입 펌웨어 구현 정도의 노하우를 확보했구요 ...    저도 구글링 2000 번 넘는 시행착오(국내외 논문분석)를 거쳐 3 년여만에 제가 원하는 돈이 되는 세부 정보를 얻는데 성공했읍니다 ....      제가 확보한  BLDC 모터 정밀제어 노하우는  위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하는데 필요한 제어 알고리즘 수식을 확보해서 이해하는데 성공했읍니다 ...     BLDC Motor 로 위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하려면 BLDC Motor 는 어떤 규격의 것을 선택해야 하는지와 이는 또 어느 업체에서 이를 취급하는지 등등도 파악하고 있읍니다 ...   4 Pole - BLDC Motor 제어를 PWM 구동 방식으로  6 - STEP Sequence 로 제어하려면 세부적으로 어떻게 제어해야 하는지 등등도 파악에 성공했읍니다 ...    

ISL94202는 배터리 팩의 상태를 모니터링하고, 경계 조건이 감지되면 자동으로 시스템을 종료하고 복구하는 기능을 가지고 있습니다.

이러한 기능은 배터리 팩을 보호하고, 안전하게 유지하기 위한 중요한 역할을 합니다.

경계 조건에서의 자동 종료 및 복구:

• ISL94202는 배터리 셀의 전압, 전류, 온도 등을 지속적으로 모니터링합니다.
• 설정된 경계값(예: 과전압, 과전류, 과열 등)을 초과하거나 미달할 경우, ISL94202는 자동으로 배터리 팩의 충전 또는
• 방전 경로를 차단하여 시스템을 안전하게 종료합니다.
• 조건이 정상 범위로 돌아오면, ISL94202는 자동으로 시스템을 복구하여 정상 작동 상태로 되돌립니다.

팩 셀 밸런싱의 자동 제어:

• ISL94202는 각 셀의 전압을 모니터링하고, 셀 간의 전압 차이가 설정된 임계값을 초과하면, 자동으로 셀 밸런싱을 시작합니다.
• 셀 밸런싱은 과충전된 셀에서 전력을 빼내어, 전압이 낮은 셀로 전달함으로써 셀들 간의 전압을 균일하게 만드는 과정입니다.
• 이 과정은 배터리 팩의 전체 수명을 연장하고, 성능을 최적화하는 데 도움이 됩니다.

이러한 동작 알고리즘은 ISL94202의 내부 로직에 의해 구현되며, 사용자는 ISL94202의 EEPROM을 프로그래밍하여

이러한 기능들을 설정하고 조정할 수 있습니다

Active Balance MP264X는 리튬 이온, 리튬 폴리머, 또는 리튬 철 인산염 배터리들 사이에서 고전류 충전 재분배를

가능하게 하는 고도로 통합된 양방향 액티브 밸런서입니다. 이 장치는 두 가지 작동 모드를 가지고 있습니다: 

버크 밸런스 모드와 부스트 밸런스 모드.

• 버크 밸런스 모드: MODE 핀이 낮은 상태일 때, MP264X는 전진 버크 밸런스 모드에서 작동하여
• 상위 셀(CU)에서 하위 셀(CL)로 불일치 에너지를 전송합니다.
• 부스트 밸런스 모드: MODE 핀이 높은 상태일 때, MP264X는 역 부스트 밸런스 모드에서 작동하여
• CL에서 CU로 불일치 에너지를 전송합니다.

ISL94202 배터리 셀 충전 컨트롤러는 리튬 이온 배터리 모니터 IC로, 3개에서 8개의 시리즈로 연결된 셀을 지원합니다.

이 IC는 배터리 모니터링과 팩 제어를 완벽하게 제공하며, 자동으로 셀 밸런싱을 제어합니다.

Active Balance MP264X는 고도로 통합된 양방향 액티브 밸런서로, 리튬 이온, 리튬 폴리머 또는

리튬 철 인산염 배터리들 사이에서 고전류 충전 재분배를 가능하게 합니다. 이 장치는 두 가지 작동 모드를 가지고 있습니다:

버크 밸런스 모드와 부스트 밸런스 모드. MODE가 낮으면 MP264X는 전진 버크 밸런스 모드에서 작동하여

상위 셀(CU)에서 하위 셀(CL)로 불일치 에너지를 전송합니다. MODE가 높으면 MP264X는

역 부스트 밸런스 모드에서 작동하여 CL에서 CU로 불일치 에너지를 전송합니다.

EMB1428Q는 SPI 버스 인터페이스를 통해 충전/방전 명령을 수신하는 동작 구조와 에너지 이동을 위한 12개의 플로팅 MOSFET 게이트 드라이버를 제어하는 설계 원리에 대해 다음과 같이 설명할 수 있습니다:

1. SPI 버스 인터페이스를 통한 명령 수신:
   • EMB1428Q는 SPI(Serial Peripheral Interface) 버스를 사용하여 메인 컨트롤러(CPU/MCU)로부터 충전/방전 명령을 수신합니다.
   • 메인 컨트롤러는 SPI 버스를 통해 EMB1428Q에게 어떤 배터리 셀을 충전하거나 방전할지에 대한 명령을 전송합니다.
   • 또한, EMB1428Q는 SPI 버스를 통해 발생할 수 있는 장애나 오류를 메인 컨트롤러에 보고합니다.
2. 에너지 이동을 위한 플로팅 MOSFET 게이트 드라이버 제어:
   • EMB1428Q는 최대 7개의 직렬로 연결된 배터리 셀 간에 에너지를 이동시키기 위해 필요한 12개의 플로팅 MOSFET 게이트 드라이버를 제공합니다.
   • 이 드라이버들은 EMB1499 DC/DC 컨트롤러 IC와 함께 작동하여, 충전 및 방전 모드를 제어하고 활성화합니다.
   • 각 게이트 드라이버는 특정 배터리 셀에 연결된 MOSFET을 개별적으로 제어하여, 에너지를 필요한 셀로 이동시키거나, 과충전된 셀에서 에너지를 빼내어 다른 셀로 분배하는 역할을 합니다.

EMB1428Q 칩셋은 배터리 셀 간의 전압을 균등하게 유지하기 위해 액티브 셀 밸런싱을 수행하는 스위치 매트릭스 게이트 드라이버입니다. 이 칩셋의 주요 작동 원리는 다음과 같습니다:

1. 전압 모니터링: EMB1428Q는 연결된 배터리 셀들의 전압을 지속적으로 모니터링합니다. 이 데이터는 셀 간의 전압 차이를 파악하는 데 사용됩니다.
2. 에너지 전송 제어: 전압 차이가 감지되면, EMB1428Q는 스위치 매트릭스를 통해 높은 전압의 셀에서 낮은 전압의 셀로 에너지를 전송하도록 MOSFET 게이트를 제어합니다.
3. 스위치 매트릭스: 칩셋은 12개의 부유 MOSFET 게이트 드라이버를 제공하여 최대 7개의 직렬로 연결된 배터리 셀을 밸런싱할 수 있습니다. 이 드라이버들은 각 셀에 연결된 MOSFET을 제어하여 에너지 이동 경로를 설정합니다1.
4. 밸런싱 실행: EMB1428Q는 EMB1499 DC/DC 컨트롤러 IC와 함께 작동하여, 필요한 시점에 적절한 셀 간 연결을 활성화시키고 에너지를 효율적으로 전송합니다.

저의 전기차 바테리 BMS 개발 보드의 펌웨어 설계 커스토마이징 노하우 소개

이러한 과정을 통해 EMB1428Q는 배터리 팩의 전체 성능을 최적화하고, 각 셀의 수명을 균일하게 유지하며, 전체 시스템의 안정성과 효율성을 높이는 데 기여합니다.  저희 딥네트워크가 바테리 BMS 설계도 깊이있게 검토 분석을 하다 보니 깨닭은게 BMS 설계에 최적화된 바테리 HW 스택을 설계하는것을 빈틈없이 HW 설계를 하면 아무래도 BMS 펌웨어의 성능은  BMS HW 설계 범주내에서 펌웨어 성능이 나올수 있는것 같읍니다 ...  TI 의 EMB1428Q 칩셋이  SPI 버스 인터페이스를 통해 충전/방전 명령을 수신하는 동작 구조와 에너지 이동을 위한 12개의 플로팅 MOSFET 게이트 드라이버를 제어하는 펌웨어 설계 원리를 파악에 성공했읍니다   저는 이를 위해 MOSFET 스위칭 제어를 위한  설계 방법 파악을 통해 에너지 이동을 위한 플로팅 MOSFET 게이트 드라이버 제어를 TI 사 EMB1428Q 칩셋을 적용해 펌웨어로  BMS 펌웨어 구현 노하우도 확보 성공했읍니다  ...    제가 파악한바로는 BMS HW 설계의 핵심은  셀 충방전 회로 설계시 스위치 캐패시티드 네트워크로 설게하는데 이때  MOSFET 스위칭 소자의 게이트 구동회로 설계시 MOSFET 회로가 플로팅됬을때  게이트 구동회로에 인가전압을 어떻게 인가하도록 설계하는냐가 핵심인데 이것도 파악에 성공했읍니다 ...

저희 회사는 전기차 바테리 충전 제어 전문 일인기업으로서,  TI  사  EMB1428Q 칩셋을  활용하여 삼성 21700 50E / 7S 20P 바테리 셀의 충전 성능을 극대화할 수 있는 펌웨어와 기법을 분석하였습니다. 저희 회사의 제품과 서비스에 관심이 있으시다면, 저희 기업 블로그 사이트를 방문하시거나 연락주시기 바랍니다. 감사합니다.

딥네트워크      장석원      010 3350 6509     sayhi7@daum.net

마스크 스테이지와 웨이퍼 스테이지는 EUV 광선이 정확하게 투영될 수 있도록 마스크와 웨이퍼의 위치를 제어하는 세부 설계 구조 및 그 원리에 대해 간단히 언급해 보겠습니다.

마스크 스테이지는 EUV 광원으로부터 나오는 EUV 광선을 반사하는 마스크를 고정하고, 원하는 회로 패턴을 가진 부분을 EUV 광선에 노출시키기 위해 x, y, z 축 방향으로 이동하고, 회전하고, 기울이는 기능을 수행하는 장치입니다. 마스크 스테이지는 마스크의 위치와 각도를 정밀하게 측정하고 제어하기 위해 인코더, 액추에이터, 센서 등을 포함하고 있습니다.

웨이퍼 스테이지는 마스크에서 반사된 EUV 광선을 받는 웨이퍼를 고정하고, 웨이퍼의 모든 영역에 EUV 광선이 균일하게 노출되도록 x, y, z 축 방향으로 이동하고, 회전하고, 기울이는 기능을 수행하는 장치입니다. 웨이퍼 스테이지도 마스크 스테이지와 마찬가지로 웨이퍼의 위치와 각도를 정밀하게 측정하고 제어하기 위해 인코더, 액추에이터, 센서 등을 포함하고 있습니다.

마스크 스테이지와 웨이퍼 스테이지는 스캔 방식 (scan mode)을 사용하여 EUV 광선이 마스크와 웨이퍼를 순차적으로 스캔하도록 구현하는 구현 원리와 설계 방법에 대해 간단히 설명해 드리겠습니다.

스캔 방식은 마스크와 웨이퍼를 서로 반대 방향으로 동기화하여 움직이면서 EUV 광선을 마스크의 일부분만 통과시키는 슬릿 (slit)을 이용하여 웨이퍼의 모든 영역에 마스크의 패턴을 전달하는 방식입니다. 스캔 방식은 마스크와 웨이퍼의 크기가 다르고, EUV 광선의 투영 영역이 제한적이기 때문에 필요한 방식입니다.   

저희 딥네트워크는  마스크의 위치와 각도를 정밀하게 측정하고 제어하는것과 웨이퍼의 위치와 각도를 정밀하게 측정하고 제어하는것의 확실한 구현 안을 정밀도 1/100 mm 정도로 정밀하게  위치와 각도를 정밀하게 측정하고 제어하는것의 세부 구현 해결 방안을 나름 확보에 성공했읍니다 ...   위치와 각도를 정밀하게 측정하고 제어하려면 모터 정밀제어로 제어하는것도 중요하고 모터정밀제어가 정밀하게 됬는지 측정하는 노하우도 중요한데 저희 딥네트워크는 이 두가지 구현 노하우를 모두 확보에 성공했읍니다 ....

딥네트워크는 EUV 마스크 스테이지 와 웨이퍼 스테이지는 EUV 광선이 정확하게 투영될 수 있도록 마스크와 웨이퍼의 위치를 제어하는 세부 설계 구조 및 그 원리 분석중 입니다 ...   제가 로봇 축 관절 제어를 모터 정밀제어로 구현 가능한 기술은 있는데 이것으로 EUV 쪽에 적용하려면 무었을 더 고민해야 하는지를 현재 고민하고 분석중 입니다 ...   좀 더 구체적인 구현 방안 자료도 갖고는 있는데 저도 좀 더 고민하는 중 입니다 ...   

딥 네트워크  장석원     HP :  010 3350 6509    이메일 :  sayhi7@daum.net 

제  소개를 하면 이제 보름만 잇으면 나이 60 입니다 ...  40 년전에 대학/대학원도 졸업했고  대기업 연구소 들어갔을때만해도 인생 풀리나보다 했는데 ...  세상사라는게 내 맘대로는 안되더라구요 ...  대기업 연구소에서 HW 개발 일을 했었고 경지에 올랐을때 IMF 가 터졌읍니다 ...   이 IMF 시기라는게 참 묘한게 이때 부터 IT 기업들의 세상이 HW 개발 중심에서 SW 개발 중심으로 변화를 본격적으로 하는 시기였읍니다 ...  저는 IMF 가 터졌을때 HW 개발은 나름 경지에 올랐는데 SW 개발은 경험이 많지 않아서 자신감도 부족했고 두려움이 많았읍니다 ...   98 년 IMF 직후 저는 이제 나이 34 이었기에 SW 개발을 경험이 많지 않고 자신감도 부족해서 두려움이 많았는데 ...  왜 이럴수밖에 없냐하면 98 년 직후 구글도 생겨나고 인터넷도 이때 생기고 했던 시기 입니다 ...  98 년쯤 이때 인터넷이 생겨나는 시기 이때를 제 3 의 물결이 온다라고 언론에서 떠들었죠 ... 지금은 4 차 산업혁명 시기라고 떠들지 않았읍니까 ?  제가  제 3 의 물결이 밀려오는 시기(세계적으로도 미국 구글 같은 인터넷 기술 전문기업이 막 설립됬던 시기) 이에 대한 철저한 준비가 전혀되 있지 않아서  2000 년대초 IMF 직후 김대중 정부 시기 한국에 벤쳐 붐이 일어났을때 저도 기회를 잡았어야 했는데 ...   결국 IMF 직후 제 3 의 물결이 밀려오는 시기 이에 대한 철저한 준비가 완벽했던 인간들은 지금 벤쳐 1 세대라고 하며 부 를 축적하고 중견기업 내지 대기업으로 회사를 키우는게 가능햇던 시기였읍니다 ...    참 중요한 한 시기(때)를 준비가 되있지 않으면 저 같이 이렇게 그동안 20 년을 보내긴 보냈어도 생활비 벌이 밖에 못하는 그야말로 허송세월을 했던거죠 ...   저는 2024년에 나이 60 입니다 ...  제가 IMF 직후 허송세월을 했다는 이야기를 했는데  저는 요 최근 6 - 7 년을 하루에 3 - 4 시간씩 빡시게 구글링을 했읍니다 ...   제가 다시 일어나기 위해서는 고급 정보가 필요한데 이 고급정보를 제공 가능한게 바로 구글링 입니다 ...   구글링도 그냥 쉽게 고급정보를 얻는것은 불가능 합니다 ...  다 노력이 그 만큼 필요 합니다 ...  세상사 공짜가 앖읍니다 ...  저도 그렇게 6 년 이상을 빡시게 기술자료 검토 분석을 했읍니다 ... 일년에 국내외 논문 내지 기술자료를 약 1000 개 이상 검토 분석을 했으니 이걸 6 년을 했으니 검토한 기술자료가 한 6000 개 정도 입니다 ...  제가 그동안 6 년을 검토 분석한 기술분야는 딥러닝 인공지능 분야 / 카메라 관련 기술 개발 분야 /  로봇 축 관절제어를 위한 모터 정밀제어 분야 / 전투기나 군함의 레이더 개발 분야  등등을 검토 분석했읍니다 ...  저도 7 년전 기술자료 검토 분석을 본격으로 시작할때만 해도  지금까지해서 이렇게 돈이 확실히 되는 기술 노하우를 20 - 30 개  확보가 가능할줄은 몰랐읍니다 ...    10000 시간 노력하면 앞이 보일꺼라 누군가가 조언했는데 ...  진짜 한 6 년 이상을 하루에 3 -  4 시간씩 기술자료 분석을 하니 이렇게  돈이 확실히 되는 기술 노하우를 20 - 30 개  확보가 가능해졌읍니다 ...   현재 저는 한 15 년전쯤 크게 실패해서 집도 날려 먹었고 그동안 어려웠지만 크게 성공해보고 싶어서 저의 자기계발을 위해 한 6 년 빡시게 노력하니 지금은 앞이 보이는것 같읍니다 ...    저도 인생 60 년을 살아보니 한 큐에 되는일은 전혀 없구요 ...  한 6 - 7 년을 꾸준히 노력을 빡시게 해야 뭔가 될까 말까 한다는것 입니다 ....     제 이야기 들어 주셔서 감사드립니다 ....

딥네트워크 장석원 /  HP  010 3350 6509

SAR 레이더는 무변조 CW 파형을 사용하므로, 파형의 주파수는 일정합니다. 그러나, 목표물의 위치나 방향에 따라서, 수신된 파형의 위상이 변화 즉 도플러 편이 (Doppler Shift) 는 수신된 파형의 FFT 를 통해 주파수 스펙트럼 분석을 통해 처리됩니다
수신된 파형의 FFT (Fast Fourier Transform)를 통해 주파수 스펙트럼을 분석하여 도플러 편이를 측정할 수 있습니다. FFT는 시간 도메인의 신호를 주파수 도메인으로 변환하는 알고리즘입니다. FFT를 적용하면 수신된 파형의 주파수 성분과 위상 정보를 얻을 수 있습니다. 이를 통해 도플러 편이가 발생한 파형의 주파수 변화량을 계산할 수 있습니다.  인공위성 SAR 레이더의 전체 구현 원리까지는 아니어도 기본 동작 설계 원리는 파악에 성공했읍니다 ...    저희 딥 네트워크는 도플러 편이 (Doppler Shift) 측정을 수신된 파형의 FFT 를 통해 주파수 스펙트럼 분석을 통해 처리하는 세부 노하우 확보에 성공했읍니다 ....    도플러 편이 (Doppler Shift) 측정을 고정밀도로 하려면  FFT (Fast Fourier Transform) 의 계산 복잡도가 높아지는데  어느정도의 정밀도를 유지하면서 계산량 조절로 이를 구현하는 노하우 확보에 성공했읍니다 ....

딥네트워크 장석원    HP :  010-3350 6509

USB CDC ACM 클래스의 API를 이해하고 사용할 수 있습니다. USB CDC ACM 클래스는 USB 장치와 PC 사이에 가상 시리얼 포트를 생성하여 통신할 수 있게 해주는 클래스입니다. 저는 USB CDC ACM 클래스의 API를 사용하여 USB CDC ACM 인스턴스를 선언하고 초기화하고, USB CDC ACM 인터페이스로 데이터를 송수신하고, USB CDC ACM 이벤트를 처리할 수 있습니다.
Nordic UART Service의 API를 이해하고 사용할 수 있습니다. Nordic UART Service는 BLE 장치와 PC 사이에 가상 UART 통신을 가능하게 해주는 서비스입니다. 저는 Nordic UART Service의 API를 사용하여 Nordic UART Service 인스턴스를 선언하고 초기화하고, Nordic UART Service로 데이터를 송수신하고, Nordic UART Service 이벤트를 처리할 수 있습니다.
Nordic UART Service Central의 API를 이해하고 사용할 수 있습니다. Nordic UART Service Central은 BLE 장치가 Nordic UART Service 서버들과 연결되어 데이터를 송수신할 수 있게 해주는 역할을 합니다. 저는 Nordic UART Service Central의 API를 사용하여 Nordic UART Service Central 인스턴스를 선언하고 초기화하고, Nordic UART Service Central 인스턴스에 Nordic UART Service 서버의 핸들을 할당하고, Nordic UART Service Central 인스턴스로 데이터를 송수신하고, Nordic UART Service Central 이벤트를 처리할 수 있습니다.
USB CDC 통신과 UART 서비스로 1 : N 블루투스 송수신을 연결할 수 있습니다.                저는 USB CDC ACM 이벤트 핸들러와 Nordic UART Service Central 이벤트 핸들러를 사용하여 USB CDC 통신과 UART 서비스로 1 : N 블루투스 송수신을 연결할 수 있습니다. 저는 USB CDC ACM 인터페이스로부터 데이터를 읽으면 Nordic UART Service Central 인스턴스들로 데이터를 전송하고, Nordic UART Service Central 인스턴스로부터 데이터를 읽으면 USB CDC ACM 인터페이스로 데이터를 전송합니다 .

딥네트워크  장석원      HP :  010-33506509    이메일 :  sayhi7@daum.net 

저의 경우 2007 년도쯤해서 H.264 비디오 코덱을 독자개발하겠다고 도전했다가 결과 검증과정에서 2 % 가 부족해서 큰 손해를 입었었읍니다 ...   이때만해도 한국에는 인터넷이 도입된지 얼마 안되서 각종 기술정보가 인터넷상에 공유되는게 많지 않았읍니다 ...   각종 기술정보가 인터넷상에 공유되는게 많지 않았다는것은  그 만큼 기술정보가 힘있는 기관이나 업체(대기업)한테 편중되 있었다 라는것 이구요 ...   이때만 해도 기술이 있다 없다를 애기하려면 개발진행을 직접 처리해서 결과물이 있느냐 없냐 가 사람들의 판단 기준이었읍니다 ...    IT 기술이 그동안 20 년간 진보되었다 라는것은  20 년전보다 기술정보 공유가 지금은 몇십배 공유정보의 양과 질이 개선되서  기술블로그 사이트나 글로벌 대기업 사이트에서 제공되고 있읍니다 ...  20 년전에는 다 대외비라고 공개 안하던 기술정보도 이제는 웬만하면 정보 공개가 되거든요(세상이 변한거죠 이걸 잘 모르시는 분도 많읍니다) ...    여기에서 한가지 알아야 할께 있는게 뭐냐 하면 아무리 정보공유가  이전보다 몇십배 몇백배 활발해도 그 공유되는 정보가 뭐가 똥 이고 뭐가 된장인지 구별할수 있는 능력이 없으면 기술 정보가 아무리 많이 공유되도 나한테 직접 도움되기는 어렵읍니다 ...   요즘 대기업 이건 중소기업이건 경영자들은 사회생활 경험이 최소 20 년 이상이기 때문에  이 분들이 기본적으로  개발을 진행해 기술 결과물이 없는것은 전혀 믿지 않는다라는 것 입니다 ...    대기업 이건 중소기업이건 경영자들이 그동안 20 여년간 자기가 경험한게 직접 개발을 진행해야만 기술 노하우 파악이 가능하다라고 생각(고장관념)이 있다라는것 입니다 ...    저도 한가지 기술 분야의 전문적인 기술 노하우를 파악하려면 최소 1 년 이상 시간을 투입해서 세부 기술자료 분석을 하거든요 ...  어떨때는 한가지 이슈를 파악하려고 1 년 이상 걸릴때도 있읍니다 ...   저도 정밀 모터제어(토크제어/위치제어/속도제어)를 상용화 가능한 수준으로 심도있게 노하우 분석(기술자료 분석)에 한 3 년 걸렸읍니다 ...    대기업 이건 중소기업이건 경영자들이 그동안 20 여년간 자기가 경험한게 직접 개발(일)을 진행해야만 기술 노하우 파악이 가능하다라고 믿는 분들은 제가 인터넷상의 기술자료 분석을 통해 세부 기술 노하우를 파악했다고 하면 뭔가 질 이낮은 기술을 파악햇을꺼라 생각 하실겁니다 ...   그런데 ChatGPT 를 의사들도 많이 사용한다고 하고 앞으로 곧, 얼마 뒤면 IT 개발자들이 하는 SW 개발도 ChatGPT 가 가능하다고 많이 이야기 되거든요 ...    이렇게 세상이 변하고 있읍니다 ...   아무리 ChatGPT 가 뛰어나다고 해도 그것을 사용하는 사람이  ChatGPT 에게 정확한 지시를 하려면 그만큼 지시내용이 새부적인 핵심을 꼭 집어서 질문해야 원하는 궁금증 해결도 가능 합니다 ...   ChatGPT 를 이걸 다루려면 사람도 그것을 충분히 다룰 능력이 준비되 있어야 한다는것 입니다 ...   GhatGPT 가 노력없이 공짜로 결과를 얻을수는 없읍니다 ...    저도 그동안 3 - 5 년 빡시게 기술자료 검토분석해서  로봇 축관절 제어 기술이나  이미지센서 / Camera ISP 를 임베디드리눅스 커널 드러이버 / 어플로 설계하는 노하우 확보도 성공했읍니다 ...    이렇게 제 글을 읽어 보시니 제가  로봇 이나 카메라쪽 기술 노하우를 세부적으로 파악 성공해서 100 점 기술을 확보했다는게 조금 이나마 믿어지시는지요 ?     저도 그동안 한 5 년 빡시게 기술자료 분석해서 얻은 세부 기술 노하우 입니다 ...   어떤분들은 이렇게 애기해도 실무 경험없이 진짜 노하우 확보가 가능하냐라고 하실분도 분명히 있을꺼구요 ...   세상이 변했다는것을 피부로 느끼지 못하신 분들은 제 애기에 공감을 못하실것 같읍니다 ...   요즘 ChatGPT 때문에 대기업 들도 비상이 걸렸읍니다 ...  세상이 바꾸있는데 우리 대기업은 어떻게 대응을 해야 하나 이런 경영전략 마련이 반드시 필요한게 요즘 시대 입니다 ...   대기업이 이런 시대 변화(기술개발 전략 트렌드)를 더 빠르게 느끼는것 같읍니다 ...  아무래도 정보가 많으니 그럴겁니다 ...    이 내용은  제 개인적인 의견 임을 미리 밝힙니다 ...

딥네트워크 장석원   /  HP :  010-3350 6509

FMCW 레이더를 FFT 원리를 적용해서 레이더의 타겟까지의 위치와 타겟의 속도를 측정하는 알고리즘 구현 기술을 보유한 제가 운영하는 개인사업자 기업 딥 네트워크의 기술력 소개 핵심 5 가지를 다음과 같은 내용을 제안합니다.
FMCW 레이더는 주파수 변조 연속파 레이더로, 송신기에서 변조된 주파수를 가진 연속파 신호를 발생시키고, 수신기에서 반사된 신호와 비교하여 타겟의 거리와 속도를 측정할 수 있는 레이더입니다.
FFT 원리는 고속 푸리에 변환으로, 시간 도메인에서의 신호를 주파수 도메인으로 변환하는 알고리즘입니다. 이를 통해 신호의 스펙트럼을 분석하고, 주파수 변화량을 구할 수 있습니다.
FMCW 레이더에서 FFT 원리를 적용하면, 송신기와 수신기 사이의 주파수 차이를 구할 수 있습니다. 이 주파수 차이는 타겟의 거리와 속도에 비례하므로, 이를 이용하여 타겟의 거리와 속도를 측정할 수 있습니다.
저는 FMCW 레이더를 FFT 원리를 적용해서 레이더의 타겟까지의 위치와 타겟의 속도를 측정하는 알고리즘을 세부분석에 성공한 경험이 있습니다. 
저의 기업은 FMCW 레이더를 FFT 원리를 적용한 알고리즘을 활용하여 다양한 분야의 응용 제품을 개발을 준비하고 있습니다. 예를 들어, 자동차의 주차 보조 시스템, 무인 항공기의 고도 측정 시스템, 산업용 로봇의 장애물 회피 시스템 등을 제공하고 있습니다.
저의 기업의 기술력 소개 핵심 5 가지를 글로 상세히 제시하였습니다. 

개인사업자 기업  딥 네트워크   장석원   HP :  010-3350 6509     E-Mail  :   sayhi7@daum.net   

저는 아래  2가지 분야 기술을 100점 수준으로 확보하고 있읍니다

모터정밀제어로 로봇 축관절 제어를 위한 펌웨어 세부설계 노하우를 확보 성공했구요

산업용 카메라보드 펌웨어 설계를 유럽 NXP 사 I.MX8 을 사용한 임베디드리눅스커널 드라이버중 이미지센서부 카메라 ISP 부  V4L2 부  MIPI DSI 부 드라이버 수정설계 및 어플수정설계 세부설계 노하우를 확보 성공했읍니다

저의경우 그동안 3년간 정밀모터제어 펌웨어 개발과 임베디드리눅스커널로 카메라 보드 펌웨어 개발 기술력 확보를 하려고 국내외 논문과 기술문서를 약 2000 여개를 검토분석해서 100 점짜리 기술력 확보에 최근 성공했읍니다    그동안은 제 기술력이 100점이 안되서(약간 모자라서)  기술력 부족하다고 갑질을 당했지만 이제는 두가지 큰 기술분야를 100점 기술을 확보했으니 개발(계약)문의가 들어오면  한 건에 5000 짜리 이상 건도 개발용역(기술개발) 결과를 확실히 내는것이 확실히 가능합니다 ...    이제는 100점 기술이 있으니 기회만 오면 잡기만 하면 되거든요   단지 계약 성사가 쉽지않은게 개발미팅가서 세부협의시 이 기술 저 기술 다 해줬으면 한다라고 개발요청하는곳이 꽤 많더라구요

딥네트워크 장석원 59세
010 3350 6509
관심 있으시면 전화통화 부탁드립니다

안녕하세요, 딥네트워크는 카메라 개발용 임베디드리눅스 BSP 소스를 분석하고 MIPI CSI-2 이미지센서와 Camera ISP 를 적용해 V4L2 리눅스 드라이버를 포팅하는 카메라 프레임워크 SW 설계 기술을 보유한 회사입니다. 저희는 다음과 같은 기술력을 갖고 있습니다.        MIPI CSI-2 이미지센서와 Camera ISP 리눅스커널 드라이버가 포팅된 후 V4L2 동작을 시키려면 임베디드리눅스 BSP 소스로 다음과 같은 부분을 수정해야 합니다.
디바이스 트리: 디바이스 트리는 하드웨어의 구성과 속성을 표현하는 텍스트 파일입니다. 디바이스 트리에서는 이미지센서와 Camera ISP 의 노드를 생성하고, 그들의 이름, 주소, 클럭, 파워, 인터럽트, 포맷, 해상도 등의 정보를 설정해야 합니다. 또한, 이미지센서와 Camera ISP 노드 사이에 링크를 생성하고, V4L2 서브시스템과 연결해야 합니다. 
카메라 드라이버: 카메라 드라이버는 이미지센서와 Camera ISP 의 동작을 제어하고, V4L2 인터페이스를 통해 애플리케이션과 통신하는 모듈입니다. 카메라 드라이버에서는 이미지센서와 Camera ISP 의 초기화, 설정, 스트리밍, 파워 관리, 오류 처리 등의 기능을 구현해야 합니다. 또한, V4L2 프레임워크와 호환되도록 드라이버의 구조와 함수를 정의해야 합니다. 
카메라 애플리케이션: 카메라 애플리케이션은 사용자가 카메라의 기능을 사용할 수 있도록 하는 프로그램입니다. 카메라 애플리케이션에서는 V4L2 인터페이스를 통해 카메라 드라이버와 통신하고, 이미지와 비디오를 캡처하고, 저장하고, 표시하고, 조절하는 기능을 구현해야 합니다. 또한, 카메라 애플리케이션은 사용자에게 친숙하고 직관적인 GUI 를 제공해야 합니다.   
MIPI CSI-2 이미지센서와 Camera ISP 를 적용하는 기술: 저희는 MIPI CSI-2 인터페이스를 통해 이미지센서와 통신하고, Camera ISP 를 통해 이미지 프로세싱을 수행하는 기술을 보유하고 있습니다. 저희는 다양한 이미지센서와 Camera ISP 의 특성과 성능을 파악하고, 적절한 파라미터와 알고리즘을 적용하여 고품질의 이미지와 비디오를 생성할 수 있습니다.
V4L2 리눅스 드라이버를 포팅하는 기술: 저희는 V4L2 리눅스 드라이버의 구조와 동작을 이해하고, 새로운 이미지센서와 Camera ISP 를 지원하기 위해 드라이버를 포팅하는 기술을 보유하고 있습니다. 저희는 V4L2 드라이버의 인터페이스와 기능을 활용하고, 드라이버와 하드웨어 사이의 호환성과 안정성을 확보할 수 있습니다.
저희 딥네트워크는 카메라 개발용 임베디드리눅스 BSP 소스를 분석하고 MIPI CSI-2 이미지센서와 Camera ISP 를 적용해 V4L2 리눅스 드라이버를 포팅하는 카메라 프레임워크 SW 설계 기술을 통해 고객의 요구사항에 맞는 최적의 카메라 솔루션을 제공할 수 있습니다.
저희는 카메라 분야의 선도적인 기업으로서, 지속적인 연구와 개발을 통해 더욱 향상된 기술력을 갖추고 있습니다. 저희와 함께하시면, 카메라 개발에 필요한 모든 기술을 한 번에 얻을 수 있습니다.
저희 딥네트워크에 관심을 가져주셔서 감사합니다.

딥 네트워크 장석원
HP : 010-3350 6509
이메일 : sayhi7@daum.net

BLDC Motor 제어 전문 딥네트워크 사업화 내용 소개

딥네트워크는 PMSM Motor 를 3 상 인버터로 Motor 의 속도 및 토크 제어 펌웨어 개발이 가능 합니다 ...  귀사의 개발 사양에 따라 개발기간이나 비용이 조정될수 있고 확실히 결과 내드리는것이 가능 합니다 ...  TI  사  TMS320F28377  로 PMSM Motor 의 FOC 알고리즘을 적용한 펌웨어 개발이 확실히 가능 합니다 ...    TI 사 BMS 칩셋인  EMB1428Q 바테리 BMS 칩셋으로  SPI 버스 인터페이스를 통해 충전/방전 명령을 수신하는 동작 구조와 에너지 이동을 위한 12개의 플로팅 MOSFET 게이트 드라이버를 제어하는  바테리 충전 BMS 제어도 인증절차 기간을 제외하면 빠르게 귀사의 요구에 맞춰 펌웨어 개발이 가능 합니다 ...  저희 딥네트워크가 바테리 BMS 설계도 깊이있게 검토 분석을 하다 보니 깨닭은게 BMS 설계에 최적화된 바테리 HW 스택을 설계하는것을 빈틈없이 HW 설계를 하면 아무래도 BMS 펌웨어의 성능은  BMS HW 설계 범주내에서 펌웨어 성능이 나올수 있는것 같읍니다 ...  맡겨 주시면  확실하게 결과내드리는것이 가능 합니다 ...  참고로 저는 지역이 수원 입니다 ...

딥네트워크는 PMSM 모터를 제어하는 획기적인 솔루션을 제공하는 일인기업입니다. 딥네트워크는 TI의 모터제어 개발 보드를 사용하여 FOC 알고리즘과 TI의  FOC 소프트웨어 라이브러리를 기반으로 한 펌웨어 설계 세부 검토 분석을 수행하였습니다. 

PMSM Motor의 FOC 제어 세부 구현 노하우 제공

딥네트워크는 PMSM Motor의 FOC (Field-Oriented Control) 제어에 대한 깊은 이해와 세부 구현 노하우를 보유하고 있습니다. 저희는 다음과 같은 기술을 통해 고객님의 요구사항을 충족시킬 수 있습니다:

1. 최대 토크 구현
   - d 축 전류와 q 축 전류의 지령값 설정 노하우
   - Motor 제어 루프에서 최대 토크를 내기 위한 최적의 전류 지령값 설정
   - 전류 리플 안정화

2. Motor의 전기적 상수값의 영향을 고려한 전류 리플 정도의 안정화
   - 로봇 축 관절 제어에 적용 시 전류 리플을 최소화하는 기술
   - PI 루프 제어 튜닝

3. P 이득과 I 이득의 최적 튜닝을 통한 전류 리플 안정화
   - 최종적으로 안정적인 Motor 동작을 보장하는 세부 튜닝 작업
   - 알고리즘 계산 수식

4. 약 20개의 세부 알고리즘 계산 수식을 확보하여 정확한 구현 가능
   - 위의 작업을 확실하게 수행할 수 있는 기술적 기반 제공

5.  RDC : AD2S1210WDSTZRL7 와  
     레졸버 : TAMAGAWA 사  TS2620N21E11 로
     회전자 위치 검출 노하우도 보유함

연락처

자세한 기술 자료 제공 및 문의는 아래 연락처로 부탁드립니다:

- 담당자: 장석원
- 전화번호: 010-3350-6509
- 이메일: sayhi7@daum.net

딥네트워크는 귀사의 요구에 맞춘 최적의 솔루션을 제공하기 위해 항상 준비되어 있습니다. 많은 관심과 문의 부탁드립니다.

영구자석 동기 모터(PMSM)의 d 축과 q 축 전류를 PI 제어 루프로 제어하는 과정은 로봇 축 관절 제어에서 중요한 역할을 합니다. 이 과정에서 MTPA(Maximum Torque Per Ampere)와 PWM(Pulse Width Modulation)을 사용한 FOC(Field Oriented Control)을 활용하여 모터의 효율성을 극대화하고 성능을 최적화합니다. 다음은 이 과정을 자세히 설명하고, 토크와 위치 제어를 어떻게 처리하며 PI 제어 이득을 어떻게 튜닝해야 하는지 설명하겠습니다.

1. FOC(자장 지향 제어) 개요

FOC는 모터의 자속(Flux)과 토크를 독립적으로 제어하기 위해 사용됩니다. 이는 모터의 자속과 토크를 수평 및 수직 축으로 변환하여 제어할 수 있게 합니다. 일반적으로 d 축(직류 축)과 q 축(직교 축)으로 변환하여:

• d 축: 자속 방향
• q 축: 토크 방향

FOC를 사용하여 모터의 전류를 d 축과 q 축으로 분리하고, 이를 각각 제어함으로써 모터의 자속과 토크를 독립적으로 조절할 수 있습니다.

2. PI 제어 루프와 MTPA

PI(비례-적분) 제어는 d 축과 q 축 전류를 제어하는 데 사용됩니다. PI 제어는 각각의 축에서 전류를 원하는 값으로 유지하고자 하는 제어 방식입니다. MTPA는 주어진 전류에서 최대의 토크를 생성하기 위한 원리를 따릅니다.

• d 축 전류(Id): 자속 제어에 영향을 미칩니다. 일반적으로 PMSM에서는 자속 제어를 위해 d 축 전류가 필요하며, Id는 주로 0에 가까운 값으로 유지되도록 설계됩니다.
• q 축 전류(Iq): 토크 제어에 영향을 미칩니다. Iq는 실제로 모터의 토크를 생성하는 전류로, 토크를 원하는 값으로 제어하기 위해 조절됩니다.

3. 로봇 축 관절 제어

로봇의 축 관절 제어에서, 토크 제어와 위치 제어는 서로 다른 목적을 가지고 있습니다:

(1) 토크 제어

• PI 제어 루프: q 축 전류(Iq)를 제어하여 모터의 토크를 제어합니다.
• PI 제어 이득 튜닝:
  • 비례 이득(Kp): 반응 속도를 조절합니다. 너무 높으면 시스템이 불안정해질 수 있고, 너무 낮으면 응답 속도가 느려질 수 있습니다.
  • 적분 이득(Ki): 정밀도를 조절합니다. 적분 이득이 너무 높으면 시스템이 과도하게 응답하거나 진동할 수 있고, 너무 낮으면 정밀도가 떨어질 수 있습니다.
  • 튜닝 방법: 일반적으로 Ziegler-Nichols 방법이나 다른 자동 튜닝 방법을 사용하여 이득을 조절합니다. 실험을 통해 최적의 이득을 찾는 것도 중요합니다.

(2) 위치 제어

• 위치 제어 루프: 위치를 제어하기 위해 속도 제어 루프와 토크 제어 루프를 결합합니다. 속도 제어는 보통 q 축 전류를 통해 이루어지며, 최종적으로 위치 제어를 위해 사용됩니다.
• PI 제어 이득 튜닝:
  • 위치 제어의 비례 이득(Kp): 위치의 정확성을 조절합니다. 너무 높으면 진동이 발생할 수 있고, 너무 낮으면 응답이 느려질 수 있습니다.
  • 위치 제어의 적분 이득(Ki): 위치의 오차를 보상하는 데 사용됩니다. 적분 이득이 너무 높으면 시스템이 진동하거나 과도한 반응을 보일 수 있습니다.
  • 튜닝 방법: PID 튜닝 방법과 유사한 방식으로 조정합니다. 위치 제어의 경우, 시스템의 역동적인 특성과 모터의 특성에 따라 조정이 필요합니다.

4. PWM 제어

PWM(Pulse Width Modulation)은 전류를 제어하기 위한 방법으로, 모터의 전압을 조절하여 원하는 전류를 생성합니다. FOC와 함께 사용하여 d 축과 q 축의 전류를 정확하게 제어할 수 있습니다.

5. 요약

• FOC를 통해 d 축과 q 축 전류를 독립적으로 제어하며, MTPA를 만족하여 최대 토크를 생성합니다.
• PI 제어 루프를 사용하여 d 축 전류(Id)와 q 축 전류(Iq)를 각각 제어합니다.
• 토크 제어와 위치 제어를 통해 로봇 축 관절의 성능을 최적화합니다.
• PI 제어 이득은 Ziegler-Nichols 방법이나 실험적인 조정을 통해 튜닝합니다.

이러한 제어 방식과 튜닝 방법을 통해 로봇 축 관절의 성능을 극대화하고, 원하는 제어 목표를 달성할 수 있습니다.

저의 경우 로봇 축 관절제어를 위한 BLDC Motor 의 토크/위치/속도 제어를 위한 모터 제어 펌웨어가 어떤 설계 구조로 구현하는지를 파악하는데 성공했읍니다 ...    전기차 모터제어도 모터 전기 상수인자들 로 전달함수를 설계하면  2 차 라플라스 방정식이 되고 이것으로 제어응답 특성 파악이 가능은 한데 여기에 PI 제어 루프 도 전달함수에 포함되면 3 차 라플라스 방정식이 되는데 이것의 제어응답 특성을 파악하려면 MATLAB SIMULINK TOOL 이 반드시 필요합니다
저는 현재 2 차 라플라스 방정식의 응답특성 분석은 가능한 상태 입니다          로봇 축 관절제어를 위한 모터제어 프로토타입 펌웨어 구현 정도의 노하우를 확보했구요 ...    저도 구글링 2000 번 넘는 시행착오(국내외 논문분석)를 거쳐 3 년여만에 제가 원하는 돈이 되는 세부 정보를 얻는데 성공했읍니다 ....      제가 확보한  BLDC 모터 정밀제어 노하우는  위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하는데 필요한 제어 알고리즘 수식을 확보해서 이해하는데 성공했읍니다 ...     BLDC Motor 로 위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하려면 BLDC Motor 는 어떤 규격의 것을 선택해야 하는지와 이는 또 어느 업체에서 이를 취급하는지 등등도 파악하고 있읍니다 ...   4 Pole - BLDC Motor 제어를 PWM 구동 방식으로  6 - STEP Sequence 로 제어하려면 세부적으로 어떻게 제어해야 하는지 등등도 파악에 성공했읍니다 ...    

제가 운영하는 딥네트워크가 그동안 검토분석한  CAN 통신 펌웨어 설계 기술로  CANopen 기술로  PDO (Process Data Object) 와 SDO (Service Data Object)를 사용하여 다양한 데이터를 전송합니다. PDO는 고속 데이터 전송을 위한 프로토콜으로, 일반적으로 하나의 CAN 프레임에 대한 하나의 데이터를 포함합니다. 반면에 SDO는 OD Entry에 대한 접근제어 방식으로, 추가적인 정보와 인자를 포함하여 더 구체적인 데이터를 전송할 수 있습니다.

CANopen 네트워크에서 PDO (Process Data Object)와 SDO (Service Data Object)는 데이터를 전송하는 두 가지 주요 메커니즘입니다. 각각의 프로토콜은 특정한 목적과 사용 사례에 맞게 설계되었습니다.

PDO (Process Data Object)

PDO는 실시간 데이터 전송에 최적화되어 있습니다. 이 프로토콜은 다음과 같은 특징을 가집니다:

• 고속 전송: PDO는 주로 실시간 제어 작업에 사용되며, 낮은 지연 시간과 빠른 데이터 전송이 필요한 경우에 적합합니다.
• 단일 프레임: 일반적으로 PDO는 하나의 CAN 프레임에 최대 8바이트의 데이터를 담아 전송합니다.
• 브로드캐스트 가능: PDO는 네트워크 상의 여러 노드에게 동시에 데이터를 전송할 수 있어, 여러 장치가 동일한 데이터를 거의 동시에 받을 수 있습니다.
• 사이클링 전송: PDO는 주기적으로 또는 특정 이벤트가 발생했을 때 자동으로 전송될 수 있습니다.

SDO (Service Data Object)

SDO는 더 복잡한 데이터 전송과 디바이스 구성에 사용됩니다. SDO의 특징은 다음과 같습니다

• 상세한 데이터 전송: SDO는 오브젝트 딕셔너리 내의 특정 항목에 대한 접근을 제공하며, 복잡한 데이터 구조나 대량의 데이터를 전송할 때 사용됩니다.
• 요청/응답 메커니즘: SDO 통신은 요청과 응답의 형태로 이루어집니다. 한 노드가 데이터를 요청하면, 다른 노드가 해당 데이터를 응답으로 보냅니다.
• 블록 전송: SDO는 블록 전송 모드를 지원하여, 한 번에 많은 양의 데이터를 전송할 수 있습니다.
• 비동기 통신: SDO는 주기적인 데이터 전송보다는 필요할 때마다 데이터를 전송하는 비동기 통신에 적합합니다.

예시

예를 들어, 모터 제어 시스템에서 토크 제어와 위치 제어를 위한 데이터를 전송해야 한다고 가정해 보겠습니다.

• 토크 제어: 실시간으로 모터의 토크를 조절해야 하므로, PDO를 사용하여 모터 드라이버에게 토크 값을 빠르게 전송할 수 있습니다.
• 위치 제어: 모터의 위치 설정 값이나 구성 파라미터와 같은 상세한 정보가 필요할 때는 SDO를 사용하여 필요한 데이터를 전송합니다.

이러한 방식으로, CANopen 네트워크는 다양한 제어 요구 사항과 데이터 전송 요구 사항을 효율적으로 처리할 수 있습니다.

CANopen에서의 NTM (Network Management) 동작원리와 설계 구조는 다음과 같습니다:

1. NTM의 역할: CANopen에서 NTM은 장치들이 상태를 조절하고 관리하는 데 사용됩니다. 각 장치는 NTM 상태에서 자동으로 실행될 수 있으며, CANopen 장치 초기화와 같은 과정을 통해 NTM 상태를 변경할 수 있습니다.
2. NTM 메시지 명령: NTM는 다음과 같은 메시지 명령을 사용하여 장치 상태를 관리합니다:
   • Start remote node: 려모 노드를 시작합니다.
   • Enter pre-operational: 장치가 전역적인 상태로 변경됩니다.
   • Stop remote node: 려모 노드를 중지합니다.
   • Reset node: 노드를 초기화합니다.
   • Reset communication: 커뮤니케이션을 초기화합니다.
3. SYNC 메시지: SYNC 메시지는 상위제어기에서 제공하여 연결된 노드에게 메시지를 전송합니다. 이는 시스템의 시간을 정확하게 관리하는 데 사용됩니다.
4. OD Entry와 SDO: NTM는 OD Entry에 대한 접근제어 방식으로, 추가적인 정보와 인자를 포함하여 더 구체적인 데이터를 전송할 수 있습니다. SDO는 CANopen에서 사용되는 서버와 클라이언트 관계로 통신하며, 요청하는 명령의 ID와 예를 들어 Read/Write 등의 고유 ID가 있습니다.
5. NTM의 구조: NTM의 구조는 다음과 같습니다:
   • NTM master 메시지 명령: Master 노드가 명령을 발행합니다.
   • NTM slave 메시지 명령: Slave 노드가 master 로부터 명령을 받아서 상태를 변화시킨다.

TI 사 BMS 칩셋인  EMB1428Q는 SPI 버스 인터페이스를 통해 충전/방전 명령을 수신하는 동작 구조와 에너지 이동을 위한 12개의 플로팅 MOSFET 게이트 드라이버를 제어하는 설계 원리에 대해 다음과 같이 설명할 수 있습니다:

1. SPI 버스 인터페이스를 통한 명령 수신:
   • EMB1428Q는 SPI(Serial Peripheral Interface) 버스를 사용하여 메인 컨트롤러(CPU/MCU)로부터 충전/방전 명령을 수신합니다.
   • 메인 컨트롤러는 SPI 버스를 통해 EMB1428Q에게 어떤 배터리 셀을 충전하거나 방전할지에 대한 명령을 전송합니다.
   • 또한, EMB1428Q는 SPI 버스를 통해 발생할 수 있는 장애나 오류를 메인 컨트롤러에 보고합니다.
2. 에너지 이동을 위한 플로팅 MOSFET 게이트 드라이버 제어:
   • EMB1428Q는 최대 7개의 직렬로 연결된 배터리 셀 간에 에너지를 이동시키기 위해 필요한 12개의 플로팅 MOSFET 게이트 드라이버를 제공합니다.
   • 이 드라이버들은 EMB1499 DC/DC 컨트롤러 IC와 함께 작동하여, 충전 및 방전 모드를 제어하고 활성화합니다.
   • 각 게이트 드라이버는 특정 배터리 셀에 연결된 MOSFET을 개별적으로 제어하여, 에너지를 필요한 셀로 이동시키거나, 과충전된 셀에서 에너지를 빼내어 다른 셀로 분배하는 역할을 합니다.

TI 사 EMB1428Q BMS 칩셋은 배터리 셀 간의 전압을 균등하게 유지하기 위해 액티브 셀 밸런싱을 수행하는 스위치 매트릭스 게이트 드라이버입니다. 이 칩셋의 주요 작동 원리는 다음과 같습니다:

1. 전압 모니터링: EMB1428Q는 연결된 배터리 셀들의 전압을 지속적으로 모니터링합니다. 이 데이터는 셀 간의 전압 차이를 파악하는 데 사용됩니다.
2. 에너지 전송 제어: 전압 차이가 감지되면, EMB1428Q는 스위치 매트릭스를 통해 높은 전압의 셀에서 낮은 전압의 셀로 에너지를 전송하도록 MOSFET 게이트를 제어합니다.
3. 스위치 매트릭스: 칩셋은 12개의 부유 MOSFET 게이트 드라이버를 제공하여 최대 7개의 직렬로 연결된 배터리 셀을 밸런싱할 수 있습니다. 이 드라이버들은 각 셀에 연결된 MOSFET을 제어하여 에너지 이동 경로를 설정합니다1.
4. 밸런싱 실행: EMB1428Q는 EMB1499 DC/DC 컨트롤러 IC와 함께 작동하여, 필요한 시점에 적절한 셀 간 연결을 활성화시키고 에너지를 효율적으로 전송합니다.

리튬 배터리 열폭주의 동작 원리

리튬 배터리에서 열폭주가 발생하는 주된 이유는 자가증폭 루프입니다. 열폭주가 시작되면 배터리의 온도가 급격히 상승하며, 이 과정에서 발생한 에틸렌과 같은 가스는 추가적인 열폭주를 유발할 수 있습니다. 이를 이해하기 위해 다음 단계를 살펴보겠습니다.

1. 열폭주의 초기 단계

1. 과충전 또는 단락: 리튬 배터리에 과충전, 단락, 또는 기타 전기적 스트레스가 가해지면 내부 온도가 상승합니다. 이러한 열은 내부의 전기화학적 반응을 유도합니다.
2. 전해질 분해: 배터리의 온도가 특정 임계점을 초과하면 전해질이 분해되기 시작합니다. 전해질 분해 과정에서 에틸렌, 메탄, 그리고 기타 가스가 방출됩니다.
3. 온도 상승: 전해질 분해와 전극의 반응은 추가적인 열을 발생시킵니다. 이 열은 배터리의 온도를 더욱 상승시킵니다.

2. 자가증폭 루프의 작동

1. 가스 생성: 전해질 분해는 에틸렌과 같은 가스를 생성합니다. 이 가스는 배터리 내부의 압력을 증가시키며, 압력 상승은 배터리 케이싱의 파손을 초래할 수 있습니다.
2. 산소 발생: 전해질의 분해와 전극 물질의 반응은 산소를 생성합니다. 이 산소는 가연성 가스와 혼합되어 화학적 연소 반응을 촉진합니다. 에틸렌과 같은 가스는 산소와 결합하여 열을 방출하며, 이로 인해 온도가 더욱 상승합니다.
3. 열의 자가 증폭: 생성된 열은 추가적인 전해질 분해와 전극 반응을 유도하여 열 발생을 가속화합니다. 이 과정이 계속 반복되면서 열폭주가 더욱 심각해집니다.
4. 최종 단계: 열폭주가 진행되면 배터리 내부 온도가 극단적으로 상승하여 화재나 폭발을 초래할 수 있습니다.

해결 방안 및 동작 원리

리튬 배터리의 열폭주를 예방하고 제어하기 위해서는 다음과 같은 해결 방안을 고려할 수 있습니다.

1. 전해질 개선

• 안정적인 전해질 사용: 열적 안정성이 높은 전해질을 사용하여 전해질 분해를 방지합니다. 이로 인해 가스 발생을 줄이고, 열폭주를 예방할 수 있습니다.
• 고온 안전 전해질: 고온에서도 안정적인 전해질을 사용하여 배터리의 안전성을 높입니다.

2. 열 관리 시스템

• 냉각 시스템: 배터리의 온도를 효과적으로 제어하기 위해 냉각 시스템을 설계합니다. 팬, 히트 싱크, 액체 냉각 시스템 등을 활용하여 배터리의 열을 방출합니다.
• 열 전도성 재료: 열을 효과적으로 분산시키기 위해 열 전도성 재료를 사용하여 배터리의 온도를 관리합니다.

3. 배터리 보호 회로

• 과충전 보호 회로: 배터리가 과충전되지 않도록 보호하는 회로를 설계합니다. 과충전이 감지되면 전원을 차단하여 열폭주를 방지합니다.
• 단락 보호 회로: 단락 상황에서 배터리를 보호하기 위한 회로를 설계하여 내부 단락을 방지합니다.

4. 기계적 설계 개선

• 강화된 케이싱: 배터리의 외부 케이싱을 강화하여 압력 상승에 따른 파손을 방지합니다. 고온에도 견딜 수 있는 재료를 사용합니다.
• 가스 배출 시스템: 내부 압력이 과도하게 상승할 경우, 가스를 안전하게 배출할 수 있는 시스템을 설계합니다.

5. 모니터링 및 제어 시스템

• 온도 센서: 배터리의 온도를 지속적으로 모니터링하여 과도한 온도 상승을 조기에 감지합니다.
• 자동 차단: 이상 상태가 감지되면 자동으로 배터리 전원을 차단하거나 냉각 시스템을 활성화하여 배터리의 안전성을 유지합니다.

리튬 배터리의 열폭주를 방지하고 해결하기 위한 핵심적인 해결 방안을 다음과 같이 제시할 수 있습니다. 각 해결 방안은 배터리 내부의 온도 상승, 전해질 분해, 그리고 열폭주 현상을 효과적으로 제어하는 데 초점을 맞추고 있습니다.

1. 안정적인 전해질 개발

문제: 전해질이 열에 의해 분해되면서 에틸렌, 메탄 등의 가스가 방출되고, 이는 열폭주를 유발합니다.

해결 방안:

• 고온 안정성 전해질: 고온에서도 안정적인 전해질을 사용하여 전해질 분해를 지연시키거나 방지합니다. 예를 들어, 고온 내성 전해질 또는 세라믹 기반 전해질을 사용하여 높은 온도에서도 화학적 안정성을 유지하도록 설계합니다.
• 세라믹 전해질: 세라믹 전해질은 높은 온도에서도 안정적인 성질을 가지고 있으며, 열폭주를 방지하는 데 효과적입니다. 리튬 이온 세라믹 전해질(LiPON 등)은 높은 온도 안정성을 제공하며, 전해질의 열 분해를 최소화합니다.
• 첨가제 사용: 전해질에 특수 첨가제를 추가하여 열적 안정성을 높이고, 분해 시 발생하는 가스를 억제합니다.

구현 예:

2. 효과적인 열 관리 시스템

문제: 배터리의 온도가 상승하면 전해질 분해가 촉진되고, 가스 발생이 가속화됩니다.

해결 방안:

• 액체 냉각 시스템: 액체 냉각 시스템을 사용하여 배터리의 온도를 효과적으로 제어합니다. 냉각 액체가 배터리의 열을 흡수하고, 이를 외부로 방출하여 온도를 낮춥니다.
• 열 전도성 재료: 배터리의 열을 효율적으로 분산시키기 위해 열 전도성이 높은 재료를 사용합니다. 예를 들어, 열 전도성 패드를 배터리와 냉각 핀 사이에 삽입하여 열을 효과적으로 전달합니다.
• 온도 센서 및 제어 시스템: 배터리 내부에 온도 센서를 배치하여 실시간으로 온도를 모니터링하고, 과열 시 자동으로 냉각 시스템을 활성화합니다.

구현 예:

3. 배터리 보호 회로와 안전 장치

문제: 배터리의 열폭주를 예방하기 위해서는 배터리 내부의 이상 상태를 조기에 감지하고 대응하는 것이 필요합니다.

해결 방안:

• 과충전 및 과방전 보호: 배터리의 충전 상태를 모니터링하고, 과충전이나 과방전 상황이 발생할 경우 자동으로 충전 전원을 차단하거나 전류를 조절합니다.
• 단락 및 과열 보호 회로: 배터리의 전류를 모니터링하여 단락 상태를 감지하고, 과열 감지 시 배터리를 자동으로 차단합니다.
• 가스 배출 시스템: 배터리 내부에 가스 배출 시스템을 설계하여 내부 압력이 과도하게 상승할 경우 가스를 안전하게 배출합니다. 이를 통해 배터리의 폭발 위험을 줄입니다.

구현 예:

이러한 해결 방안을 통해 리튬 배터리의 열폭주를 효과적으로 방지하고, 배터리의 안전성을 크게 향상시킬 수 있습니다. 각 해결 방안은 배터리의 안정성을 높이는 데 중요한 역할을 하며, 이를 통해 안전하고 신뢰성 높은 배터리 시스템을 구축할 수 있습니다.

저의 전기차 바테리 BMS 개발 보드의 펌웨어 설계 커스토마이징 노하우 소개

이러한 과정을 통해 EMB1428Q는 배터리 팩의 전체 성능을 최적화하고, 각 셀의 수명을 균일하게 유지하며, 전체 시스템의 안정성과 효율성을 높이는 데 기여합니다.  저희 딥네트워크가 바테리 BMS 설계도 깊이있게 검토 분석을 하다 보니 깨닭은게 BMS 설계에 최적화된 바테리 HW 스택을 설계하는것을 빈틈없이 HW 설계를 하면 아무래도 BMS 펌웨어의 성능은  BMS HW 설계 범주내에서 펌웨어 성능이 나올수 있는것 같읍니다 ...  TI 의 EMB1428Q 칩셋이  SPI 버스 인터페이스를 통해 충전/방전 명령을 수신하는 동작 구조와 에너지 이동을 위한 12개의 플로팅 MOSFET 게이트 드라이버를 제어하는 펌웨어 설계 원리를 파악에 성공했읍니다   저는 이를 위해 MOSFET 스위칭 제어를 위한  설계 방법 파악을 통해 에너지 이동을 위한 플로팅 MOSFET 게이트 드라이버 제어를 TI 사 EMB1428Q 칩셋을 적용해 펌웨어로  BMS 펌웨어 구현 노하우도 확보 성공했읍니다  ...    제가 파악한바로는 BMS HW 설계의 핵심은  셀 충방전 회로 설계시 스위치 캐패시티드 네트워크로 설게하는데 이때  MOSFET 스위칭 소자의 게이트 구동회로 설계시 MOSFET 회로가 플로팅됬을때  게이트 구동회로에 인가전압을 어떻게 인가하도록 설계하는냐가 핵심인데 이것도 파악에 성공했읍니다 ...

저희 회사는 전기차 바테리 충전 제어 전문 일인기업으로서,  TI  사  EMB1428Q 칩셋을  활용하여 삼성 21700 50E / 7S 20P 바테리 셀의 충전 성능을 극대화할 수 있는 펌웨어와 기법을 분석하였습니다. 저희 회사의 제품과 서비스에 관심이 있으시다면, 저희 기업 블로그 사이트를 방문하시거나 연락주시기 바랍니다. 감사합니다.

딥네트워크      장석원      010 3350 6509     sayhi7@daum.net

제가 운영하는 딥네트워크가 그동안 3 년 넘게 BLDC Motor 로 로봇 축 관절제어 펌웨어 설계관련해서 세부 자료 검토를 했었읍니다 ...   3 년 넘는 기간동안 하루에 두세시간씩 구글링(국내외 논문분석)을 했었구요 ...   그만큼 저도 BLDC Motor 로 로봇 축 관절제어 펌웨어 설계관련해서 구글링으로 세부 자료 확보하는게 모래사장에서 다이아몬드 찾기만큼 힘들구나를 절감했읍니다 ...  저는 3 년을 노력해서  BLDC Motor 의  토크 정밀제어를 PI 제어 기법으로 구현하려면 펌웨어 설계는 어떤 설계 구조로 설계해야 하는지 이거 파악이 진짜 눈물겨웠읍니다 ...    글로벌 반도체 대기업의 모터제어 기술자료와 모터제어 관련 수천편의 국내외 논문을 세부 검토했구요 ....  이런 시행착오를 한 3 년 하니 이제서야 모터제어 관련 똥 오줌 가리는게 확실히 가능해졌구요 ...  그동안 3 년여동안 구글링(국내외 논문분석)으로 검색어 넣은것만 한 1000 번이상 구글링을 수행해서 국내외 논문을 거의 2000 편 정도 세부 검토해 분석을 진행했구요 ...  세상에 돈이 되는 노하우 공짜로 얻는것이 불가능 하더라구요 ...     저도 구글링 2000 번 넘는 시행착오(국내외 논문분석)를 거쳐 3 년여만에 제가 원하는 돈이 되는 세부 정보를 얻는데 성공했읍니다 ....      제가 확보한  BLDC 모터 정밀제어 노하우는  위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하는데 필요한 제어 알고리즘 수식을 확보해서 이해하는데 성공했읍니다 ...     BLDC Motor 로 위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하려면 BLDC Motor 는 어떤 규격의 것을 선택해야 하는지와 이는 또 어느 업체에서 이를 취급하는지 등등도 파악하고 있읍니다 ...   4 Pole - BLDC Motor 제어를 PWM 구동 방식으로  6 - STEP Sequence 로 제어하려면 세부적으로 어떻게 제어해야 하는지 등등도 파악에 성공했읍니다 ...      대용량 모터건 감속기가 장착된 모터건 간에 PI 제어 루프를 최적화시키는 노하우가 핵심인데 이 핵심을 최근 파악 성공해서  모터제어 일감 개발제안서 송부가 가능하다는것 입니다

제가 확보한 BLDC Motor 로 로봇 축 관절제어 펌웨어 설계 노하우는 간략히 다음과 같읍니다 ....

BLDC Motor 의  토크(전류) 정밀제어를 PI 제어 기법으로 구현하려면 펌웨어 설계는 어떤 설계 구조로 설계하는지 세부 알고리즘 설계 노하우를 확보 성공했읍니다  ...

로봇 축 관절제어를 위한 BLDC 모터 컨트롤러 펌웨어 설계 기술자문 / 개발용역 의뢰를 아래의 이메일로 문의주시면 검토답신 드리겠읍니다 ....   

딥네트워크  장석원  HP :  010-3350 6509   이메일 :   sayhi7@daum.net 

Janus Gateway 미디어 서버 오픈소스를 제가 거의 일년간 소스 분석을 통해 획득한 정보를  관련해서 관련 기업들에게 기술자문 서비스를 제가 하고 싶어서  몇가지를 노하우를  공개합니다 ...   WebRTC 엔진은 웹 브라우저와 웹 서버 간에 실시간으로 음성, 비디오, 데이터를 교환할 수 있게 해주는 기술입니다. 트랜스포트 레이어는 웹 서버와 클라이언트 간에 데이터를 전송하는 방식을 정의하는 부분입니다. Janus Core 의  RabbitMQ 는 Janus의 트랜스포트 레이어 중 하나로, RabbitMQ 메시징 시스템을 이용하여 Janus와 클라이언트 간에 데이터를 교환하는 방법을 제공합니다.       Janus Gateway는 WebRTC 미디어 서버로, Janus Core와 여러 플러그인으로 구성되어 있습니다. Janus Core는 WebRTC 엔진과 트랜스포트 레이어를 담당하고, 플러그인은 각종 미디어 로직을 구현합니다. Janus Core와 플러그인은 서로간에 JSON 메시지를 주고받아 통신합니다        Janus Core는 플러그인에게 WebRTC 연결을 설정하기 위한 메시지를 보냅니다. 이 메시지에는 Janus Core가 생성한 SDP (Session Description Protocol) offer가 포함됩니다. SDP offer는 Janus Core가 제공할 수 있는 미디어 형식과 파라미터를 표현합니다 .
플러그인은 Janus Core로부터 받은 SDP offer를 분석하고, 자신이 수용할 수 있는 미디어 형식과 파라미터를 선택합니다. 그리고 Janus Core에게 SDP answer를 보냅니다. SDP answer는 플러그인이 선택한 미디어 형식과 파라미터를 표현합니다 .
Janus Core와 플러그인은 서로의 SDP offer와 answer를 교환하고, 이를 바탕으로 WebRTC 연결을 설정합니다. 이 과정에서 Janus Core와 플러그인은 ICE (Interactive Connectivity Establishment)를 사용하여 네트워크 연결성을 확인하고, 최적의 경로를 선택합니다. ICE는 STUN (Session Traversal Utilities for NAT)과 TURN (Traversal Using Relays around NAT) 서버를 사용하여 NAT (Network Address Translation)와 방화벽을 통과할 수 있는 후보 IP 주소와 포트 번호를 찾습니다 .      Janus Core는 플러그인과의 메시지 교환을 통해 WebRTC 연결을 설정합니다. 이 과정에서 Janus Core 는 SDP (Session Description Protocol)와 ICE (Interactive Connectivity Establishment)를 사용하여 피어 간의 미디어 협상과 네트워크 연결성을 확보합니다       Janus Gateway는 WebRTC를 사용할 수 있게 구현한 오픈소스 미디어 서버입니다. Janus Gateway는 다양한 플러그인을 제공하며, 각 플러그인은 Janus Core와 통신하기 위해 공통된 인터페이스를 사용합니다. 플러그인의 기법은 다음과 같습니다      플러그인은 Janus Core에 의해 동적으로 로드되고, Janus Core는 플러그인의 초기화, 설정, 종료 등을 관리합니다.   플러그인은 Janus Core로부터 세션, 핸들, 메시지 등의 이벤트를 받고, 이에 대해 적절한 응답을 보냅니다.      플러그은 Janus Core와의 메시지 교환을 통해 WebRTC 연결을 설정하고, 미디어 스트림을 전송하거나 수신합니다.      플러그인은 자신의 기능에 따라 미디어 스트림을 처리하거나 변환하고, 다른 플러그인이나 외부 서비스와 연동할 수 있습니다.           

Janus Gateway 미디어 서버 오픈소스 관련해서 여기에 공개한 내용보다 조금 더 심층적으로 파악되 있어서 관련 기업에서 기술이슈 문의주시면 세부 협의가 가능할것 같읍니다     

딥 네트워크  장석원  HP :  010-3350 6509      이메일 :   sayhi7@daum.net

제가 나이 60 인데  한 2 년전부터 딥러닝 해외논문을 한 일년반 세부분석작업을 했었읍니다 ...    요즘 OpenAI 같은 미국 회사가  초거대 언어모델 상용화로 전세계가 큰 변혁을 맞이하고 있는데요 ...   저도 2 - 3 년전부터 GPT 모델 발표됬을때 부터 이것의 딥러닝 모델은 어떤 구조로 설계됬는지 학습은 어떻게 구현되길래 초거대 모델로 전세계가 변혁을 맞이할 정도인지  이런것들 딥러닝 초거대 모델 설계 구조 파악을 위해 꾀 열심히 자료분석을 했읍니다 ...   저도 분석작업을 해서 딥러닝 초거대 모델 설계 구조 분석은 그래도 어느정도 됬지만 초거대 모델이 경량화된다고는 하는데 그래도 소기업이 감당 가능한 학습데이터량이 아니라서 이런것들은 마이크로소프트 같은 초거대 기업이 거대자본을 투입해서 상용화 버젼을 출시하고 있고  저같은 소기업은 설계구조 분석 정도가 한계가 아닌가 그 설계구조 분석 이라는것도 상용화 하기위해 자본을 투입해 커스토마이징 작업을 처리해서 획득한 이런 구현 노하우는 저같은 소기업은 파악이 불가능 하다고 판단 했읍니다 ...   마이크로소프트가 초거대모델 상용 성능을 내려고 수조원의 딥러닝 서버 클러스터를 구축해서 초거대모델의 성능을 구현하니 저같은 소기업은 할수있는 작업이 당연 설계구조 분석 정도로 한정되는게 당연하다고 저는 판단합니다 ...   그래서 제가 딥러닝 논문 분석분야가 한 두가지가 더 있는데 그 한가지가 엔비디아 NeRF 논문 과 StyleGAN 논문으로 뭔가를 해보면 이건 가능하지 않을까 싶었읍니다 ...  현재 NeRF 논문은 세부 모델의 설계구조가 분석이 되 있구요 ...  상세설계까지 가능한 수준은 아닙니다 ...  단지 기본 설계 정도가 가능한 수준 입니다 ...  StyleGAN 논문도 NeRF 논문과 마찬가지이고 기본 설계까지 파악이 되 있읍니다 ...  NeRF 논문이나 StyleGAN 논문도 이것을 상용 성능으로 개발하려면 딥러닝 서버 구축 비용이 소기업이 감당하기 쉽지 않았구요 ...  사설 딥러닝 서버 구축도 A100 GPU 가 고가라서 이것 4 개만 장착해도 비용이 장난이 아니더군요 ...     저도 딥러닝쪽도 남 부끄럽지않게 준비는 되 있는데 기업대표분들은 저에게 당신은 상세설계 능력이 부족해서 우리는 100 점짜리 능력자를 원하기에 당신이 이에 못미친다면 우리와는 함께 못한다라고 하시더군요 ...      제 글을 보시고 혹시 딥러닝쪽으로 컨설팅 자문 의뢰가 가능하시면 연락 부탁드립니다 ....     

딥 네트워크  장석원  HP : 010-3350 6509  이메일 :  sayhi7@daum.net 

보스톤 다이나믹스 MIT 출신들이 모여 만든 로봇 회사 같은 로봇은 로봇 관절이 자기가 어느위치에 어떻게 있는지를 알야야 정확한 제어가 가능할겁니다 .... 이것의 구현을 위해서는  Invensense ICM20948 칩셋 같은 9 축센서 칩셋으로  IMU (관성 측정 장치)로 각속도계, 가속도계, 지자기계를 포함합니다. 이 센서들의 데이터를 이용하여 yaw, pitch, roll 각을 측정해서 로봇 관절이 자기가 어느위치에 어떻게 있는지를 알야야 정확한 자세 측정이 가능 합니다 ...    로봇 축 모터 정밀제어 관련해서 어떻게 부하가 걸린 상태로 모터를 구동해서 정확한 위치가 되면 부하가 걸린 모터 축을 어떻게 제어해야 정지상태를 유지하면서 모터 축이 모터 부하를 견딜수 있는지 이런것들의 펌웨어는 어떤 설계 원리로 구현 가능한지 그 세부 동작원리를 파낙하는데 성공했구요 ....  로봇 관절제어를 위해서는 제어 모터에 감속기 등등의  부가장치를 장착해서 어떤 설계 구조로 모터가 정밀제어가 가능한지  모터의 부가장치의 선택 방법과 그 세부 설계 동작원리 등등을 파악했읍니다 ...   로봇 관절제어를 위해서는 제어 모터에 감속기 등등을 설계 제조하는 일본기업을 알아봐서 로봇 관절제어에 적합하게  제어 모터에 감속기 등등의  부가장치를 장착한것들은 어느 정도 가격대인가도 알아봤읍니다 ...    저의 경우 로봇 축 관절제어를 위한 BLDC Motor 의 토크/위치/속도 제어를 위한 모터 제어 펌웨어가 어떤 설계 구조로 구현하는지를 파악하는데 성공했읍니다 ...   로봇 축 관절제어를 위한 모터제어 프로토타입 펌웨어 구현 정도의 노하우를 확보했구요 ...    저도 구글링 2000 번 넘는 시행착오(국내외 논문분석)를 거쳐 3 년여만에 제가 원하는 돈이 되는 세부 정보를 얻는데 성공했읍니다 ....      제가 확보한  BLDC 모터 정밀제어 노하우는  위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하는데 필요한 제어 알고리즘 수식을 확보해서 이해하는데 성공했읍니다 ...     BLDC Motor 로 위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하려면 BLDC Motor 는 어떤 규격의 것을 선택해야 하는지와 이는 또 어느 업체에서 이를 취급하는지 등등도 파악하고 있읍니다 ...   4 Pole - BLDC Motor 제어를 PWM 구동 방식으로  6 - STEP Sequence 로 제어하려면 세부적으로 어떻게 제어해야 하는지 등등도 파악에 성공했읍니다 ...    모터제어도 정밀제어가 가능한 사람이 드문데 제가 한 3 년 국내외 사이트의 기술자료 분석을 통해 모터 정밀제어 기술력을 확보하는데 성공했읍니다  문제는 제 기술력을 다른 관련 기업에 마땅히 홍보할 방법이 없어서 제 기술력을 저만 알고 있다는게 문제 입니다  저는  로봇 축 관절제어 설계 기술을 확보하고 있구요  보스톤 다이나믹스를 현대차가 10억불에 인수한 기술의 기본이 로봇 축 관절제어 기술이거든요  4족 보행로봇 상용설계 기술은 많이 부족하지만 로봇 축 관절제어 설계 노하우는 확보했으니 저도   이것으로 기회가 오면 큰 건을 잡으리라 판단하거든요   제가 운영하는 딥 네트워크의 로봇 관절제어 기술력 소개 글 입니다 .....

딥 네트워크 장석원    HP :  010-3350 6509    이메일 :  sayhi7@daum.net 

요즘 IT 업계가 되었건 아니면 다른 업계 건 똑같이 ...  직원으로 일을 하던 사업을 하던 똑같이  당신은 100 점 능력입니까 ? 라고 일꺼리 일자리 협의때 반드시 물어 보는게 요즘 세상 살이 입니다 ...  요즘엔 대기업 이든 중소기업 이든 사람을 검토할때 당신은 100 점 능력이 있읍니까 ?  를 반드시 물어 봅니다 ...  제 나이 내년이면 60 입니다 ...  저보러 지금 현재 100 점 능력 처리 가능 분야가 있느냐 라고 하시면 아직 거기가지는 못된다라고 말씀드립니다 ...   이제 나이 60 에 판단해 보면 어느 분야 제품을 세부설계 방법을 파악하는것은 큰 돈 안들이고도 파악이 가능 합니다 ...   그런데 이렇게  어느 분야 제품을 세부설계 방법을 파악했다고 사람들은 100 점 이라고 이야기하지는 않읍니다 ...  이  세부설계 방법을 적용해서 몇천만원 이상의 돈을 투입해서 실무 개발작업을 거쳐 결과물이 나왔을때에 사람들은 당신은 100 점 이다 라고 이야기 합니다 ...  그러하기에 저같이 일반적인 사회생활을 한 사람은 100 점 능력을 위해  몇천만원 이상의 돈을 투입해서 실무 개발작업을 거쳐 결과물을 얻는것을 진행하는것을 실행에 옮기는게 사실상 어렵거든요 ...  그리고 직장생활하면서도 물론 100 점 능력을 가지는것은 가능한데  이렇게 100 점 능력을 가질수 있게 그런쪽으로 일을 맡겨주시는 기업으로 조인하는것도 쉬운 일이 아닐분더러 설사 그런 직장을 들어겄다해도 신입이 몇년 실무 경험했다고 단번에 100 점 능력되는것은 어렵구요 ...  그러니 직장 경험으로 100 점 능력을 갖추는것도 하늘에 별따기 만큼 그런 기회가 쉽사리 오지 않읍니다 ...     저의 경우도 최근 한 1 - 2 년간 로봇 축 모터 제어 관련해서 어떻게 부하가 걸린 상태로 모터를 구동해서 정확한 위치가 되면 부하가 걸린 모터 축을 어떻게 제어해야 정지상태를 유지하면서 모터 축이 모터 부하를 견딜수 있는지 ...  이런것들의 설계 원리 파악에 성공했읍니다 ...   설계 원리가 파악됬으니 물론 구현도 가능한데 구현 하려면 자금이 투입되야 하구요 ...    설계 원리가 파악됬으니 물론 구현시 커스토마이징 개발을 해야 하는데 설계 원리를 이해 못하는 사업자 보다는 저는 어떻게 모터를 제어해야 하는지를 파악했기에 자부심은 있는데 100 점 능력은 자부심만으로 되는것은 아니고  커스토마이징 개발을 위해 자금 투입을 위한 자금 확보가 되야 이 모든게 가능하거든요 ...       보스톤 다이나믹스 MIT 출신들이 모여 만든 로봇 회사 같은 로봇은 로봇 관절이 자기가 어느위치에 어떻게 있는지를 알야야 정확한 제어가 가능할겁니다 .... 이것의 구현을 위해는  Invensense ICM20948 칩셋 같은 9 축센서 칩셋으로  IMU (관성 측정 장치)로 각속도계, 가속도계, 지자기계를 포함합니다. 이 센서들의 데이터를 이용하여 yaw, pitch, roll 각을 측정해서 로봇 관절이 자기가 어느위치에 어떻게 있는지를 알야야 정확한 자세 측정이 가능 합니다 ...    로봇 축 모터 정밀제어 관련해서 어떻게 부하가 걸린 상태로 모터를 구동해서 정확한 위치가 되면 부하가 걸린 모터 축을 어떻게 제어해야 정지상태를 유지하면서 모터 축이 모터 부하를 견딜수 있는지 이런것들의 펌웨어는 어떤 설계 원리로 구현 가능한지 그 세부 동작원리를 파낙하는데 성공했구요 ....  로봇 관절제어를 위해서는 제어 모터에 감속기 등등의  부가장치를 장착해서 어떤 설계 구조로 모터가 정밀제어가 가능한지  모터의 부가장치의 선택 방법과 그 세부 설계 동작원리 등등을 파악했읍니다 ...   로봇 관절제어를 위해서는 제어 모터에 감속기 등등을 설계 제조하는 일본기업을 알아봐서 로봇 관절제어에 적합하게  제어 모터에 감속기 등등의  부가장치를 장착한것들은 어느 정도 가격대인가도 알아봤읍니다 ...    저의 경우 로봇 축 관절제어를 위한 BLDC Motor 의 토크/위치/속도 제어를 위한 모터 제어 펌웨어가 어떤 설계 구조로 구현하는지를 파악하는데 성공했읍니다 ...    BLDC Motor 로 로봇 축 관절제어를 위해 모터의 토크 / 속도 / 위치 제어를 정밀하게 하려면 제어 알고리즘을 구현하는게 제일 중요한데 ...  저는 이 제어 알고리즘의 세부 알고리즘 수식을 그동안 3 년 정도 구글링으로 세부정보를 확보하는데 성공했기에 이렇게 로봇 축 관절제어 펌웨어 설계 관련 세부 기술 컨설팅이 가능하다는 글도 올릴수 있는것 입니다 ...     모터제어도 정밀제어가 가능한 사람이 드문데 제가 한 3 년 국내외 사이트의 기술자료 분석을 통해 모터 정밀제어 기술력을 확보하는데 성공했읍니다  문제는 제 기술력을 다른 관련 기업에 마땅히 홍보할 방법이 없어서 제 기술력을 저만 알고 있다는게 문제 입니다  저는  로봇 축 관절제어 설계 기술을 확보하고 있구요  보스톤 다이나믹스를 현대차가 10억불에 인수한 기술의 기본이 로봇 축 관절제어 기술이거든요  4족 보행로봇 상용설계 기술은 많이 부족하지만 로봇 축 관절제어 설계 노하우는 확보했으니 저도   이것으로 기회가 오면 큰 건을 잡으리라 판단하거든요 

제가 나이 60 에 100 점 능력을 가지려면 어떻게 해나 또 나는 어디까지 준비가 되 있나 ? 를 생각해 본 글 입니다 ...  관련된 기업에서 이 글보시고 관련 업무쪽 연락 해주시면 감사하겠읍니다 ... 

딥 네트워크 장석원    HP : 010-3350 6509     이메일 :  sayhi7@daum.net 

NXP 카메라 레퍼런스 보드 혹은 다른 글로벌 대기업의  레퍼런스 보드를 적용해서 이미지센서와 Camera ISP 를 동작시키는 카메라 보드를 임베디드리눅스 SW 를 적용해서 프로토타입 개발을 최적의 개발기간과 비용으로 개발 가능 합니다 ...        NXP i.MX8 CPU 로 MIPI 이미지센서 2 개의 카메라 영상을 처리하는것의 노하우가 있읍니다 ...    MIPI 이미지센서 2 개의 카메라 영상을 처리하는것의 노하우가 있읍니다 ...   이미지센서와 내장형 Camera ISP 를 어떻게 내부 파라미터를 설정하고 구동해서 이미지센서의 영상을 획득할수 있는지의 노하우도 있고,  이미지센서를 리눅스커널 디바이스 드라이버로 구동하면  V4L2 로 어떻게 카메라 영상을 획득할수 있는지에 대한 노하우도 있읍니다 ...

대만 노바텍 NT98530 의 리눅스 BSP 가 어떤 설계 구조로  이미지센서와 내장형 Camera ISP 를 어떻게 내부 파라미터를 설정하고 구동해서 이미지센서의 영상을 획득할수 있는지의 노하우도 있고,  이것을 HDAL API 를 어떤식으로 적용해서 구현하는지도 파악하고 있읍니다 ...    대만 노바텍 NT98530 의 리눅스 BSP 로 이미지센서에서 획득한 영상위에 OSD 영상을 어떤 방식으로 구현하는지도  그 구현 노하우도 갖고 있읍니다 ...   응용 프로그램은 HDAL API 를 호출하여 NT98530과 상호 작용합니다. 예를 들어, HDAL API 를 통해 카메라 센서의 해상도나 프레임 레이트를 설정하거나, 영상 데이터를 읽거나 저장하거나, 영상 처리 알고리즘을 적용하거나, 영상 출력 장치와 연동할 수 있는 노하우가 있읍니다.   대만 노바텍의 NT98530 을 적용시 HDAL API 로 다음의 영상 처리 알고리즘 구현이 가능 합니다 ...   그레이스케일 알고리즘: 컬러 영상을 흑백 영상으로 변환하는 알고리즘입니다. 영상의 명암 정보만을 사용하여 영상의 크기를 줄이거나, 영상 분석에 용이하게 만듭니다.   엣지 검출 알고리즘: 영상에서 경계선이나 윤곽을 찾아내는 알고리즘입니다. 영상의 특징을 추출하거나, 영상의 형태를 인식하는데 도움이 됩니다.     모션 디텍션 알고리즘: 영상에서 움직이는 물체나 사람을 감지하는 알고리즘입니다. 영상에서 움직임의 유무나 방향, 속도 등을 파악하거나, 움직이는 물체나 사람을 추적하는데 사용됩니다.      노바텍 NT98530 Linux BSP는 노바텍의 HDAL  API 를 사용하여 카메라 모듈과 통신하는 드라이버 이고 또한  V4L2 API 는 리눅스 커널에서 비디오 장치를 제어 합니다.  저희 딥네트워크는 노바텍의 HDAL API 리눅스커널 카메라 부분 관련 드라이버 세부 설계가 어떤 구조로 커널 소스가 설계되서 동작하는지 그 세부 노하우 파악에 성공했읍니다. 

BLDC Motor 토크제어/위치제어/속도제어를 여러 글로벌 대기업의 모터제어 레퍼런스 보드를 적용해서 모터제어 펌웨어 프로토타입 개발을 최적의 개발기간과 비용으로 개발 가능 합니다 ...    BLDC Motor 로 로봇 축 관절제어를 위해 모터의 토크 / 속도 / 위치 제어를 정밀하게 하려면 제어 알고리즘을 구현하는게 제일 중요한데 ...  저는 이 제어 알고리즘의 세부 알고리즘 수식을 그동안 3 년 정도 구글링으로 세부정보를 확보하는데 성공했기에 이렇게 로봇 축 관절제어 펌웨어 설계 관련 세부 기술 컨설팅이 가능하다는 글도 올릴수 있는것 입니다 ...        저도 구글링 2000 번 넘는 시행착오(국내외 논문분석)를 거쳐 3 년여만에 제가 원하는 돈이 되는 세부 정보를 얻는데 성공했읍니다 ....      제가 확보한  BLDC 모터 정밀제어 노하우는  위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하는데 필요한 제어 알고리즘 수식을 확보해서 이해하는데 성공했읍니다 ...     BLDC Motor 로 위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하려면 BLDC Motor 는 어떤 규격의 것을 선택해야 하는지와 이는 또 어느 업체에서 이를 취급하는지 등등도 파악하고 있읍니다 ...   4 Pole - BLDC Motor 제어를 PWM 구동 방식으로  6 - STEP Sequence 로 제어하려면 세부적으로 어떻게 제어해야 하는지 등등도 파악에 성공했읍니다 ...    대용량 모터건 감속기가 장착된 모터건 간에 PI 제어 루프를 최적화시키는 노하우가 핵심인데 이 핵심을 최근 파악 성공해서 모터정밀제어 일감 개발제안서 송부가 가능하다는것 입니다

로봇 관절제어를 위해서는 제어 모터에 감속기 등등을 설계 제조하는 일본기업을 알아봐서 로봇 관절제어에 적합하게  제어 모터에 감속기 등등의  부가장치를 장착한것들은 어느 정도 가격대인가도 알아봤읍니다 ...    저의 경우 로봇 축 관절제어를 위한 BLDC Motor 의 토크/위치/속도 제어를 위한 모터 제어 펌웨어가 어떤 설계 구조로 구현하는지를 파악하는데 성공했읍니다 ...   로봇 축 관절제어를 위한 모터제어 프로토타입 펌웨어 구현 정도의 노하우를 확보했구요 ...  양산을 위한 상세 설계구현은 추가로 자금을 투입해서 개발을 해야 할것 같읍니다 ...

개인사업자 딥 네트워크 개발총괄 장석원 

HP : 010-3350 6509

이메일 :  sayhi7@daum.net 

일인기업 딥 네트워크 장석원

기업블로그 : https://videocodec.tistory.com/     제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일 : sayhi7@daum.net

HP : 010-3350 6509

임베디드 펌웨어 개발 30 년차 입니다 ...

개발 및 자문  문의주시면 세부 개발사양 검토후 검토의견 드리겠읍니다 ...

STM32 CPU 카메라 펌웨어 개발 -  CubeMX 개발 툴로 DCMI 제어 개발 가능 합니다 ...

프로토타입 개발 예상 소요기간 :  2 개월 (이미지센서의 눈 틔우는 정도 선능의 성능의 개발이 가능 합니다)

STM32 CPU TFT-LCD  GUI 개발 -  CubeMX 개발 툴로 TouchGFX 개발환경을 적용해서 개발 가능 합니다 ...

프로토타입 개발 예상 소요기간 :  2 개월 ( 유럽 스위스 STMicro 사의 TouchGFX 개발환경을 적용해서 개발이 가능 합니다 )   -   TFT-LCD GUI 동작 시나리오를 준비해 주셔야 합니다 ...

프로토타입 개발후 기본 동작이 가능하면 안정화(양산 대응) 개발기간이 추가로 필요합니다 ...

LCD Display System based on MIPI DSI  혹은  TFT LCD LTDC 로  LCD Display System 개발 가능 합니다 ...  ( MIPI DSI LCD 판넬 제조사에서 기술정보를 받으려면  MIPI DSI LCD 판넬의 MOQ 구매가 필요할수 있음 )

프로토타입 개발 예상 소요기간 : 2 개월  ( MIPI DSI LCD 판넬 기술정보를 글로벌업체에서 받으려면 시간이 필요합니다 )

STM32 CPU 의 TouchScreen 드라이버 단 어플 단 펌웨어 개발 가능 합니다    ( TouchScreen 제조사에서 기술정보를 받으려면 TouchScreen 의 MOQ 구매가 필요할수 있음 )

프로토타입 개발 예상 소요기간 : 2 개월  ( TouchScreen 판넬 기술정보를 글로벌업체에서 받으려면 시간이 필요합니다 )

STM32 CPU CubeMX 개발 툴로 USB Device 단 USB CDC 통신 펌웨어 개발 가능 합니다 ...

프로토타입 개발 예상 소요기간 :  1 개월

STM32 MCU 로  개발보드 커스토마이징시 SDRAM / Quad-SPI Flash / NOR Flash 등 Memory 장치의 Configuration 개발기간이 필요합니다 ...   ----  STM32 CPU 개발시 공통으로 적용되는 사항 입니다 ...

프로토타입 개발 예상 소요기간 :  1 개월  ( 메모리 칩셋 기술정보를 글로벌업체에서 받으려면 시간이 필요합니다 )

개발기간은 위의 세부 개발 아이템들의 개발을 여러개 조합할 경우 고객사의 전체 아이템의 개발기간을  어느정도 네고가 가능 합니다 ...   위의 개발을 진행하려면 각종 디바이스 칩셋을 MOQ 구매가 필요할수 있읍니다 ...

위의 각각의 개발 아이템별로 안정화(양산 대응) 개발 기간이 추가로  필요할수 있읍니다 

각각 HW 개발 비용은 제가 별도로 외주 개발업체와 협의해서 외주 개발업체에 의뢰 예정 입니다 ... 

HW 개발 비용은 외주업체와 협의되는것으로 확정 합니다.

반도체 공급망 위기로 인해 STM32 CPU 등등 부품 납기가 최소 6 개월에서 1 년까지가 기본인 점 양해 부탁드립니다 ...  ( 저는 해당 칩셋 재고를 가지고 있지 않읍니다 )

======================================================================
노르딕 BLE 칩셋 SDK 커스토마이징 및 퀄컴 ADK 커스토마이징 프로토타입 개발관련 ...

- 노르딕사 칩셋 nRF51 / nRF52 SDK 를 사용해서 Central / Peripheral 데이터 송수신 개발 노하우 확보.
nRF5 SDK 를 사용해서 1 : N 통신 세부 구현 노하우 확보
nRF5 IOT SDK 를 사용해서 소켓 통신 세부 구현 노하우 확보

HOST CPU 와 HOST BLE Chipsets Controller 가 어떻게 동작하는지 세부 구조를 파악했고, HOST BLE Chipsets Controller 의 Link Layer 에서 블루투스 패킷( PDU 패킷 )이 어떠한 동작 구조로 동작하는지도 파악이 되었읍니다.
HOST CPU 와 HOST BLE Chipsets Controller 가 명령 패킷 / 데이터 패킷 / 이벤트 패킷 으로 HCI 가 동작하는 기본 동작 구조이다.

nRF52840 모듈의 블루투스 송수신 동작 참조소스도 분석됬고, nRF52840 Dongle 모듈의 MULTILINK + BLE UART CENTRAL + USBD CDC ACM 을 적용한 멀티링크 다중 통신의 개발 실적이 최근에 있읍니다.

nRF52840 동글 모듈 송수신과 nRF52840 DK 모듈의 블루투스 송수신을 1 : N 다중접속시 송수신 처리 세부 구현 방법을 nRF52 SDK 소스에서 어떤 구조로 설계되 있는지 개발을 그동안 진행했는데 세부 구현 노하우 확보에 성공했다 ...
- 퀄컴(CSR) 사 CSR8645/CSR8670/CSR8675 블루투스 오디오 세부 구현 기술력 보유

=========================================================================
원격검침 시스템에 적용되는 LoRa 통신 구현관련 ...

SX1276 LoRa Chipset 을 적용해서 ST CPU 를 사용해 LoRa 센서단의 클래스 A 통신 구현 기술력을 가지고 있읍니다 ...
LoRa Gateway Uplink: radio packets 는 gateway 에 의해 수신된다 , 그리고 Gateway 에 의해 메터데이터가 더해지고 여기에 Gateway Status 정보가 더해져서 Network Server 로 forward 처리된다. 
LoRa Gateway Downlink:  Network Server 에 의해 패킷이 생성되고 , 부가적인 메터데이터를 포함될수 있고, 또한 Gateway 의 Configuration Data 도 포함되서 Gateway 의 Radio Channel 로 Transmit 된다  

SemTech 사가 공개하는 디바이스단의 펌웨어 소스는 ClassA/B/C end-device 구현시 Periodically uplinks a frame 은 the Cayenne LPP protocol 을 사용한다.   Cayenne Low Power Payload (LPP) 은 편리하고 쉬운 방안을 제공해서 LoRaWAN 같은  LPWAN networks 로 데이터를 Send 를 구현한다 ...  Cayenne LPP 는 payload size restriction 이 있다 11 bytes 보다 적은 수 만 한번에 센서 데이터들을 LoRa 디바이스가 Send 하는것을 허용한다. 

로라통신의 보안 메커니즘에서,  MAC( Message Authentication Code )은 메시지의 위변조를 확인하기 위해 쓰이는 보안 기술 입니다.  CMAC은 알고리즘과 모드 에 따라 AES CBC-MAC 메커니즘이 있구요 ...  CMAC 도 마찬가지로 주된 기능은 사용자 인증(authentication)과  데이터 무결성(data integerity) 처리를 위한것 입니다 ...  MAC 은  MAC 을 만들때  Block 함수를 사용하면 CMAC( Cipher-based Message Authentication Code )가 됩니다 ...  

==========================================================================
스마트워치 / 스마트밴드 개발 기술력 소개 ...
Invensense ICM20948 칩셋으로 칼만필터를 적용해서 보정 설계하는것 세부 노하우 분석 성공 ...
Invensense ICM20948 칩셋으로 DMP 기술을 적용해서 보정 설계하는것 프로토타입 개발기간은 보통 2 달반 정도 소요됨 ...

IMU 9 축 센서 Invensense ICM20948 데이터 읽기 기술력 확보 ....
- STM32F4 CPU 에서 MPU9250 센서값 읽기 기술력 확보 ...
IMU 9 축 센서 Invensense ICM20948 을 DMP 기술을 적용해서 보정된 9 축센서 데이터 개발기술 노하우 확보

- AHRS 라는 모듈이 IMU + CPU 모듈이라는데 ...
이 센서데이터값 각각을 정밀 보정하는 세부 알고리즘까지 모두 구현되 있어서
UART 등 인터페이스로 그 보정 데이터를 제공한다고 한다.

모션 디텍트 개발의 경우
한가지 제스쳐 동작 검출하는것 프로토타입 개발에 약 3 달반 소요 (보통 정확도는 70 프로 정도)
Invensense ICM20948 칩셋으로 상보필터와 칼만필터를 적용해서 보정 설계하는것 펌웨어 설계를 초당 200 - 300 번 센서데이터 획득시 상보필터나 칼만필터로 보정작업을 처리함 ...
=========================================================================

일인기업 딥 네트워크 장석원

기업블로그 : https://videocodec.tistory.com/     제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일 : sayhi7@daum.net

HP : 010-3350 6509

Work Experience (O년 O개월) (최근 순)                                                                            

위의 업체 경력 사항은 제가 운영하는 DMBTEC 이 2007.7 부터 업체로부터 진행한 소규모 개발 및 자문한 것을 용역 업체별로 정리한 도표 입니다 …

경 력 기 술 서

업무상 강점

본인이 채용포지션에 가장 적합하다고 생각하는 경험(프로젝트), 강점을 한 줄로 3~5개 정도 기술해주세요.

1) Embedded Linux Kernel Device Driver 와 Application SW 수정설계 가능

2) Camera Sensor(ISP) / WIFI / LTE / Blutooth 통신 SW 수정설계 가능

3) 보안인증 통신 TLS 1.2 처리절차 및 방법 세부 분석 경험 있음

4) 딥러닝 음성인식/음성합성 세부 메커니즘 분석 및 사업화 안을 준비중 입니다 …

상세 경력 사항

1991.11 ~ 1998.4  ㈜현대중공업 중앙연구소   /   연구원 1 급

[담당업무]

Ø  발전용 보일러 제어 감시시스템 원격단말장치 HW 개발

Intel 80196 CPU 를 사용해서 Backplane 상에서 IO 보드를 듀얼 CPU 로

FPGA 를 사용해서 IO 보드를 제어하는 원격단말장치를 설계

CPU 의 시스템 버스를 이중화 제어를 할수 있는 시스템 버스 중재 제어기를

설계함

와치독 타이머를 채택해서 듀얼 CPU 보드의 한쪽이 이상 동작을 하면

나머지 다른 CPU 가 제어 동작을 처리하도록 설계함

Ø  고압선 6,600V 선로의 디지털 보호 계전기 HW 개발

-    고압선의 과전류 과전압 감지를 위해 노이즈저감 필터를 적용해서

전압 및 전류 정밀 계측 회로 설계.

Ø  고압선 22,900V 선로의 디지털 보호 계전기 HW 개발

-    고압선의 과전류 과전압 감지를 위해 노이즈저감 필터를 적용해서

전압 및 전류 정밀 계측 회로 설계

1999.01 ~ 2006.12  소규모 개발용역의  프리랜서로 활동

[담당업무]

Ø  대기업에서 HW 개발 업무를 7 년간 하다가 SW 개발로 전업하는데 시간이 소요됬음

Ø  Intel 8051 / 80196 / 80186 CPU 로 HW 설계 및 펌웨어 개발

Ø  소규모 Micom CPU 로 펌웨어 개발 개발용역을 소규모로 진행했음.

2007.7 ~ 2023.1           DMBTEC   개인사업자 (총 1명)  /   대표 (개발총괄)

[담당업무]

Ø  Embedded Linux Kernel Device Driver 와 Application 개발

Ø  WIFI Chipsets  BCM4330 / BCM4335 / BCM4339 / BCM43362 / BCM43340 의

리눅스커널 드라이버 및 Station Mode 제어용 WPA Supplicant SW 수정개발

리눅스 커널의 WIFI Network Stack 구현중 어플단에서 libnl 라이브러리를 적용해서 Netlink socket 구성으로 WIFI Station 모드 제어를 위해 wpa_cli 부를 리눅스커널단의 nl80211 부와 연동해서 제어하는 부분 세부 구현 경험 있음

또한 AP Mode 제어를 위해 hostapd_cli 부를 어플단에서 libnl 라이브러리를 적용해서 Netlink socket 구성으로 리눅스커널단의 nl80211 부와 연동해서 제어하는 부분 세부 구현 경험 있음

Ø  Linux  Kernel Camera Sensor Device Driver 수정개발 및 화질 튜닝 관련

리눅스커널의 카메라 프레임워크 구현 소스가 어떤 방식으로 동작하는지

세부 노하우 확보.

Exynos8895 CPU - S5K4E6_C2 / S5K4EC / SR352 / SR030

RK3288 CPU - OV8825 / OV8820 / OV8858 / OV13850 / OV5648 / S5K4H5 / OV2680

Ambarella S3L/S5L Series CPU
-       ONSEMI(Aptina)  AR0230 / AR0237 / AR0239
-       Omnivision           OV2718 / OV4689 / OV5658
-       PANASONIC        MN34220 / 34229 / 34420
-       SONY                   IMX290 / 291 / 322 / 323 / 123 / 178 / 326 / 172 / 226 / 377 / 299 / 183 / 274 / 317

Allwinner V3 CPU
-       Omnivision             OV2710 / OV4689
-       Aptina                     AR0330
-       Sony                        IMX322
-       GalaxyCore            GC1004 / GC1014
-       Novatek                  NT99231
-      SOI                          H22 / H42 / F02

리눅스커널 디바이스 드라이버 수정개발 및 Camera ISP 화질 튜닝 처리

Ø  딥러닝 음성인식 CTC, Connectionist Temporal Classification 개발관련

       기존DNN-HMM 기반음향모델에서는phone 단위의 alignment 된 정답 label 이 요구되었음

    •   CTC 는 발성 script 를 정답 label 로 사용함 으로써, 정답 label 이 없는 학습자료를 실시간으로 사용하여 학습가능

        기존 DNN-HMM 기반 음향모델에서는 HMM 의 각 state 에 대한 observation probability 를 얻기위해, GMM-HMM 모델에 대한 학습을 먼저 진행했음

   •   CTC 는 HMM 의 각 state 에 대한 observation probability 를 사용하지 않기 때문에, GMM-HMM 모델에 대한 학습을 진행하지 않아 DNN-HMM 모델과 비교하여 학습을 위한 과정이 단축됨

STM32 CPU 카메라 펌웨어 개발 -  CubeMX 개발 툴로 DCMI 제어 개발 가능 합니다 ...

프로토타입 개발 예상 소요기간 :  3 개월 (이미지센서의 눈 틔우는 정도 선능의 성능의 개발이 가능 합니다)

LCD Display System based on MIPI DSI  혹은  TFT LCD LTDC 로  LCD Display System 개발 가능 합니다 ...  ( MIPI DSI LCD 판넬 제조사에서 기술정보를 받으려면  MIPI DSI LCD 판넬의 MOQ 구매가 필요할수 있음 )

프로토타입 개발 예상 소요기간 : 3 개월  ( MIPI DSI LCD 판넬 기술정보를 글로벌업체에서 받으려면 시간이 필요합니다 )

STM32 CPU 의 TouchScreen 드라이버 단 어플 단 펌웨어 개발 가능 합니다    ( TouchScreen 제조사에서 기술정보를 받으려면 TouchScreen 의 MOQ 구매가 필요할수 있음 )

프로토타입 개발 예상 소요기간 : 3 개월  ( TouchScreen 판넬 기술정보를 글로벌업체에서 받으려면 시간이 필요합니다 )

STM32 CPU CubeMX 개발 툴로 USB Device 단 USB CDC 통신 펌웨어 개발 가능 합니다 ...

프로토타입 개발 예상 소요기간 :  2 개월

STM32 MCU 로  개발보드 커스토마이징시 SDRAM / Quad-SPI Flash / NOR Flash 등 Memory 장치의 Configuration 개발기간이 필요합니다 ...   ----  STM32 CPU 개발시 공통으로 적용되는 사항 입니다 ...

프로토타입 개발 예상 소요기간 :  1 개월  ( 메모리 칩셋 기술정보를 글로벌업체에서 받으려면 시간이 필요합니다 )

개발기간은 위의 세부 개발 아이템들의 개발을 여러개 조합할 경우 고객사의 전체 아이템의 개발기간을  어느정도 네고가 가능 합니다 ...   위의 개발을 진행하려면 각종 디바이스 칩셋을 MOQ 구매가 필요할수 있읍니다 ...

위의 각각의 개발 아이템별로 안정화(양산 대응) 개발 기간이 추가로  필요할수 있읍니다 

각각 HW 개발 비용은 제가 별도로 외주 개발업체와 협의해서 외주 개발업체에 의뢰 예정 입니다 ... 

HW 개발 비용은 외주업체와 협의되는것으로 확정 합니다.

반도체 공급망 위기로 인해 STM32 CPU 등등 부품 납기가 최소 6 개월에서 1 년까지가 기본인 점 양해 부탁드립니다 ...  ( 저는 해당 칩셋 재고를 가지고 있지 않읍니다 )

㈜알서포트 2011.5 – 2012.3 기반기술팀 계약직 근무

Galaxy-S2 Smartphone 의 H.264 HW Codec 으로 스마트폰의 영상을 압축해서 스트리밍 전송하는 부분을 구현.

PC 의 화면을 오픈소스 코덱 소스인 X264 를 사용해서 원격지의 PC 로 화면을 스트리밍 전송하는 부분을 구현.

㈜브라이센코리아 2020.8 – 2021.1  4 차 혁명시대 사업화 안 등을 제안.   (기술고문으로 근무했음)

스마트 팩토리 사업화 안 중 BLDC Motor 전류제어 PI 제어기 구현 안 제안

대용량 모터 제어의 경우  위에서 말씀드린 MATLAB 으로 특정 리졸버 등 특정 센싱장치들을 적용해서 제어되는 모터제어 펌웨어를 자동생성해서 기본 동작을 구현하고 ...   대용량 모터 파라미터의 모델링한 부분과 모터의 전류제어 루프 및 속도제어 루프를 제어하는 PI 제어 부분 설계관련 제가 파악한 세부노하우를 점수를 매기면 그 점수가 대략 80 점은 되는것 같읍니다 ...  제가 나이가 59 세라도 대용량 모터제어 알고리즘 이해 점수가 80 점은 되구요 ...  대용량 모터제어 개발이 저도 100 % 완벽하지는 못 합니다 ...  PI 변수값도 각각의 상황(입력에대한 모터응답률등)에 맟추어 튜닝 작업을 처리합니다.  튜닝시 PI 값은 실험에 따른 전류맵에  얼마나 빠르게 응답할지를 대전력 모터 테스트 시설을 갖춘 시설에서 시행착오를 거쳐서 안정적인 모터응답률이 나오도록 테스트를 진행하구요 ....  PI 튜닝은 변동량만 계산해서 적정량에 맞는 값을 찾도록 도와주는 역할을 하는 것입니다     MATLAB 으로 모터제어시 전류제어 PI 전달함수 부분과 모터 모델링 전달함수를 MATLAB 에서 펌웨어를 다 생성해 주므로 전기차 모터 제어시 토크 응답특성 최적화 구현도 사실 큰 문제는 없다고 봅니다  커스토마이징은 필요하지만 기본 설계가 다 제공되니 큰 문제가 없다고  제안했습니다 …

WebRTC 기술을 적용한 오픈소스 미디어 서버 Janus 서버로 대용량 화상회의 구현 안 제안       

RabbitMQ 클라우드 서비스를 적용한 수만명 정도의 대상으로 실시간으로 대규모 미디어 데이터 송수신 기술개발 및 기술자문 가능 합니다 ...   RabbitMQ 클라우드 서비스의 API 함수를 적용해서 어떻게  1 : N (수만명)의 송수신이 실시간에 가깝게 가능하게 구현 설계가 가능한지 파악에 성공했읍니다 ...  이것을 분석하는것을 일년반전에 시작한 동기가 이탈리아 개발 회사 Meetecho 가 설계한 오픈소스인 Janus Gateway 오픈소스를 거의 일년 이상 소스를 세부적으로 검토분석하다가  Janus Gateway 오픈소스가 RabbitMQ 서비스로 미디어데이터를 송수신하는 기능을 이 오픈소스에 포함된것을 파악하면서 본격적으로  1 : N (수만명)의 미디어 데이터의 네트웍 통신 송수신이 실시간에 가깝게 가능하게 구현 설계를 한 일년 빡시게 분석해서 파악 성공했읍니다 ...    이를 적용해서 상용화를 위해서는 저 또한 추가의 검토분석은 필요합니다 ...   저의 경우  1 : N (수만명)의 미디어 데이터의 네트웍 통신 송수신의 프로토타입 구현 설계가 가능한 기술력을 현재 보유하고 있어서 이렇게 글을 올리게 됬읍니다 ... 

㈜대한 인스트루먼트 2021.2 – 2021. 10  LoRa 통신 디바이스단 및 게이트웨이단  기술 컨설팅. (기술고문으로 근무했음)

LoRa Gateway Uplink: radio packets 는 gateway 에 의해 수신된다 , 그리고 Gateway 에 의해 메터데이터가 더해지고 여기에 Gateway Status 정보가 더해져서 Network Server 로 forward 처리된다. 
LoRa Gateway Downlink:  Network Server 에 의해 패킷이 생성되고 , 부가적인 메터데이터를 포함될수 있고, 또한 Gateway 의 Configuration Data 도 포함되서 Gateway 의 Radio Channel 로 Transmit 된다  

SemTech 사가 공개하는 디바이스단의 펌웨어 소스는 ClassA/B/C end-device 구현시 Periodically uplinks a frame 은 the Cayenne LPP protocol 을 사용한다.   Cayenne Low Power Payload (LPP) 은 편리하고 쉬운 방안을 제공해서 LoRaWAN 같은  LPWAN networks 로 데이터를 Send 를 구현한다 ...  Cayenne LPP 는 payload size restriction 이 있다 11 bytes 보다 적은 수 만 한번에 센서 데이터들을 LoRa 디바이스가 Send 하는것을 허용한다. 

자 기 소 개 서

DMBTEC 을 13 년간 운영하다 페업하고 다시 창업한 일인기업 딥 네트워크를 운영하는 59 세 장석원 입니다 ...

네트워크 장비인 L3 스위치 장비의 설계 원리를 현재 정확히 이해하고 있다 ...  이 정도 파악하는 수준이면 네트워크 SW 설계도 거의 전문가급이라고 나는 판단한다 ...   네트워크 장비인 L3 스위치 장비 개발을 직접 경험해 보지 않았어도 L3 스위치 장비의 구현 원리를 파악할수 있었다 ...  나는 네트워크 장비인 L3 스위치 장비의 네트웍 프로토콜 스택 설계 전문가가 아니라  L3 스위치 장비를 응용해서 네트웍 SW 를 설계하는 전문가라함이 정확할것 같다 ...

방탄소년단 공연 실황을 해외에 방송 서비스로 중계방송을 한다고 하면  네트워크 장비인 L3 스위치 장비의 세부 설계 구조를 이해하지 못하면 대규모 방송 서비스를 설계하는것이 사실상 어렵기 때문 입니다 ... 

제가 운영하는 딥 네트워크는 다음과 같은 프로토타입 구현 기술들을 보유하고 있습니다.
RabbitMQ Service는 AMQP 프로토콜을 구현한 메시지 브로커 시스템입니다. RabbitMQ Service의 Exchange는 메시지를 받아서 Binding 규칙에 따라 연결된 Queue로 전달하는 역할을 합니다.
RabbitMQ Service 의 Exchange는 다음과 같은 메시지 전달 방식을 가질 수 있습니다.
Direct Exchange: 메시지에 포함된 routing key를 기반으로 Queue에 메시지를 전달합니다. routing key가 일치하는 Queue로만 전달됩니다.
Fanout Exchange: routing key 관계없이 연결된 모든 Queue에 동일한 메시지를 전달합니다. publish/subscribe 패턴에 적합합니다.
Topic Exchange: routing key 전체가 일치 하거나 일부 패턴과 일치하는 모든 Queue로 메시지가 전달됩니다. 와일드 카드(*)와 해시(#)를 이용해 routing key를 표현할 수 있습니다.
Headers Exchange: 메시지 헤더를 통해 binding key만을 사용하는 것보다 더 다양한 속성을 사용할 수 있습니다. Header exchange를 사용하면 binding key는 무시되고, 헤더 값이 바인딩 시 지정된 값과 같은 경우에만 일치하는 것으로 간주합니다.
RabbitMQ Service 의 Exchange와 Queue를 바인딩하는 설계 방법은 다음과 같습니다.
Exchange와 Queue를 생성합니다. Queue는 반드시 미리 정의해야 사용할 수 있습니다.
Binding을 추가합니다. Binding은 Exchange와 Queue를 Link하는 것입니다. Binding 시에 목적지 Queue 이름만으로도 추가할 수 있고, 일부 Exchange type에 따라 routing key를 지정해서 메시지를 필터링 한 후 지정한 Queue로 보내도록 정의할 수 있습니다.
Producer가 메시지를 특정 Exchange & Queue에 전달하면, RabbitMQ는 해당 메시지를 적절한 Consumer가 소비(Consume)할 수 있도록 해당 메시지를 전달하는 역할을 수행합니다.
RabbitMQ Service 의 Queue에서 메시지를 받는 방법은 다음과 같습니다.
Consumer 어플리케이션은 Queue를 통해 메시지를 가져갑니다. Consumer 어플리케이션에서 Broker로 많은 연결을 맺는 것은 바람직하지 않으므로, 하나의 연결을 공유하는 Channels을 사용합니다.
Consumer 어플리케이션은 Channel을 통해 Queue에 접근하고, subscribe 또는 pull 방식으로 메시지를 받아갑니다. subscribe 방식은 Queue에서 새로운 메시지가 도착하면 자동으로 Consumer에게 알려주는 방식이고, pull 방식은 Consumer가 직접 Queue에서 메시지를 가져오는 방식입니다.
Consumer 어플리케이션은 받은 메시지를 처리하고, Broker에게 수신 확인(acknowledgement)을 보냅니다. 이때 Broker는 Queue에서 해당 메시지를 삭제합니다. 수신 확인 모델은 명시적으로 Broker에게 통지하는 방식과 Broker가 메시지를 전달하면 자동으로 삭제하는 방식이 있습니다.

클라우드 서비스 RabbitMQ를 사용한 메시지 큐 통신 방식으로 Publish/Subscribe 구현 기술 : 이 기술은 클라우드 서비스인 RabbitMQ를 이용하여 메시지를 발행하고 구독하는 방식으로 통신하는 기술입니다. 이를 통해 다수의 클라이언트와 서버 간에 실시간으로 데이터를 교환할 수 있습니다. 이 기술의 장점은 메시지의 안정성과 확장성을 보장하고, 네트워크 부하를 분산시킬 수 있다는 것입니다. 이 기술은 대규모 방송 서비스에서 다양한 콘텐츠를 전달하고 수신하는 데 적합합니다.
네트웍 장비 L3 / L4 장비의 네트웍 라우팅 정보 제어 기술 : 이 기술은 네트워크 장비인 L3 스위치와 L4 로드밸런서의 라우팅 정보를 제어하는 기술입니다. 이를 통해 네트워크 트래픽을 효율적으로 분배하고, 장애 복구와 보안을 강화할 수 있습니다. 이 기술의 장점은 네트워크 성능과 안정성을 향상시키고, 다양한 프로토콜과 애플리케이션을 지원한다는 것입니다. 이 기술은 대규모 방송 서비스에서 고속의 데이터 전송과 접속자 관리에 필요합니다.
대규모 방송 서비스 구현을 위한 프로토타입 설계 기술 : 이 기술은 위에서 언급한 두 가지 기술을 결합하여 대규모 방송 서비스를 구현하기 위한 프로토타입을 설계하는 기술입니다. 이를 통해 실제 서비스 환경에서의 성능과 안정성을 검증하고, 개선점을 도출할 수 있습니다. 이 기술의 장점은 실제 서비스에 적용하기 전에 문제점을 발견하고 해결할 수 있고, 최적의 서비스 구조와 아키텍처를 설계할 수 있다는 것입니다. 이 기술은 대규모 방송 서비스의 개발과 운영에 필수적입니다.

저는 이러한 기술들을 바탕으로 대규모 방송 서비스의 프로토타입을 구현하고, 사업화 개발 및 자문을 진행하고 있습니다. 저의 사이트에서 저의 포트폴리오와 경력을 확인하실 수 있습니다. 저와 함께라면 더욱 효율적이고 창의적인 대규모 방송 서비스를 만들 수 있습니다.


NeRF 논문은 Neural Radiance Fields라는 새로운 방식으로 3D 장면을 표현하고, 다양한 시점에서의 합성 이미지를 생성하는 방법을 제안했습니다. NeRF는 다음과 같은 알고리즘으로 구현됩니다.

NeRF 논문은 Neural Radiance Fields라는 새로운 방식으로 3D 장면을 표현하고, 다양한 시점에서의 합성 이미지를 생성하는 방법을 제안했습니다. NeRF는 다음과 같은 알고리즘으로 구현됩니다.

Positional Encoding : 3차원 좌표 x와 View Direction d를 고차원 벡터로 변환하는 과정입니다. 이때, 고주파 성분을 보존하기 위해 삼각함수를 이용한 인코딩 방식을 사용합니다. 즉, x와 d에 각각 다른 주파수와 위상을 가진 사인과 코사인 함수를 적용하여 특징 벡터를 생성합니다. 이렇게 하면 x와 d의 작은 변화에도 민감하게 반응할 수 있습니다.
Multi-Layer Perceptron (MLP) : Positional Encoding된 특징 벡터를 입력으로 받아 해당 위치에서 바라 본 Color와 Density를 출력하는 네트워크입니다. MLP는 여러 개의 Fully Connected Layer로 구성되며, 각 레이어에서는 ReLU 활성화 함수와 Skip Connection을 사용합니다. MLP의 마지막 레이어에서는 Color는 RGB 값으로, Density는 스칼라 값으로 출력됩니다.
Classical Volume Rendering : MLP에서 출력된 Color와 Density를 이용하여 합성 이미지를 생성하는 과정입니다. 이때, 카메라에서부터 장면까지의 광선을 따라서 여러 개의 샘플 포인트를 추출하고, 각 포인트에서의 Color와 Density를 MLP에 입력하여 계산합니다. 그리고, 샘플 포인트들의 Color와 Density를 가중 평균하여 최종적인 픽셀 값을 결정합니다. 이때, 가중치는 광선의 방향과 거리에 따라 달라지며, Density가 높을수록 더 많은 빛을 흡수하고 반사한다고 가정합니다.

NeRF 논문은 NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis라는 제목으로 2020년 ECCV에 발표된 논문입니다. 이 논문은 몇 개의 2D 이미지만으로도 이미지 내 물체를 3D로 렌더링하는 새로운 방법을 제안하였습니다.

NeRF 논문의 주요 설계 구조는 다음과 같습니다:

Positional Encoding: NeRF는 3D 공간의 좌표와 방향을 입력으로 받아서, 각 위치에서의 색상과 밀도를 출력하는 신경망입니다. 하지만 신경망은 고차원의 주기적인 함수를 잘 근사하지 못하기 때문에, 입력을 그대로 사용하면 고해상도의 장면을 표현하기 어렵습니다. 따라서 NeRF는 입력을 Positional Encoding이라는 방법으로 변환하여 사용합니다. Positional Encoding은 각 차원의 값을 사인과 코사인 함수에 넣어서 여러 개의 주파수를 가진 값들로 확장하는 과정입니다. 이렇게 하면 신경망이 공간적인 변화에 더 잘 반응할 수 있습니다.

Multi-Layer Perceptron (MLP): NeRF는 Positional Encoding된 좌표와 방향을 입력으로 받아서, Multi-Layer Perceptron (MLP)라고 부르는 완전 연결 신경망에 통과시킵니다. MLP는 여러 개의 은닉층과 활성화 함수로 구성되어 있으며, 각 층에서는 선형 변환과 비선형 변환을 수행합니다. MLP의 마지막 층에서는 각 위치에서의 색상과 밀도를 출력합니다. 색상은 RGB 값으로 표현되며, 밀도는 투명도와 반대되는 개념으로 표현됩니다.

Volume Rendering: NeRF는 MLP를 통해 얻은 색상과 밀도를 이용하여, 장면을 합성하는 과정을 Volume Rendering이라고 부릅니다. Volume Rendering은 카메라와 장면 사이에 가상의 광선을 생성하고, 광선 위의 여러 점들에서 MLP를 평가하여 색상과 밀도를 얻습니다. 그리고 이들을 합성하여 광선이 카메라에 도달할 때의 최종 색상을 계산합니다. Volume Rendering은 광선 위의 점들이 서로 영향을 주고 받는 것을 모델링할 수 있기 때문에, 복잡한 광학적 현상을 재현할 수 있습니다.

NeRF 논문의 학습 원리는 다음과 같습니다:

NeRF는 주어진 2D 이미지들로부터 3D 장면을 학습하는 것이 목적입니다. 따라서 학습 데이터는 2D 이미지와 해당 이미지가 찍힌 카메라의 위치와 방향으로 구성됩니다.
NeRF는 학습 데이터의 2D 이미지와 동일한 위치와 방향에서 광선을 생성하고, Volume Rendering을 통해 재현한 이미지를 생성합니다. 그리고 이 재현한 이미지와 학습 데이터의 2D 이미지와의 차이를 측정하여, 손실 함수를 정의합니다.
NeRF는 손실 함수를 최소화하는 방향으로 MLP의 가중치를 업데이트합니다. 이렇게 하면 MLP는 주어진 위치와 방향에서 실제 장면과 유사한 색상과 밀도를 출력하도록 학습됩니다.
NeRF는 학습 데이터에 없는 새로운 위치와 방향에서도 장면을 합성할 수 있습니다. 이는 MLP가 장면의 연속적인 표현을 학습하기 때문입니다.

위와 같은 알고리즘을 적용하면, NeRF는 적은 수의 2D 이미지만으로도 3D 장면을 재구성하고, 다양한 시점에서의 합성 이미지를 생성할 수 있습니다

저희 기업과 함께하시면 NeRF 모델을 활용하여 2D 이미지로부터 3D Scene 을 재구성하고, 다양한 응용 분야에 적용할 수 있습니다. 저희 기업의 NeRF 모델 핵심기술에 대해 더 알고 싶으시다면, 아래의 연락처로 자세히 문의해 주세요.

저희 기업과 함께하시면 NeRF 모델을 활용하여 2D 이미지로부터 3D Scene 을 재구성하고, 다양한 응용 분야에 적용할 수 있습니다. 저희 기업의 NeRF 모델 핵심기술에 대해 더 알고 싶으시다면, 아래의 연락처로 자세히 문의해 주세요.

StyleGAN V2 논문은 StyleGAN의 개선된 버전으로, Style Transfer 알고리즘을 이용하여 가상인간 아바타의 얼굴 Style Transfer를 구현 가능합니다. Style Transfer 알고리즘은 다음과 같은 과정으로 이루어집니다.
StyleGAN V1 논문에서는 다음과 같은 기법들을 사용했습니다.
Mapping Network : 잠재 벡터 z를 중간 잠재 공간 W로 매핑하는 네트워크입니다. W는 z보다 더 disentangled하고 smooth한 특성을 가지며, 각 스케일에 해당하는 스타일 벡터 w를 생성합니다.
Synthesis Network : 스타일 벡터 w를 입력으로 받아 이미지를 생성하는 네트워크입니다. 각 레이어에서는 w와 노이즈 벡터를 결합하여 Adaptive Instance Normalization (AdaIN)을 수행합니다. AdaIN은 특징 맵의 평균과 분산을 w의 스타일 파라미터로 대체하는 방식으로, 스타일과 콘텐츠를 분리하고 조합할 수 있게 해줍니다.
Style Mixing : 서로 다른 잠재 벡터 z1과 z2를 Mapping Network에 통과시켜 얻은 스타일 벡터 w1과 w2를 Synthesis Network의 일부 레이어에 적용하는 방식입니다. 이렇게 하면 다양한 스타일이 혼합된 이미지를 생성할 수 있으며, 학습 시에는 정규화 효과도 있습니다.
StyleGAN V2 논문에서는 StyleGAN의 몇 가지 문제점을 개선하기 위해 다음과 같은 기법들을 추가했습니다.
Weight Demodulation : Synthesis Network의 컨볼루션 레이어에서 가중치의 크기에 따라 특징 맵의 분산이 달라지는 문제를 해결하기 위해, 가중치를 정규화하는 방식입니다. 이렇게 하면 이미지의 품질이 향상되고, 스타일이 더 잘 전달됩니다.
Path Length Regularization : 잠재 공간에서 작은 변화가 이미지에 큰 영향을 미치는 문제를 해결하기 위해, 잠재 벡터와 생성된 이미지 사이의 경로 길이를 측정하고 최소화하는 방식입니다. 이렇게 하면 잠재 공간이 더 smooth하고 disentangled해지며, 스타일 변화가 더 자연스럽게 이루어집니다.
Skip Connections and Residual Connections : Synthesis Network의 깊이가 깊어짐에 따라 정보 손실과 그래디언트 소실 문제를 해결하기 위해, 입력과 출력 사이에 직접 연결하는 방식입니다. 이렇게 하면 이미지의 세부 사항이 더 잘 보존되고, 학습 속도가 빨라집니다.

StyleGAN V2 논문은 StyleGAN의 개선된 버전으로, Style Transfer 알고리즘을 이용하여 가상인간 아바타의 얼굴 Style Transfer를 구현 가능합니다. Style Transfer 알고리즘은 다음과 같은 과정으로 이루어집니다.
AdaIN과 Weight Demodulation은 모두 StyleGAN에서 이미지의 스타일을 제어하기 위한 방법입니다. 그러나 두 방법은 다음과 같은 차이점을 가지고 있습니다.
AdaIN은 특징 맵의 평균과 분산을 정규화하는 방법입니다. AdaIN은 각 레이어에서 잠재 벡터 w로부터 계산된 스타일 파라미터를 이용하여 특징 맵의 평균과 분산을 정규화합니다. AdaIN은 스타일 전달(style transfer)에서 영감을 받았으며, 이미지의 스타일과 콘텐츠를 분리하는 데 도움이 됩니다.
Weight Demodulation은 합성곱 가중치의 크기를 정규화하는 방법입니다. Weight Demodulation은 AdaIN 대신 합성곱 가중치를 정규화하여 특징 맵의 크기에 영향을 주는 스타일 정보를 제거합니다. Weight Demodulation은 StyleGAN2에서 도입된 개선된 방법으로, AdaIN의 한계점인 물방울 모양의 아티팩트(artifacts)를 줄이기 위한 것입니다.
즉, AdaIN은 특징 맵 자체를 정규화하고, Weight Demodulation은 합성곱 가중치를 정규화한다는 점이 가장 큰 차이점입니다. 또한, AdaIN은 StyleGAN에서 사용되고, Weight Demodulation은 StyleGAN2에서 사용된다는 점도 차이점입니다.

Weight Demodulation의 합성곱 가중치 크기 정규화 관련 설계원리 및 구조는 다음과 같습니다.
Weight Demodulation은 합성곱 가중치에 Weight Modulation과 Demodulation 두 가지 과정을 적용합니다. Weight Modulation은 스타일 벡터를 합성곱 가중치에 곱하는 것이고, Demodulation은 합성곱 가중치의 크기를 정규화하는 것입니다.
Weight Demodulation은 StyleGAN에서 발생하는 artifact라는 결함을 해결하기 위해 도입되었습니다. Artifact란 합성된 이미지에 일부 영역이 주변과 불일치하는 현상을 말합니다. 이는 합성곱 가중치의 크기가 너무 커서 입력 데이터의 세부 정보를 잃어버리기 때문에 발생한다고 추정됩니다.
Weight Demodulation은 합성곱 가중치의 크기를 정규화함으로써, 입력 데이터의 세부 정보를 보존하고, artifact를 제거하며, 이미지 품질을 향상시킵니다. 또한, Weight Demodulation은 스타일 벡터와 합성곱 가중치 사이의 상호작용을 강화하고, 스타일 변화에 민감하게 반응하도록 합니다

Weight Modulation과 Demodulation의 목적과 이유에 대해 간단히 설명하겠습니다.
Weight Modulation의 목적은 스타일 벡터를 합성곱 가중치에 반영하여, 이미지의 스타일을 제어하는 것입니다. Weight Modulation의 이유는 스타일 벡터와 합성곱 가중치 사이의 상호작용을 강화하고, 스타일 변화에 민감하게 반응하도록 하기 위해서입니다 . Weight Modulation은 스타일 벡터를 합성곱 가중치에 곱하는 것으로, 합성곱 가중치를 스타일 벡터에 따라 동적으로 변화시킵니다.
Demodulation의 목적은 합성곱 가중치의 크기를 정규화하여, 이미지의 품질을 향상시키는 것입니다. Demodulation의 이유는 합성곱 가중치의 크기가 너무 커지거나 작아지면, 입력 데이터의 세부 정보를 잃어버리거나, 이미지에 결함을 유발할 수 있기 때문입니다 . Demodulation은 합성곱 가중치의 크기를 L2 norm으로 나누는 것으로, 합성곱 가중치의 크기를 1 에 가깝게 만듭니다.

제가 운영하는 딥 네트워크는 딥러닝 모델분석 전문가로서 기술컨설팅이 가능합니다. 저희는 고객의 요구와 목적에 맞게 최적의 딥 네트워크 설계와 구현을 도와드립니다. 저희는 고객의 데이터와 문제에 적합한 핵심 학습 알고리즘을 선택하고 적용합니다. 저희는 고객의 딥 네트워크의 성능과 안정성을 향상시키고 최적화합니다.
저희 회사와 함께라면 귀사의 딥러닝 모델의 핵심 알고리즘을 분석하는데 어떤 어려움도 없을 것입니다. 

카메라 화질튜닝은 카메라가 촬영한 이미지를 보정하고 개선하는 과정입니다. 카메라 화질튜닝에는 여러 가지 요소가 있지만, 여기서는 감마 보정, 컬러 보정, 화이트밸런스 보정, 렌즈쉐이드 보정에 대해 알아보겠습니다.
감마 보정은 이미지의 명암 대비를 조절하는 과정입니다. 감마 값이 낮으면 이미지가 밝아지고, 높으면 어두워집니다. 감마 보정을 통해 이미지의 선명도와 색감을 향상시킬 수 있습니다. 컬러 보정은 이미지의 색상을 조절하는 과정입니다. 컬러 보정을 통해 이미지의 색온도, 채도, 색조 등을 변경할 수 있습니다. 컬러 보정은 이미지의 분위기와 표현력을 높일 수 있습니다. 화이트밸런스 보정은 이미지의 색상 균형을 조절하는 과정입니다. 화이트밸런스 보정을 통해 이미지의 색상이 자연스럽고 정확하게 나타날 수 있습니다. 화이트밸런스 보정은 이미지의 실제성과 명료성을 높일 수 있습니다. 렌즈쉐이드 보정은 이미지의 밝기 균형을 조절하는 과정입니다. 렌즈쉐이드 보정을 통해 이미지의 가장자리 부분이 어두워지는 현상을 줄일 수 있습니다. 렌즈쉐이드 보정은 이미지의 균일성과 왜곡을 줄일 수 있습니다. 카메라 화질튜닝시에는 위의 4가지 요소를 순서대로 진행하는 것이 좋습니다. 감마 보정부터 시작하여 컬러 보정, 화이트밸런스 보정, 렌즈쉐이드 보정 순으로 진행하면 이미지의 품질을 최적화할 수 있습니다.
카메라 화질튜닝의 최종 결과물을 얻으려면 앞에서 언급한 4가지를 어떻게 최적화하느냐에 따라 달라집니다. 최적화 방법은 카메라의 종류와 성능, 촬영 환경과 목적, 개인의 취향 등에 따라 다르므로 정답은 없습니다. 하지만 일반적으로 다음과 같은 원칙을 따르면 좋습니다.
딥 네트워크의 카메라 화질튜닝 솔루션 : 감마 값은 2.2 정도로 설정하면 대부분의 모니터에서 자연스럽게 보일 수 있습니다. 컬러 값은 RGB 채널별로 균형있게 조절하고, 색온도는 5000K~6500K 사이로 설정하면 중립적인 색감을 얻을 수 있습니다. 화이트밸런스 값은 촬영된 장면의 주광원에 맞추어 조절하면 자연스러운 색상 균형을 얻을 수 있습니다. 렌즈쉐이드 값은 이미지의 가장자리 부분의 밝기가 중앙 부분과 비슷하게 조절하면 균일한 밝기 균형을 얻을 수 있습니다.
카메라 화질 튜닝이란 카메라로 촬영한 영상의 화질을 개선하는 과정입니다. 카메라 화질 튜닝에는 다양한 알고리즘들이 사용됩니다. 예를 들어,
광원의 색온도 측정은 영상의 색상을 균일하고 자연스럽게 만들기 위해 광원의 색온도를 측정하고 보정하는 알고리즘입니다. 광원의 색온도는 영상의 화이트 밸런스에 영향을 줍니다.
감마 보정은 영상의 명암 대비를 조절하기 위해 감마 곡선을 적용하는 알고리즘입니다. 감마 보정은 영상의 밝기와 선명도에 영향을 줍니다.
컬러 보정은 영상의 색상을 조절하기 위해 컬러 매트릭스나 컬러 룩업 테이블을 사용하는 알고리즘입니다. 컬러 보정은 영상의 색감과 분위기에 영향을 줍니다.
화이트밸런싱 보정은 영상의 색온도를 조절하기 위해 화이트 밸런스 게인을 사용하는 알고리즘입니다. 화이트밸런싱 보정은 영상의 색온도와 색조에 영향을 줍니다.
노출시간 제어는 영상의 밝기를 조절하기 위해 노출시간을 제어하는 알고리즘입니다. 노출시간 제어는 영상의 밝기와 잡음에 영향을 줍니다.
렌즈 쉐이딩 보정은 렌즈로 인해 발생하는 영상의 밝기와 색상의 변화를 보정하는 알고리즘입니다. 렌즈 쉐이딩 보정은 영상의 균일성과 왜곡에 영향을 줍니다.


제가 운영하는 딥 네트워크는 카메라 화질튜닝 전문 기업으로서, 저희는 다음과 같은 기술들의 대표적인 화질튜닝 설계 알고리즘을 보유하고 있습니다.
제가 운영하는 딥 네트워크는 카메라 화질튜닝 전문 기업으로서, 저희는 다음과 같은 기술들의 대표적인 화질튜닝 설계 알고리즘을 보유하고 있습니다.
화이트밸런스 제어 기술
촬영 장면의 색온도에 따라 색상을 균형있게 조절합니다. 자연스러운 색감을 재현하고, 색상의 변화에 민감하게 반응합니다. 이 기술의 핵심은 색온도 센서를 통해 장면의 색온도를 측정하고, 적절한 화이트밸런스 알고리즘을 적용하여 영상의 RGB 값을 보정하는 것입니다.
화이트밸런스 제어 설계 알고리즘 파악에 성공해서 구현 가능 합니다.
렌즈 쉐이드 보정 기술
렌즈의 왜곡이나 결함으로 인한 영상의 불균형을 보정합니다. 깔끔하고 고르게 조명된 영상을 얻고, 영상의 품질을 향상시킵니다. 이 기술의 핵심은 렌즈의 광학적 특성을 분석하고, 영상의 각 픽셀에 대해 렌즈 쉐이드 보정 테이블을 참조하여 영상의 밝기와 색상을 보정하는 것입니다.
렌즈 쉐이드 보정 기술 설계 알고리즘 파악에 성공해서 구현 가능 합니다.
감마 보정 기술
영상의 명암비를 인간의 눈에 맞게 조절합니다. 세부적인 표현력과 대비감을 높이고, 영상의 밝기와 명도를 최적화합니다. 이 기술의 핵심은 영상의 감마 값을 설정하고, 감마 보정 테이블을 생성하여 영상의 각 픽셀에 대해 감마 보정 값을 적용하는 것입니다.
감마 보정 기술 설계 알고리즘 파악에 성공해서 구현 가능 합니다.
노출시간 제어 기술
영상의 밝기를 조절합니다. 너무 밝거나 어두운 장면을 적절하게 촬영하고, 영상의 선명도와 잡음을 줄입니다. 이 기술의 핵심은 영상의 평균 밝기를 측정하고, 노출시간 제어 알고리즘을 적용하여 카메라 센서가 받는 빛의 양을 조절하는 것입니다.
노출시간 제어 기술 설계 알고리즘 파악에 성공해서 구현 가능 합니다.
줌 렌즈 제어 기술
당신의 카메라는 단순히 확대와 축소만 하는 줌 렌즈가 아닙니다. 우리의 카메라 줌 제어 기술은 영상의 공간적 축소방법을 이용하여 콘트라스트 향상을 위한 누적 분포함수의 계산량을 감소시키고 하드웨어의 복잡성을 줄입니다. 또한 각 픽셀의 콘트라스트를 비교하여 가장 큰 값을 선택하고 이에 맞춰 줌 렌즈를 제어하여 선명한 화면을 얻습니다. 우리의 카메라 줌 제어 기업은 영상의 콘트라스트 향상과 선명도 향상을 동시에 실현하는 차별화된 알고리즘을 보유하고 있습니다. 멀리서도 선명하게 당신의 순간을 담아보세요
줌 렌즈 제어 기술 알고리즘 파악에 성공해서 구현 가능 합니다.

제가 최근에 한 2 년여 기간동안 전기차 모터제어 개발을 위한 국내외 논문분석 작업과 모터제어 칩셋을 개발 맟 양산하는 글로벌 대기업의 모터제어 기술자료를 같이 보면서 분석작업을 아래와 같이 진행했었읍니다 ...  

리졸버를 사용한 모터 전류제어 알고리즘 구조는 dq 변환, 전류 제어기, dq 전향보상기로 구성되어 있습니다. 이들은 다음과 같이 연동되어 있습니다.

dq 변환은 리졸버의 출력 신호를 R/D 컨버터를 통해 디지털로 변환하고, 회전자의 각도 정보를 이용하여 3상 AC 전류를 dq 좌표계로 변환합니다. 이렇게 하면 모터의 자속과 토크를 분리하여 제어할 수 있습니다.
전류 제어기는 dq 좌표계에서 d축 전류와 q축 전류를 PI 제어기로 제어합니다. d축 전류는 자속을 생성하고, q축 전류는 토크를 생성합니다. PI 제어기는 오차에 비례하는 항과 오차의 적분에 비례하는 항으로 구성되며, 오차를 줄이고 정상 상태에서 제어값을 유지하는 역할을 합니다. PI 제어기의 출력 값은 dq 좌표계에서 3상 AC 전압으로 변환하기 위해 dq 전향보상기로 전달됩니다.
dq 전향보상기는 회전자의 각속도 정보를 이용하여 PI 제어기의 출력 값을 3상 AC 전압으로 역변환합니다. 이때 회전자의 각속도에 따라 위상이 변화하므로, 이를 보상하기 위해 회전자의 각속도 정보가 필요합니다. 이 정보는 R/D 컨버터에서 얻을 수 있습니다. dq 전향보상기는 PI 제어기의 출력 값을 3상 AC 전압으로 변환하고, 이를 모터에 인가하여 모터의 속도와 토크를 제어합니다.

리졸버를 사용한 모터 전류제어 알고리즘 구조는 dq 변환, 전류 제어기, dq 전향보상기로 구성되어 있습니다. 이들은 다음과 같이 설계됩니다.
dq 변환은 다음과 같이 설계됩니다.
리졸버의 출력 신호를 R/D 컨버터를 통해 디지털로 변환합니다. R/D 컨버터는 리졸버의 출력 신호를 샘플링하고, 각도 정보를 디지털 값으로 출력합니다.
회전자의 각도 정보를 이용하여 3상 AC 전류를 dq 좌표계로 변환합니다. dq 좌표계는 회전자의 각도에 따라 변하는 좌표계로, d축은 자속의 방향을 따르고, q축은 d축에 수직인 방향을 따릅니다. dq 변환을 통해 3상 AC 전류를 DC 전류로 간주할 수 있으며, 제어가 용이해집니다.
전류 제어기는 다음과 같이 설계됩니다.
dq 좌표계에서 d축 전류와 q축 전류를 PI 제어기로 제어합니다. d축 전류는 자속을 생성하고, q축 전류는 토크를 생성합니다. PI 제어기는 오차에 비례하는 항과 오차의 적분에 비례하는 항으로 구성되며, 오차를 줄이고 정상 상태에서 제어값을 유지하는 역할을 합니다.
PI 제어기의 출력 값은 dq 좌표계에서 3상 AC 전압으로 변환하기 위해 dq 전향보상기로 전달됩니다.
dq 전향보상기는 다음과 같이 설계됩니다.
회전자의 각속도 정보를 이용하여 PI 제어기의 출력 값을 3상 AC 전압으로 역변환합니다. 이때 회전자의 각속도에 따라 위상이 변화하므로, 이를 보상하기 위해 회전자의 각속도 정보가 필요합니다. 이 정보는 R/D 컨버터에서 얻을 수 있습니다.
PI 제어기의 출력 값을 3상 AC 전압으로 변환하고, 이를 모터에 인가하여 모터의 속도와 토크를 제어합니다.

전향보상기란 BLDC 모터의 회전자가 합성자속에 정확하게 정렬되지 않고, 항상 앞서거나 뒤지는 현상을 보상하는 장치입니다. 전향보상기는 리졸버 R/D 컨버터에서 받은 각도 정보를 사용하여 회전자의 전향각을 추정하고, 이를 정현파 참조 신호의 위상에 반영하여 U, V, W 상의 전류 명령값을 보정합니다. 예를 들어, 회전자가 합성자속보다 10도 앞서면, 정현파 참조 신호의 위상을 10도 뒤로 늦추어 전류 명령값을 계산합니다. 반대로, 회전자가 합성자속보다 10도 뒤지면, 정현파 참조 신호의 위상을 10도 앞으로 당겨서 전류 명령값을 계산합니다.
이렇게 보정된 U, V, W 상의 전류 명령값으로 어떻게 전향보상기 전류제어가 모터제어 샘플링 주기단위로 제어되는지 논하기 위해서는 다음과 같은 내용을 포함해야 합니다.
전향보상기 전류제어란 인버터 회로를 통해 코일에 인가되는 전압과 전류를 제어하여 원하는 전류 명령값을 따르게 하고, 동시에 회전자와 합성자속의 정렬 오차를 최소화하는 과정입니다. 전향보상기 전류제어는 일반적으로 PWM 방식을 사용하여 인버터 회로에 입력되는 신호를 조절합니다. PWM 방식은 스위치의 ON/OFF 시간의 길이를 조정하여 전압과 전류의 크기를 변화시키는 방법입니다.
전향보상기 전류제어는 모터제어 샘플링 주기단위로 수행됩니다. 모터제어 샘플링 주기란 제어기가 리졸버 R/D 컨버터에서 각도 정보를 받고, 이를 사용하여 회전자의 전향각을 추정하고, 이를 정현파 참조 신호의 위상에 반영하여 U, V, W 상의 보정된 전류 명령값을 계산하고, 코일에서 측정한 전류 피드백값과 비교하여 오차를 줄이는 PID 제어 알고리즘을 수행하고, PID 제어 결과값을 PWM 신호로 변환하여 인버터 회로에 입력하는 과정을 반복하는 시간 간격입니다. 모터제어 샘플링 주기는 일반적으로 정현파 참조 신호의 주기보다 훨씬 짧아야 합니다. 예를 들어, 정현파 참조 신호의 주기가 20ms라면, 모터제어 샘플링 주기는 0.1ms ~ 1ms 정도로 설정할 수 있습니다.

dq 전향보상기란 무엇인가 ?
역기전력 성분이란 무엇이고 왜 보상해야 하는가 ?
모터제어 알고리즘 구조는 어떻게 되는가 ?

dq 전향보상기란 PMSM(영구자석 동기 모터)의 전압 방정식 모델에서 역기전력에 의한 성분을 제거하고 전류 제어기의 성능을 향상시키기 위해 사용하는 제어 기법입니다. 역기전력이란 모터가 회전할 때 자석과 코일 사이에 발생하는 전압으로, 전류와 반대 방향으로 작용하여 전류를 방해하는 효과를 가집니다. 역기전력 성분을 보상하지 않으면 전류 제어 오차가 커지고 모터의 토크가 불안정해질 수 있습니다.
모터제어 알고리즘 구조는 dq 변환, 전류 제어기, dq 전향보상기로 나누어서 설명할 수 있습니다. dq 변환은 3상 전류를 회전 좌표계로 변환하여 벡터 제어를 가능하게 합니다. 전류 제어기는 PI 제어기와 모터의 RL 회로로 구성되며, dq 지령과 센싱된 dq 전류를 비교하여 dq 전류 출력을 발생시킵니다. dq 전향보상기는 역기전력에 의한 성분을 계산하여 인가전압에 더해주어 역기전력을 보상합니다.

저희 딥 네트워크는 BLDC Motor 의 dq 전향보상기 개발 노하우와  전류제어 메커니즘의 구현 노하우를 보유하고 있읍니다 ...

BLDC Motor 펌웨어의 프로토타입 개발기간 이후 양산대응을 위한 안정화 개발기간이 필요합니다 ...  BLDC Motor 펌웨어의 프로토타입 개발에 필요한 상세 개발규격을 메일로 전달 부탁드립니다 ...

임베디드 펌웨어 개발 30 년차 입니다 ...    BLDC Motor 전류제어 /  PI 제어 /  속도제어  개발  가능 합니다 ...

개발 및 자문  문의주시면 세부 개발사양 검토후 검토의견 드리겠읍니다 ...

제가 운영하는 일인기업   딥 네트워크 장석원

기업블로그 :   https://videocodec.tistory.com/    제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일 : sayhi7@daum.net

HP : 010-3350 6509

제가 운영하는 딥 네트워크는  다음과 같은 프로토타입 구현 기술들을 보유하고 있습니다.

RabbitMQ Service는 AMQP 프로토콜을 구현한 메시지 브로커 시스템입니다. RabbitMQ Service의 Exchange는 메시지를 받아서 Binding 규칙에 따라 연결된 Queue로 전달하는 역할을 합니다.

RabbitMQ Service 의 Exchange는 다음과 같은 메시지 전달 방식을 가질 수 있습니다.
Direct Exchange: 메시지에 포함된 routing key를 기반으로 Queue에 메시지를 전달합니다. routing key가 일치하는 Queue로만 전달됩니다.
Fanout Exchange: routing key 관계없이 연결된 모든 Queue에 동일한 메시지를 전달합니다. publish/subscribe 패턴에 적합합니다.
Topic Exchange: routing key 전체가 일치 하거나 일부 패턴과 일치하는 모든 Queue로 메시지가 전달됩니다. 와일드 카드(*)와 해시(#)를 이용해 routing key를 표현할 수 있습니다.
Headers Exchange: 메시지 헤더를 통해 binding key만을 사용하는 것보다 더 다양한 속성을 사용할 수 있습니다. Header exchange를 사용하면 binding key는 무시되고, 헤더 값이 바인딩 시 지정된 값과 같은 경우에만 일치하는 것으로 간주합니다.

RabbitMQ Service 의 Exchange와 Queue를 바인딩하는 설계 방법은 다음과 같습니다.
Exchange와 Queue를 생성합니다. Queue는 반드시 미리 정의해야 사용할 수 있습니다.
Binding을 추가합니다. Binding은 Exchange와 Queue를 Link하는 것입니다. Binding 시에 목적지 Queue 이름만으로도 추가할 수 있고, 일부 Exchange type에 따라 routing key를 지정해서 메시지를 필터링 한 후 지정한 Queue로 보내도록 정의할 수 있습니다.
Producer가 메시지를 특정 Exchange & Queue에 전달하면, RabbitMQ는 해당 메시지를 적절한 Consumer가 소비(Consume)할 수 있도록 해당 메시지를 전달하는 역할을 수행합니다.

RabbitMQ Service 의 Queue에서 메시지를 받는 방법은 다음과 같습니다.
Consumer 어플리케이션은 Queue를 통해 메시지를 가져갑니다. Consumer 어플리케이션에서 Broker로 많은 연결을 맺는 것은 바람직하지 않으므로, 하나의 연결을 공유하는 Channels을 사용합니다.
Consumer 어플리케이션은 Channel을 통해 Queue에 접근하고, subscribe 또는 pull 방식으로 메시지를 받아갑니다. subscribe 방식은 Queue에서 새로운 메시지가 도착하면 자동으로 Consumer에게 알려주는 방식이고, pull 방식은 Consumer가 직접 Queue에서 메시지를 가져오는 방식입니다.
Consumer 어플리케이션은 받은 메시지를 처리하고, Broker에게 수신 확인(acknowledgement)을 보냅니다. 이때 Broker는 Queue에서 해당 메시지를 삭제합니다. 수신 확인 모델은 명시적으로 Broker에게 통지하는 방식과 Broker가 메시지를 전달하면 자동으로 삭제하는 방식이 있습니다.

클라우드 서비스 RabbitMQ를 사용한 메시지 큐 통신 방식으로 Publish/Subscribe 구현 기술 :  이 기술은 클라우드 서비스인 RabbitMQ를 이용하여 메시지를 발행하고 구독하는 방식으로 통신하는 기술입니다. 이를 통해 다수의 클라이언트와 서버 간에 실시간으로 데이터를 교환할 수 있습니다. 이 기술의 장점은 메시지의 안정성과 확장성을 보장하고, 네트워크 부하를 분산시킬 수 있다는 것입니다. 이 기술은 대규모 방송 서비스에서 다양한 콘텐츠를 전달하고 수신하는 데 적합합니다.

네트웍 장비 L3 / L4 장비의 네트웍 라우팅 정보 제어 기술 :   이 기술은 네트워크 장비인 L3 스위치와 L4 로드밸런서의 라우팅 정보를 제어하는 기술입니다. 이를 통해 네트워크 트래픽을 효율적으로 분배하고, 장애 복구와 보안을 강화할 수 있습니다. 이 기술의 장점은 네트워크 성능과 안정성을 향상시키고, 다양한 프로토콜과 애플리케이션을 지원한다는 것입니다. 이 기술은 대규모 방송 서비스에서 고속의 데이터 전송과 접속자 관리에 필요합니다.

대규모 방송 서비스 구현을 위한 프로토타입 설계 기술  :   이 기술은 위에서 언급한 두 가지 기술을 결합하여 대규모 방송 서비스를 구현하기 위한 프로토타입을 설계하는 기술입니다. 이를 통해 실제 서비스 환경에서의 성능과 안정성을 검증하고, 개선점을 도출할 수 있습니다. 이 기술의 장점은 실제 서비스에 적용하기 전에 문제점을 발견하고 해결할 수 있고, 최적의 서비스 구조와 아키텍처를 설계할 수 있다는 것입니다. 이 기술은 대규모 방송 서비스의 개발과 운영에 필수적입니다.

저는 이러한 기술들을 바탕으로 대규모 방송 서비스의 프로토타입을 구현하고, 사업화 개발 및 자문을 진행하고 있습니다. 저의 사이트에서 저의 포트폴리오와 경력을 확인하실 수 있습니다. 저와 함께라면 더욱 효율적이고 창의적인 대규모 방송 서비스를 만들 수 있습니다.

제가 운영하는  일인기업  딥 네트워크  기술총괄  장석원

기업블로그  :    https://videocodec.tistory.com/     

제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일   :   sayhi7@daum.net

HP : 010-3350 6509

BLDC Motor 제어 전문 딥네트워크 사업화 내용 소개

딥네트워크는 PMSM 모터를 제어하는 획기적인 솔루션을 제공하는 일인기업입니다. 딥네트워크는 TI의 모터제어 개발 보드를 사용하여 FOC 알고리즘과 TI의 InstaSPIN-FOC 소프트웨어 라이브러리를 기반으로 한 펌웨어 설계 세부 검토 분석을 수행하였습니다. 

저는 모터제어시 TI 사의 FOC 알고리즘을 다음과 같이 적용합니다 ....

FOC 알고리즘은 Field Oriented Control의 약자로, 모터의 자기장의 크기와 방향을 정밀하게 제어하여 토크를 안정적이고 효율적으로 제어하는 기법입니다. FOC 알고리즘 관련 제가 확보한 기술을 소개드리겠읍니다 ...    엔코더 기반 FOC  모터제어 펌웨어 구현 세부 노하우를 보유하고 있읍니다 ...

센서리스 FOC와 엔코더 기반 FOC는 모두 고성능 모터 제어를 위한 기술이지만, 각각의 특성과 장단점이 있습니다.

센서리스 FOC:

• 장점:
  • 하드웨어 비용 절감: 센서가 필요 없으므로 하드웨어 비용을 줄일 수 있습니다.
  • 설계 간소화: 센서가 없으므로 설계가 간단하고, 설치 공간도 절약됩니다.
  • 내구성 향상: 센서의 고장이나 오작동으로 인한 문제를 피할 수 있습니다.
• 단점:
  • 정밀도 제한: 센서리스 제어는 전기자의 전류와 전압을 측정하면 가능하지만, 정확한 위치/속도 제어를 위해서는 역시 위치/속도 피드백 장치가 필요합니다.

엔코더 기반 FOC:    주로 제가 그동안 세부 노하우가 파악되 있는 부분 입니다 ...

• 장점:
  • 제어 정밀도: 엔코더는 매우 정확한 위치 정보를 제공하므로, 엔코더 기반 FOC는 높은 제어 정밀도를 제공합니다.
  • 동적 성능: 엔코더는 즉시 위치 정보를 제공하므로, 엔코더 기반 FOC는 빠른 동적 반응을 제공합니다.
  • 저속 제어 가능: 엔코더는 정지 상태에서의 위치 정보를 제공할 수 있으므로, 엔코더 기반 FOC는 저속이나 정지 상태에서의 제어가 가능합니다.
• 단점:
  • 비용 증가: 엔코더는 추가적인 하드웨어 요구사항이므로, 전체 시스템의 비용이 증가할 수 있습니다.
  • 설계 복잡성 증가: 엔코더를 포함한 시스템은 설계가 더 복잡하며, 설치 공간이 더 필요할 수 있습니다.

따라서, 어떤 방법이 더 좋은지는 애플리케이션의 요구 사항에 따라 결정해야 합니다. 예를 들어, 비용이 중요한 요소인 경우 센서리스 FOC를, 제어 정밀도나 동적 성능이 중요한 요소인 경우 엔코더 기반 FOC를 선택할 수 있습니다.   저는 주로  엔코더 기반 FOC  모터제어 펌웨어 구현 세부 노하우를 보유하고 있읍니다 .

저의 전기차 모터제어 개발 보드의 펌웨어 설계 커스토마이징 노하우 소개

엔코더 기반 FOC  모터제어 펌웨어 구현 세부 노하우를 보유하고 있으며  전기차 모터제어 전문 딥네트워크는 펌웨어를 커스토마이징 가능 합니다.  DQ 벡터제어 PMSM 모터의 펌웨어 설계 알고리즘의 세부 동작원리 파악에 성공했기에  위에서 제가 설명드린 TI PMSM Motor Controller Chipset 을 적용해서 TI 의 InstaSPIN-FOC 소프트웨어 라이브러리를 적용해서 구현하는 노하우를 보유하고 있읍니다 ...

제가 모터제어 구현시 다음과 같이 전기차 PMSM 모터 제어시 FOC 제어를 다음과 같이 설계합니다:

1. 회전자 위치 감지: 모터의 정확한 회전자 위치를 파악하기 위해 센서를 사용합니다.
2. 클라크 변환 (Clarke Transformation): 3상 전류를 2상 전류로 변환합니다.
3. 파크 변환 (Park Transformation): 회전자 위치에 따라 변환된 2상 전류를 (d)-축과 (q)-축 전류로 분리합니다.
4. PI 제어기:  d 축과  q 축 전류를 조절하여 원하는 토크와 속도를 얻습니다.
5. 역 파크 변환 (Inverse Park Transformation):  d 축과  q 축 전류를 다시 3상 전류로 변환합니다.
6. 역 클라크 변환 (Inverse Clarke Transformation): 2상 전류를 3상 전류로 변환하여 인버터를 통해 모터에 공급합니다.

제가 파악하고 있는 전기차 모터제어 펌웨어 설계의 세부 동작 원리 .

1. 회전자 위치 검출 (Position Sensing):
   • 전향보상기 제어는 모터의 회전자 위치를 정확하게 파악해야 합니다. 이를 위해 홀 센서(Hall sensor)나 엔코더(Encoder)와 같은 위치 센서를 사용합니다.
   • 홀 센서는 회전자의 자기장 변화를 감지하여 회전자의 위치를 알려줍니다. 엔코더는 회전자의 각도를 디지털 신호로 변환하여 제어 시스템에 전달합니다.
2. 전류 제어 (Current Control):
   • 모터의 상류에는 고정자 코일이 있습니다. 이 코일에 전류를 공급하여 회전자를 움직입니다.
   • PWM(Pulse Width Modulation) 제어를 사용하여 고정자 코일에 가변 전압을 적용합니다. PWM 듀티 사이클을 조절하여 평균 전압을 제어합니다.
   • 전류 제어는 모터의 토크와 속도를 조절하는 핵심 요소입니다.
3. 전향보상기 제어 (Field-Oriented Control, FOC):
   • FOC는 모터의 회전자 위치를 기반으로 고정자 코일에 전류를 공급하는 방식입니다.
   • 회전자 위치를 감지한 후, (d)-축과 (q)-축으로 전류를 변환합니다. (d)-축은 회전자 자기장 방향, (q)-축은 회전자 자기장과 수직 방향입니다.
   • (d)-축 전류는 회전자 자기장을 따라 토크를 생성하고, (q)-축 전류는 회전자 자기장을 균형시킵니다.
   • 이렇게 변환된 전류를 고정자 코일에 적용하여 최적의 토크를 생성합니다.
4. PI 제어기 (Proportional-Integral Controller):
   • FOC에서는 PI 제어기를 사용하여 (d)-축과 (q)-축 전류를 조절합니다.
   • PI 제어기는 토크 오차를 측정하고, 이를 통해 (d)-축과 (q)-축 전류를 조절합니다.
   • PI 제어기는 토크와 속도를 안정적으로 유지하며, 최적의 토크를 생성합니다.

이렇게 회전자 위치 검출, 전류 제어, FOC, PI 제어기를 조합하여 전향보상기 제어를 구현합니다. 이는 모터의 최적 토크를 생성하고 효율적으로 운전할 수 있도록 합니다.

저의 경우 로봇 축 관절제어를 위한 BLDC Motor 의 토크/위치/속도 제어를 위한 모터 제어 펌웨어가 어떤 설계 구조로 구현하는지를 파악하는데 성공했읍니다 ...      전기차 모터제어도 모터 전기 상수인자들 로 전달함수를 설계하면  2 차 라플라스 방정식이 되고 이것으로 제어응답 특성 파악이 가능은 한데 여기에 PI 제어 루프 도 전달함수에 포함되면 3 차 라플라스 방정식이 되는데 이것의 제어응답 특성을 파악하려면 MATLAB SIMULINK TOOL 이 반드시 필요합니다
저는 현재 2 차 라플라스 방정식의 응답특성 분석은 가능한 상태 입니다         로봇 축 관절제어를 위한 모터제어 프로토타입 펌웨어 구현 정도의 노하우를 확보했구요 ...    저도 구글링 2000 번 넘는 시행착오(국내외 논문분석)를 거쳐 3 년여만에 제가 원하는 돈이 되는 세부 정보를 얻는데 성공했읍니다 ....      제가 확보한  BLDC 모터 정밀제어 노하우는  위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하는데 필요한 제어 알고리즘 수식을 확보해서 이해하는데 성공했읍니다 ...     BLDC Motor 로 위치제어 / 속도제어 / 토크제어를 Closed Loop  PI  제어를 하려면 BLDC Motor 는 어떤 규격의 것을 선택해야 하는지와 이는 또 어느 업체에서 이를 취급하는지 등등도 파악하고 있읍니다 ...   4 Pole - BLDC Motor 제어를 PWM 구동 방식으로  6 - STEP Sequence 로 제어하려면 세부적으로 어떻게 제어해야 하는지 등등도 파악에 성공했읍니다 ...    

TI 사 BMS 칩셋인  EMB1428Q는 SPI 버스 인터페이스를 통해 충전/방전 명령을 수신하는 동작 구조와 에너지 이동을 위한 12개의 플로팅 MOSFET 게이트 드라이버를 제어하는 설계 원리에 대해 다음과 같이 설명할 수 있습니다:

1. SPI 버스 인터페이스를 통한 명령 수신:
   • EMB1428Q는 SPI(Serial Peripheral Interface) 버스를 사용하여 메인 컨트롤러(CPU/MCU)로부터 충전/방전 명령을 수신합니다.
   • 메인 컨트롤러는 SPI 버스를 통해 EMB1428Q에게 어떤 배터리 셀을 충전하거나 방전할지에 대한 명령을 전송합니다.
   • 또한, EMB1428Q는 SPI 버스를 통해 발생할 수 있는 장애나 오류를 메인 컨트롤러에 보고합니다.
2. 에너지 이동을 위한 플로팅 MOSFET 게이트 드라이버 제어:
   • EMB1428Q는 최대 7개의 직렬로 연결된 배터리 셀 간에 에너지를 이동시키기 위해 필요한 12개의 플로팅 MOSFET 게이트 드라이버를 제공합니다.
   • 이 드라이버들은 EMB1499 DC/DC 컨트롤러 IC와 함께 작동하여, 충전 및 방전 모드를 제어하고 활성화합니다.
   • 각 게이트 드라이버는 특정 배터리 셀에 연결된 MOSFET을 개별적으로 제어하여, 에너지를 필요한 셀로 이동시키거나, 과충전된 셀에서 에너지를 빼내어 다른 셀로 분배하는 역할을 합니다.

TI 사 EMB1428Q BMS 칩셋은 배터리 셀 간의 전압을 균등하게 유지하기 위해 액티브 셀 밸런싱을 수행하는 스위치 매트릭스 게이트 드라이버입니다. 이 칩셋의 주요 작동 원리는 다음과 같습니다:

1. 전압 모니터링: EMB1428Q는 연결된 배터리 셀들의 전압을 지속적으로 모니터링합니다. 이 데이터는 셀 간의 전압 차이를 파악하는 데 사용됩니다.
2. 에너지 전송 제어: 전압 차이가 감지되면, EMB1428Q는 스위치 매트릭스를 통해 높은 전압의 셀에서 낮은 전압의 셀로 에너지를 전송하도록 MOSFET 게이트를 제어합니다.
3. 스위치 매트릭스: 칩셋은 12개의 부유 MOSFET 게이트 드라이버를 제공하여 최대 7개의 직렬로 연결된 배터리 셀을 밸런싱할 수 있습니다. 이 드라이버들은 각 셀에 연결된 MOSFET을 제어하여 에너지 이동 경로를 설정합니다1.
4. 밸런싱 실행: EMB1428Q는 EMB1499 DC/DC 컨트롤러 IC와 함께 작동하여, 필요한 시점에 적절한 셀 간 연결을 활성화시키고 에너지를 효율적으로 전송합니다.

저의 전기차 바테리 BMS 개발 보드의 펌웨어 설계 커스토마이징 노하우 소개

이러한 과정을 통해 EMB1428Q는 배터리 팩의 전체 성능을 최적화하고, 각 셀의 수명을 균일하게 유지하며, 전체 시스템의 안정성과 효율성을 높이는 데 기여합니다.  저희 딥네트워크가 바테리 BMS 설계도 깊이있게 검토 분석을 하다 보니 깨닭은게 BMS 설계에 최적화된 바테리 HW 스택을 설계하는것을 빈틈없이 HW 설계를 하면 아무래도 BMS 펌웨어의 성능은  BMS HW 설계 범주내에서 펌웨어 성능이 나올수 있는것 같읍니다 ...  TI 의 EMB1428Q 칩셋이  SPI 버스 인터페이스를 통해 충전/방전 명령을 수신하는 동작 구조와 에너지 이동을 위한 12개의 플로팅 MOSFET 게이트 드라이버를 제어하는 펌웨어 설계 원리를 파악에 성공했읍니다   저는 이를 위해 MOSFET 스위칭 제어를 위한  설계 방법 파악을 통해 에너지 이동을 위한 플로팅 MOSFET 게이트 드라이버 제어를 TI 사 EMB1428Q 칩셋을 적용해 펌웨어로  BMS 펌웨어 구현 노하우도 확보 성공했읍니다  ...    제가 파악한바로는 BMS HW 설계의 핵심은  셀 충방전 회로 설계시 스위치 캐패시티드 네트워크로 설게하는데 이때  MOSFET 스위칭 소자의 게이트 구동회로 설계시 MOSFET 회로가 플로팅됬을때  게이트 구동회로에 인가전압을 어떻게 인가하도록 설계하는냐가 핵심인데 이것도 파악에 성공했읍니다 ...

저희 회사는 전기차 바테리 충전 제어 전문 일인기업으로서,  TI  사  EMB1428Q 칩셋을  활용하여 삼성 21700 50E / 7S 20P 바테리 셀의 충전 성능을 극대화할 수 있는 펌웨어와 기법을 분석하였습니다. 저희 회사의 제품과 서비스에 관심이 있으시다면, 저희 기업 블로그 사이트를 방문하시거나 연락주시기 바랍니다. 감사합니다.

딥네트워크      장석원      010 3350 6509     sayhi7@daum.net

NeRF 논문은 Neural Radiance Fields라는 새로운 방식으로 3D 장면을 표현하고, 다양한 시점에서의 합성 이미지를 생성하는 방법을 제안했습니다. NeRF는 다음과 같은 알고리즘으로 구현됩니다.
NeRF 논문의 몇가지 핵심 알고리즘의 설계구조와 동작원리를 확실히 파악하는데 성공했읍니다 ...
Positional Encoding : 3차원 좌표 x와 View Direction d를 고차원 벡터로 변환하는 과정입니다. 이때, 고주파 성분을 보존하기 위해 삼각함수를 이용한 인코딩 방식을 사용합니다. 즉, x와 d에 각각 다른 주파수와 위상을 가진 사인과 코사인 함수를 적용하여 특징 벡터를 생성합니다. 이렇게 하면 x와 d의 작은 변화에도 민감하게 반응할 수 있습니다.
Multi-Layer Perceptron (MLP) : Positional Encoding된 특징 벡터를 입력으로 받아 해당 위치에서 바라 본 Color와 Density를 출력하는 네트워크입니다. MLP는 여러 개의 Fully Connected Layer로 구성되며, 각 레이어에서는 ReLU 활성화 함수와 Skip Connection을 사용합니다. MLP의 마지막 레이어에서는 Color는 RGB 값으로, Density는 스칼라 값으로 출력됩니다.
Classical Volume Rendering : MLP에서 출력된 Color와 Density를 이용하여 합성 이미지를 생성하는 과정입니다. 이때, 카메라에서부터 장면까지의 광선을 따라서 여러 개의 샘플 포인트를 추출하고, 각 포인트에서의 Color와 Density를 MLP에 입력하여 계산합니다. 그리고, 샘플 포인트들의 Color와 Density를 가중 평균하여 최종적인 픽셀 값을 결정합니다. 이때, 가중치는 광선의 방향과 거리에 따라 달라지며, Density가 높을수록 더 많은 빛을 흡수하고 반사한다고 가정합니다.

NeRF 논문은 NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis라는 제목으로 2020년 ECCV에 발표된 논문입니다. 이 논문은 몇 개의 2D 이미지만으로도 이미지 내 물체를 3D로 렌더링하는 새로운 방법을 제안하였습니다.

NeRF 논문의 주요 설계 구조는 다음과 같습니다:

Positional Encoding: NeRF는 3D 공간의 좌표와 방향을 입력으로 받아서, 각 위치에서의 색상과 밀도를 출력하는 신경망입니다. 하지만 신경망은 고차원의 주기적인 함수를 잘 근사하지 못하기 때문에, 입력을 그대로 사용하면 고해상도의 장면을 표현하기 어렵습니다. 따라서 NeRF는 입력을 Positional Encoding이라는 방법으로 변환하여 사용합니다. Positional Encoding은 각 차원의 값을 사인과 코사인 함수에 넣어서 여러 개의 주파수를 가진 값들로 확장하는 과정입니다. 이렇게 하면 신경망이 공간적인 변화에 더 잘 반응할 수 있습니다.

Multi-Layer Perceptron (MLP): NeRF는 Positional Encoding된 좌표와 방향을 입력으로 받아서, Multi-Layer Perceptron (MLP)라고 부르는 완전 연결 신경망에 통과시킵니다. MLP는 여러 개의 은닉층과 활성화 함수로 구성되어 있으며, 각 층에서는 선형 변환과 비선형 변환을 수행합니다. MLP의 마지막 층에서는 각 위치에서의 색상과 밀도를 출력합니다. 색상은 RGB 값으로 표현되며, 밀도는 투명도와 반대되는 개념으로 표현됩니다.

Volume Rendering: NeRF는 MLP를 통해 얻은 색상과 밀도를 이용하여, 장면을 합성하는 과정을 Volume Rendering이라고 부릅니다. Volume Rendering은 카메라와 장면 사이에 가상의 광선을 생성하고, 광선 위의 여러 점들에서 MLP를 평가하여 색상과 밀도를 얻습니다. 그리고 이들을 합성하여 광선이 카메라에 도달할 때의 최종 색상을 계산합니다. Volume Rendering은 광선 위의 점들이 서로 영향을 주고 받는 것을 모델링할 수 있기 때문에, 복잡한 광학적 현상을 재현할 수 있습니다.

NeRF 논문의 학습 원리는 다음과 같습니다:

NeRF는 주어진 2D 이미지들로부터 3D 장면을 학습하는 것이 목적입니다. 따라서 학습 데이터는 2D 이미지와 해당 이미지가 찍힌 카메라의 위치와 방향으로 구성됩니다.
NeRF는 학습 데이터의 2D 이미지와 동일한 위치와 방향에서 광선을 생성하고, Volume Rendering을 통해 재현한 이미지를 생성합니다. 그리고 이 재현한 이미지와 학습 데이터의 2D 이미지와의 차이를 측정하여, 손실 함수를 정의합니다.
NeRF는 손실 함수를 최소화하는 방향으로 MLP의 가중치를 업데이트합니다. 이렇게 하면 MLP는 주어진 위치와 방향에서 실제 장면과 유사한 색상과 밀도를 출력하도록 학습됩니다.
NeRF는 학습 데이터에 없는 새로운 위치와 방향에서도 장면을 합성할 수 있습니다. 이는 MLP가 장면의 연속적인 표현을 학습하기 때문입니다.

위와 같은 알고리즘을 적용하면, NeRF는 적은 수의 2D 이미지만으로도 3D 장면을 재구성하고, 다양한 시점에서의 합성 이미지를 생성할 수 있습니다

저희 기업과 함께하시면 NeRF 모델을 활용하여 2D 이미지로부터 3D Scene 을 재구성하고, 다양한 응용 분야에 적용할 수 있습니다. 저희 기업의 NeRF 모델 핵심기술에 대해 더 알고 싶으시다면, 아래의 연락처로 자세히 문의해 주세요.

제가 운영하는  일인기업  딥 네트워크  기술총괄  장석원

기업블로그  :    https://videocodec.tistory.com/     

제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일   :   sayhi7@daum.net

HP : 010-3350 6509

저는 NeRF 논문, StyleGAN V2 논문, 초거대 모델 ChatGPT 모델에 적용되 있는 핵심 학습 알고리즘 구현이 실제로 어떻게 구체적으로 설계되 있는지를 깊이 있게 이해하고 있습니다. 저는 팀 구성없이 나 혼자 힘으로 논문을 분석해서 처리할 수 있는 능력을 갖추었습니다. 저는 NeRF 논문, StyleGAN V2 논문, 초거대 모델 ChatGPT 모델 의 여러 핵심 알고리즘을 자문하는 방식으로 도움을 드릴 수 있습니다. 

StyleGAN V2 논문 모델 의 핵심 알고리즘 설계구조 및 원리를 확실히 파악 성공했읍니다 ...

StyleGAN V2 논문은 StyleGAN의 개선된 버전으로, Style Transfer 알고리즘을 이용하여 가상인간 아바타의 얼굴 Style Transfer를 구현 가능합니다. Style Transfer 알고리즘은 다음과 같은 과정으로 이루어집니다.

Mapping Network의 8개의 완전연결층(FC)이 z공간에서 잠재벡터들이 서로 가까이 있을수록 비슷한 스타일을 가지게 학습이 가능한 이유는 다음과 같습니다.
Mapping Network는 z와 w 사이의 비선형 매핑을 가능하게 하고, 스타일의 다양성과 연속성을 증가시킵니다. Mapping Network는 z를 입력받아서 여러 층을 거치면서 비선형 변환을 수행하고, w를 출력합니다. 이때, w공간에서는 각 차원이 서로 독립적이고 의미있는 스타일 요소를 표현하도록 학습됩니다.
Mapping Network는 Style Mixing Regularization이라는 기법을 사용하여 학습됩니다. 이 기법은 두 개의 잠재벡터(z1, z2)를 Mapping Network에 통과시켜서 두 개의 w벡터(w1, w2)를 얻고, 이 두 벡터를 Synthesis Network의 일부 층에서 섞어서 입력하는 방식입니다. 이렇게 하면 Synthesis Network가 다양한 스타일 조합에 적응하도록 하고, w공간에서의 스타일 요소들이 서로 연관되지 않도록 합니다.
Mapping Network는 Perceptual Path Length라는 지표로 측정할 수 있는 z공간과 W공간 사이의 관계를 학습합니다. 이 지표는 z공간에서 잠재벡터를 작게 변화시켰을 때, 생성된 이미지가 얼마나 많이 변화하는지를 VGG16 모델을 이용하여 계산합니다. 이 지표가 작을수록 z공간에서 잠재벡터들이 서로 가까이 있을수록 비슷한 스타일을 가지고, 멀리 있을수록 다른 스타일을 가지도록 학습된 것입니다.
즉, Mapping Network는 z공간에서 잠재벡터들이 서로 가까운 위치에 있으면 비슷한 스타일 요소를 가진 w벡터로 변환하고, 서로 먼 위치에 있으면 다른 스타일 요소를 가진 w벡터로 변환하도록 학습됩니다. 그리고 Synthesis Network는 w벡터에 따라서 생성된 이미지의 스타일을 결정합니다. 따라서 Mapping Network의 8개의 완전연결층(FC)은 z공간에서 잠재벡터들이 서로 가까이 있을수록 비슷한 스타일을 가지게 학습이 가능합니다.
AdaIN과 Weight Demodulation은 모두 StyleGAN에서 이미지의 스타일을 제어하기 위한 방법입니다. 그러나 두 방법은 다음과 같은 차이점을 가지고 있습니다.
AdaIN은 특징 맵의 평균과 분산을 정규화하는 방법입니다. AdaIN은 각 레이어에서 잠재 벡터 w로부터 계산된 스타일 파라미터를 이용하여 특징 맵의 평균과 분산을 정규화합니다. AdaIN은 스타일 전달(style transfer)에서 영감을 받았으며, 이미지의 스타일과 콘텐츠를 분리하는 데 도움이 됩니다.
Weight Demodulation은 합성곱 가중치의 크기를 정규화하는 방법입니다. Weight Demodulation은 AdaIN 대신 합성곱 가중치를 정규화하여 특징 맵의 크기에 영향을 주는 스타일 정보를 제거합니다. Weight Demodulation은 StyleGAN2에서 도입된 개선된 방법으로, AdaIN의 한계점인 물방울 모양의 아티팩트(artifacts)를 줄이기 위한 것입니다.
즉, AdaIN은 특징 맵 자체를 정규화하고, Weight Demodulation은 합성곱 가중치를 정규화한다는 점이 가장 큰 차이점입니다. 또한, AdaIN은 StyleGAN에서 사용되고, Weight Demodulation은 StyleGAN2에서 사용된다는 점도 차이점입니다.

Weight Demodulation의 합성곱 가중치 크기 정규화 관련 설계원리 및 구조는 다음과 같습니다.
Weight Demodulation은 합성곱 가중치에 Weight Modulation과 Demodulation 두 가지 과정을 적용합니다. Weight Modulation은 스타일 벡터를 합성곱 가중치에 곱하는 것이고, Demodulation은 합성곱 가중치의 크기를 정규화하는 것입니다.
Weight Demodulation은 StyleGAN에서 발생하는 artifact라는 결함을 해결하기 위해 도입되었습니다. Artifact란 합성된 이미지에 일부 영역이 주변과 불일치하는 현상을 말합니다. 이는 합성곱 가중치의 크기가 너무 커서 입력 데이터의 세부 정보를 잃어버리기 때문에 발생한다고 추정됩니다.
Weight Demodulation은 합성곱 가중치의 크기를 정규화함으로써, 입력 데이터의 세부 정보를 보존하고, artifact를 제거하며, 이미지 품질을 향상시킵니다. 또한, Weight Demodulation은 스타일 벡터와 합성곱 가중치 사이의 상호작용을 강화하고, 스타일 변화에 민감하게 반응하도록 합니다

Weight Modulation과 Demodulation의 목적과 이유에 대해 간단히 설명하겠습니다.
Weight Modulation의 목적은 스타일 벡터를 합성곱 가중치에 반영하여, 이미지의 스타일을 제어하는 것입니다. Weight Modulation의 이유는 스타일 벡터와 합성곱 가중치 사이의 상호작용을 강화하고, 스타일 변화에 민감하게 반응하도록 하기 위해서입니다 . Weight Modulation은 스타일 벡터를 합성곱 가중치에 곱하는 것으로, 합성곱 가중치를 스타일 벡터에 따라 동적으로 변화시킵니다.
Demodulation의 목적은 합성곱 가중치의 크기를 정규화하여, 이미지의 품질을 향상시키는 것입니다. Demodulation의 이유는 합성곱 가중치의 크기가 너무 커지거나 작아지면, 입력 데이터의 세부 정보를 잃어버리거나, 이미지에 결함을 유발할 수 있기 때문입니다 . Demodulation은 합성곱 가중치의 크기를 L2 norm으로 나누는 것으로, 합성곱 가중치의 크기를 1 에 가깝게 만듭니다.

제가 운영하는 딥 네트워크는 딥러닝 모델분석 전문가로서 기술컨설팅이 가능합니다. 저희는 고객의 요구와 목적에 맞게 최적의 딥 네트워크 설계와 구현을 도와드립니다. 저희는 고객의 데이터와 문제에 적합한 핵심 학습 알고리즘을 선택하고 적용합니다. 저희는 고객의 딥 네트워크의 성능과 안정성을 향상시키고 최적화합니다.
저희 회사와 함께라면 귀사의 딥러닝 모델의 핵심 알고리즘을 분석하는데 어떤 어려움도 없을 것입니다. 

제가 운영하는 일인기업   딥 네트워크 장석원

기업블로그 :   https://videocodec.tistory.com/    제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일 : sayhi7@daum.net

HP : 010-3350 6509

카메라 화질튜닝은 카메라가 촬영한 이미지를 보정하고 개선하는 과정입니다.  카메라 화질튜닝에는 여러 가지 요소가 있지만, 여기서는 감마 보정, 컬러 보정, 화이트밸런스 보정, 렌즈쉐이드 보정에 대해 알아보겠습니다.
감마 보정은 이미지의 명암 대비를 조절하는 과정입니다. 감마 값이 낮으면 이미지가 밝아지고, 높으면 어두워집니다. 감마 보정을 통해 이미지의 선명도와 색감을 향상시킬 수 있습니다.   컬러 보정은 이미지의 색상을 조절하는 과정입니다. 컬러 보정을 통해 이미지의 색온도, 채도, 색조 등을 변경할 수 있습니다. 컬러 보정은 이미지의 분위기와 표현력을 높일 수 있습니다.    화이트밸런스 보정은 이미지의 색상 균형을 조절하는 과정입니다. 화이트밸런스 보정을 통해 이미지의 색상이 자연스럽고 정확하게 나타날 수 있습니다. 화이트밸런스 보정은 이미지의 실제성과 명료성을 높일 수 있습니다.     렌즈쉐이드 보정은 이미지의 밝기 균형을 조절하는 과정입니다. 렌즈쉐이드 보정을 통해 이미지의 가장자리 부분이 어두워지는 현상을 줄일 수 있습니다. 렌즈쉐이드 보정은 이미지의 균일성과 왜곡을 줄일 수 있습니다.     카메라 화질튜닝시에는 위의 4가지 요소를 순서대로 진행하는 것이 좋습니다. 감마 보정부터 시작하여 컬러 보정, 화이트밸런스 보정, 렌즈쉐이드 보정 순으로 진행하면 이미지의 품질을 최적화할 수 있습니다.
카메라 화질튜닝의 최종 결과물을 얻으려면 앞에서 언급한 4가지를 어떻게 최적화하느냐에 따라 달라집니다. 최적화 방법은 카메라의 종류와 성능, 촬영 환경과 목적, 개인의 취향 등에 따라 다르므로 정답은 없습니다. 하지만 일반적으로 다음과 같은 원칙을 따르면 좋습니다.
딥 네트워크의 카메라 화질튜닝 솔루션  :  감마 값은 2.2 정도로 설정하면 대부분의 모니터에서 자연스럽게 보일 수 있습니다.  컬러 값은 RGB 채널별로 균형있게 조절하고, 색온도는 5000K~6500K 사이로 설정하면 중립적인 색감을 얻을 수 있습니다.  화이트밸런스 값은 촬영된 장면의 주광원에 맞추어 조절하면 자연스러운 색상 균형을 얻을 수 있습니다.   렌즈쉐이드 값은 이미지의 가장자리 부분의 밝기가 중앙 부분과 비슷하게 조절하면 균일한 밝기 균형을 얻을 수 있습니다.

카메라 화질 튜닝이란  카메라로 촬영한 영상의 화질을 개선하는 과정입니다. 카메라 화질 튜닝에는 다양한 알고리즘들이 사용됩니다. 예를 들어, 
광원의 색온도 측정은 영상의 색상을 균일하고 자연스럽게 만들기 위해 광원의 색온도를 측정하고 보정하는 알고리즘입니다. 광원의 색온도는 영상의 화이트 밸런스에 영향을 줍니다.
감마 보정은 영상의 명암 대비를 조절하기 위해 감마 곡선을 적용하는 알고리즘입니다. 감마 보정은 영상의 밝기와 선명도에 영향을 줍니다.
컬러 보정은 영상의 색상을 조절하기 위해 컬러 매트릭스나 컬러 룩업 테이블을 사용하는 알고리즘입니다. 컬러 보정은 영상의 색감과 분위기에 영향을 줍니다.
화이트밸런싱 보정은 영상의 색온도를 조절하기 위해 화이트 밸런스 게인을 사용하는 알고리즘입니다. 화이트밸런싱 보정은 영상의 색온도와 색조에 영향을 줍니다.
노출시간 제어는 영상의 밝기를 조절하기 위해 노출시간을 제어하는 알고리즘입니다. 노출시간 제어는 영상의 밝기와 잡음에 영향을 줍니다.
렌즈 쉐이딩 보정은 렌즈로 인해 발생하는 영상의 밝기와 색상의 변화를 보정하는 알고리즘입니다. 렌즈 쉐이딩 보정은 영상의 균일성과 왜곡에 영향을 줍니다.

제가 운영하는 딥 네트워크는 카메라 화질튜닝 전문 기업으로서, 저희는 다음과 같은 기술들의  대표적인 화질튜닝 설계 알고리즘을 보유하고 있습니다.

제가 운영하는 딥 네트워크는 카메라 화질튜닝 전문 기업으로서, 저희는 다음과 같은 기술들의  대표적인 화질튜닝 설계 알고리즘을 보유하고 있습니다.

화이트밸런스 제어 기술 

촬영 장면의 색온도에 따라 색상을 균형있게 조절합니다. 자연스러운 색감을 재현하고, 색상의 변화에 민감하게 반응합니다. 이 기술의 핵심은 색온도 센서를 통해 장면의 색온도를 측정하고, 적절한 화이트밸런스 알고리즘을 적용하여 영상의 RGB 값을 보정하는 것입니다. 

해외특허나 논문에서 제시한 화이트밸런스  설계  제어 알고리즘 수식을 확보하고 있읍니다. 

렌즈 쉐이드 보정 기술 

렌즈의 왜곡이나 결함으로 인한 영상의 불균형을 보정합니다. 깔끔하고 고르게 조명된 영상을 얻고, 영상의 품질을 향상시킵니다. 이 기술의 핵심은 렌즈의 광학적 특성을 분석하고, 영상의 각 픽셀에 대해 렌즈 쉐이드 보정 테이블을 참조하여 영상의 밝기와 색상을 보정하는 것입니다.   

해외특허나 논문에서 제시한 렌즈 쉐이드 보정 기술  설계 알고리즘 제어 수식을 확보하고 있읍니다. 

감마 보정 기술

영상의 명암비를 인간의 눈에 맞게 조절합니다. 세부적인 표현력과 대비감을 높이고, 영상의 밝기와 명도를 최적화합니다. 이 기술의 핵심은 영상의 감마 값을 설정하고, 감마 보정 테이블을 생성하여 영상의 각 픽셀에 대해 감마 보정 값을 적용하는 것입니다. 

해외특허나 논문에서 제시한 감마 보정 기술  설계 알고리즘 제어 수식을 확보하고 있읍니다. 

노출시간 제어 기술

영상의 밝기를 조절합니다. 너무 밝거나 어두운 장면을 적절하게 촬영하고, 영상의 선명도와 잡음을 줄입니다. 이 기술의 핵심은 영상의 평균 밝기를 측정하고, 노출시간 제어 알고리즘을 적용하여 카메라 센서가 받는 빛의 양을 조절하는 것입니다. 

노출시간 제어 기술  설계 알고리즘 파악에 성공해서  구현 가능 합니다.   

줌  렌즈 제어 기술

당신의 카메라는 단순히 확대와 축소만 하는 줌 렌즈가 아닙니다. 우리의 카메라 줌 제어 기술은 영상의 공간적 축소방법을 이용하여 콘트라스트 향상을 위한 누적 분포함수의 계산량을 감소시키고 하드웨어의 복잡성을 줄입니다. 또한 각 픽셀의 콘트라스트를 비교하여 가장 큰 값을 선택하고 이에 맞춰 줌 렌즈를 제어하여 선명한 화면을 얻습니다. 우리의 카메라 줌 제어 기업은 영상의 콘트라스트 향상과 선명도 향상을 동시에 실현하는 차별화된 알고리즘을 보유하고 있습니다. 멀리서도 선명하게 당신의 순간을 담아보세요 

줌 렌즈  제어 기술   알고리즘 구현 노하우를 보유하고 있읍니다 ...   

저희는 이러한 기술들을 통합하여 최고의 카메라 화질튜닝 솔루션을 제공하고 있습니다. 저희와 함께라면 더욱 선명하고 생동감 있는 카메라 화질을 경험하실 수 있습니다.  

제가 운영하는 딥 네트워크 의  Camera 3A 튜닝 관련 화질 보정 알고리즘 몇가지를 그동안 3 년에 걸쳐 분석 성공한 내용을 공개합니다 ...  카메라 3A 튜닝 기술중 우선 2 가지, Exposure 제어와 White balance 제어 관련해서 소개해 보겠읍니다 ...   카메라 영상 컬러 보정 알고리즘의 제어를 통해서는  카메라 영상 영역의 히스토그램 평활화을 통해서 카메라 이미지의 광원에 따른 영상의 선명도 보정 작업이 가능합니다.  여기에  화질 튜닝을 하려면 White balance 제어가 필요합니다 ....  White Balance 제어는 카메라에 비춰지는 광원의 색온도를 측정을 통해 광원의 White balance 특성을 파악하게 되구요 ...   즉 광원의 특성에 따라 카메라 이미지의 White balance 제어 처리가 된 영상으로 보정되야 한다는것 입니다 ...     

제가 운영하는 딥 네트워크는 Lens Shade Correction 기법 또한 노하우가 있읍니다 ...  카메라 이미지의 센터부는 밝기값 Y 값이 크고 카메라 이미지의 Edge 부분은 상대적으로 밝기값인 Y 값이 작읍니다 ...  따라서 이 Y 값을  카메라 이미지의 센터부와 카메라 이미지의 Edge 부의 중간 정도 값으로 카메라 이미지의 밝기값을 조정해 주는 작업이  Lens Shade Correction 기법이라고 파악하고 있읍니다 ...

딥 네트워크는 Gamma Correction 노하우 또한 있읍니다 ...   픽셀값을 밝게 하려면 Intensity 값을 크게 해주면 되구요  반대로 어둡게 하려면 Intensity 값을 작게 해줘야 합니다.  Gamma Correction 은 모든 픽셀값에 대해서 동일한 값만큼 Intensity 값을 증가 시키지는 않읍니다.  밝게하거나 어둡게 할때 어두운 부분의 Intensity 값을 더 많이 변화시키게 됩니다 ... 

Focus 제어의 경우

Contrast 값이 높게 나오는 부분이 Focus 가 잘 맞추어진 상태를 의미 하거든요  Focus 를 맞출 영역을 정의한후 그 영역이 Contrast 값이 높게 나오도록 포커싱 제어부를 제어를 해주면 된다고 판단하고 있읍니다 ...    CZ(Continuous Zoom) 기능 구현을 위해  lookup 테이블에 따라 카메라모듈의 스테핑 모터가 동작하도록 구현하는 부분이 필요합니다 ...  

Zoom 제어의 경우

시리얼 통신으로 카메라의 Zoom 을 제어하는 통신 프로토콜인 Pelco-D/P Protocol 를  사용해서 카메라의 Zoom 을 제어하는 부분의 구현이 필요하구요  ...    

관련해서 카메라 보드 펌웨어 개발 및 Camera 3A 튜닝 개발문의 및 기술자문 문의 부탁드립니다 .... 

이미지센서(카메라 보드) 펌웨어의 프로토타입 개발기간 이후 양산대응을 위한 안정화 개발기간이 필요합니다 ...  

이미지센서(카메라 보드)  펌웨어의 프로토타입 개발에 필요한 상세 개발규격을 메일로 전달 부탁드립니다 ...

제가 운영하는 일인기업   딥 네트워크 장석원

기업블로그 :   https://videocodec.tistory.com/    제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일 : sayhi7@daum.net

HP : 010-3350 6509

StyleGAN 논문의 딥러닝 모델은 고해상도의 사실적인 가상인간 이미지를 생성할 수 있는 강력한 기술입니다. 이 모델은 스타일 Transfer 메커니즘을 통해 다양한 스타일 요소를 조절하고 결합할 수 있습니다. 스타일 Transfer 메커니즘의 세부 동작원리는 다음과 같습니다.

StyleGAN V2 논문의 핵심 알고리즘 5 가지는 다음과 같습니다.

Normalization artifacts 제거 :  StyleGAN V2는 기존의 GAN 모델들이 가지고 있던 물방울 모양의 아티팩트를 제거하였습니다. 이를 위해 스타일을 적용하는 방식을 혁신적으로 개선하고, 새로운 정규화 방법을 도입하였습니다. 이 알고리즘은 가상인간을 구현할 때, 피부나 머리카락 등의 세부적인 텍스처를 더욱 자연스럽고 선명하게 만들어줍니다.
Path length regularization 도입 :  StyleGAN V2는 latent space의 작은 변화가 생성된 이미지에 큰 영향을 미치지 않도록 하였습니다. 이를 위해 path length regularization이라는 새로운 방법을 사용하여 이미지 품질과 generator의 smoothness를 동시에 향상시켰습니다. 이 알고리즘은 가상인간을 구현할 때, 다양한 표정이나 감정을 부드럽게 표현할 수 있도록 도와줍니다.
Progressive growing 개선 :  StyleGAN V2는 progressive growing이라는 점진적으로 해상도를 높여가는 학습 방법을 대체하였습니다. 이 방법은 해상도별로 다른 특징이 나타나는 phase artifact라는 문제점을 가지고 있었습니다. StyleGAN V2는 skip connection과 residual connection을 결합하여 각 해상도의 feature map을 효율적으로 활용하고, capacity 문제를 해결하기 위해 상위 레이어의 feature map의 수를 증가시켰습니다. 이 알고리즘은 가상인간을 구현할 때, 고해상도의 이미지를 빠르고 안정적으로 생성할 수 있도록 도와줍니다.
Style mixing 기법 도입 :  StyleGAN V2는 latent space에서 뽑은 여러 개의 스타일 벡터를 각 레이어에 적용하여 다양한 스타일이 섞인 이미지를 생성할 수 있는 기법입니다. 이 기법은 style correlation이 발생하지 않도록 하며, regularization 효과도 줍니다. 이 알고리즘은 가상인간을 구현할 때, 원하는 스타일과 특징을 조합하여 맞춤형 이미지를 생성할 수 있도록 도와줍니다.
Latent space로의 projection 기능 추가 :  StyleGAN V2는 이미지를 latent space로 역투영하는 projection 기능을 추가하였습니다. 이 기능은 주어진 이미지와 가장 비슷한 latent vector를 찾아내어, 이미지를 수정하거나 변형하는데 사용할 수 있습니다. 이 알고리즘은 가상인간을 구현할 때, 실제 인간의 이미지를 latent space로 가져와서 원하는 방식으로 변경하거나 합성할 수 있도록 도와줍니다.
이상으로 StyleGAN V2 논문의 핵심 알고리즘 5 가지와 그것이 가상인간 구현에 어떻게 응용되는지에 대해 설명하였습니다. StyleGAN V2는 GAN 분야의 최첨단 기술로서, 가상인간을 구현하는데 매우 유용하고 강력한 모델입니다.

StyleGAN 논문 딥러닝 모델 설계구조 기술컨설팅은 StyleGAN의 아키텍처와 알고리즘을 이해하고, 적용하고, 개선하고자 하는 분들을 위한 서비스입니다. 

[일인기업 딥 네트워크][딥러닝 기술자문 전문] StyleGAN V2 논문 모델 의 여러 핵심 알고리즘 설계구조 및 원리를 자문하는 방식으로 도움을 드릴 수 있습니다. (tistory.com)       제 기업블로그 사이트도 StyleGAN 관련 내용이니 자세히 살펴봐 주십시요 ...

저희 기업은 StyleGAN 논문의 딥러닝 모델의 세부 분석 기술력을 바탕으로 사업화가 가능한 가상인간 구현 분야와 관련해서 기술자문 사업을 제공합니다. 저희 기업과 함께하시면 StyleGAN 모델을 활용하여 원하는 가상인간 이미지를 쉽고 빠르게 생성하고, 다양한 응용 분야에 적용할 수 있습니다. 저희 기업의 StyleGAN 모델 세부 분석 기술력에 대해 더 알고 싶으시다면, 아래의 연락처로 문의를 자세히 해 주세요.

제가 운영하는  일인기업  딥 네트워크  기술총괄  장석원

기업블로그  :    https://videocodec.tistory.com/     

제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일   :   sayhi7@daum.net

HP : 010-3350 6509

안녕하세요. 저는 딥 네트워크라는 일인기업입니다. 저는 GPT-3 모델, ChatGPT 모델, LLaMA 모델과 같은 딥러닝 초거대 모델의 핵심이 되는 학습 알고리즘을 연구하고 있습니다. 저는 이러한 모델들이 어떤 구조로 학습모델의 발전이 이루어졌는지를 깊이있게 분석하고 비교하였습니다. 저는 지난 2년간 다양한 논문들을 리뷰하고 요약하였으며, 최신의 연구동향과 트렌드를 파악하였습니다. 저는 이러한 분석 기술력을 바탕으로 딥러닝 초거대 모델의 학습 알고리즘의 원리와 동작 방식을 잘 이해하고 있습니다. 

딥 네트워크는 ChatGPT 초거대 언어모델 기술컨설팅의 전문가입니다. 딥 네트워크는 딥러닝 모델 학습 구조 분석 기술력의 핵심을 다음과 같이 정리할 수 있습니다.

딥러닝 모델 학습 구조 분석 기술력은 딥러닝 모델의 원리와 구조를 이해하고, 모델의 성능과 한계를 평가하고, 모델의 튜닝과 수정을 통해 최적화하는 능력입니다.   딥 네트워크는 GPT-3 모델 학습 구조 분석에 성공한 후, ChatGPT 초거대 언어모델 기술컨설팅에도 큰 진전을 보여준 기업입니다. 딥 네트워크는 GPT-3 모델과 ChatGPT 모델의 학습 구조를 깊이 있게 분석하고, 고객에게 최적의 분석 결과를 제공합니다.  딥 네트워크는 딥러닝 모델 학습 구조 분석 기술력을 바탕으로, ChatGPT 초거대 언어모델의 강화학습 방식에 대한 이론적인 지식을 갖고 있습니다.  하지만, 딥 네트워크는 아직 ChatGPT 초거대 언어모델을 활용한 챗봇 개발 및 배포에 대한 경험은 없습니다.   딥 네트워크는 ChatGPT 초거대 언어모델 기술컨설팅의 전문가로서, 고객의 요구에 맞는 최고의 분석 서비스를 제공합니다.

딥 네트워크와 함께라면, ChatGPT 초거대 언어모델의 비밀을 풀 수 있습니다.   딥 네트워크에 문의하세요.

제가 운영하는  일인기업  딥 네트워크  기술총괄  장석원

기업블로그  :    https://videocodec.tistory.com/     

제 기업블로그 사이트도 자세히 살펴봐 주시구요 ....

이메일   :   sayhi7@daum.net

HP : 010-3350 6509