微型机器学习（tinyML）在电源管理系统中的应用

如今，数据处理架构呈现出一种“分裂”的特性。拥有庞大规模和计算能力的“云”计算成为了关注焦点，而“边缘”计算将处理过程置于“一线”，连接着电子设备与真实世界。在云端，数据存储量巨大，处理过程需要排队和调度；而在边缘，处理工作则有针对性地即时完成。

如今，数据处理架构呈现出一种“分裂”的特性。拥有庞大规模和计算能力的“云”计算成为了关注焦点，而“边缘”计算将处理过程置于“一线”，连接着电子设备与真实世界。在云端，数据存储量巨大，处理过程需要排队和调度；而在边缘，处理工作则有针对性地即时完成。

这使得系统能够针对本地指令和应用程序反馈做出快速响应，同时减少数据流量，以确保处理过程更加安全。当然，这两个区域也会进行交互，边缘节点将数据传回云端，实现跨设备或地点的汇总与分析；而全局指令和固件更新则反向传递至边缘。

这两种处理环境都得益于人工智能（AI）和机器学习（ML）的最新发展。例如，在数据中心，包含数万颗处理器（主要为GPU）的数千台服务器执行大规模并行计算，以生成和运行ChatGPT等大语言模型（LLM）。从某些指标看，这些平台的性能现在已经超越了人类。

在边缘，处理过程根据操作算法对反馈传感器和指令做出反应。但借助机器学习，算法现也能够有效地从反馈中学习；由此改进算法及其计算系数，让受控过程更为准确、高效和安全。

云端和边缘的能耗差异

在能源的使用规模层面，云计算和边缘计算存在很大的实际差异。这两种情况的能耗都必须降至最低；但数据中心的电力消耗十分巨大，据国际能源机构（IEA）估计，约为240-340太瓦时（TWh），占全球需求的1%-1.3%。人工智能和机器学习将进一步加速能源消耗；IEA预测在未来几年内将增长20%-40%，而这一数字的历史数据仅为3%左右。

与游戏和视频流媒体等按需数据处理任务不同，AI包含学习和推理两个阶段；其中，学习阶段借助数据集来训练模型。据报道，ChatGPT在这个过程中消耗了超过1.2TWh的电力。另一方面，根据de Vries的统计，处于推理或运行阶段的LLM每天可能需要消耗564MWh的电力。

而在数据处理架构的另一端，物联网（IoT）节点或可穿戴设备中的边缘计算功耗可能不超过毫瓦级。即使对于电机控制和电池管理等工业及电动汽车（EV）类应用，为控制电路预留的损耗预算也很小，无法适应AI和机器学习引入带来的大幅能耗提升。

因此，微型机器学习（tinyML）已发展为一个在设备上实施传感器数据分析的应用及技术领域；同时，其也经过优化，旨在实现极低功耗。

tinyML和电源管理

在具体应用中采用机器学习技术是一个涉及到多个维度的问题。举例来说，tinyML可用于电池管理，其目标是在尽可能快速、安全并高效充电的同时，以最小的压力控制放电。电池管理还会监控电池的健康状况，并主动平衡电芯以确保其均衡老化，从而获得最高的可靠性和使用寿命。

受监控的参数包括单个电芯的电压、电流和温度；管理系统通常需要预测电池的充电状态（SOC）和健康状况（SOH）。这些参数均为动态量，与电池的使用历史及测量参数间存在复杂且多变的关系。

尽管任务复杂，但实现AI处理并不需要使用昂贵的GPU。ARM Cortex M0和M4系列等现代微控制器可轻松胜任电池管理中的机器学习任务，且它们的功耗很低，现已集成至针对该应用的专用片上系统（SoC）中。

电池管理IC十分常见，但在实施机器学习算法的MCU助力下，基于传感器的历史和当前数据的信息与模式可用于更好地预测SOC及SOH，同时确保高度安全性。与其它ML应用一样，这需要一个基于训练数据的学习阶段；数据可以来自包含不同环境条件和多个电池制造公差的日志记录；在缺少现场实际数据的情况下，也可以利用建模得到的合成数据。

正如AI的本质一样，模型可随现场数据的积累不断更新，以扩大或缩小应用规模，或用于其它类似系统。虽然学习过程通常是应用投入使用前的一项工作，但也可以成为基于传感器数据的后台任务，在本地或通过云端进行离线处理，以获得持续的性能改进。自动机器学习（AutoML）工具结合电池管理SoC的评估套件可实现这一功能。

机器学习模型

在机器学习和电池管理等边缘应用领域中，有多种可供选择的模型。一个简单的分类决策树所占用资源很少，最多仅需几千字节的RAM，但能够为此类应用提供足够的功能。该方法可将采集到的数据简单地分为“正常”或“异常”；示例如图1所示。

图1：在此决策树分类器示例中，“类别1” = 正常，“类别0” = 异常

此处使用两个参数来描述多电芯电池组放电过程中的状态：最强电芯的SOC（充电状态），以及最强与最弱电芯间的电压差。蓝色和白色节点代表正常数据；分类区域用蓝色（“类别0”= 正常）和灰色（“类别1”= 异常）表示。

如要评估输出数据的连续值，而不仅仅是类别，可以使用更复杂的回归决策树。其它常见的ML模型包括支持向量机（SVM）、核近似分类器、近邻分类器、朴素贝叶斯分类器、逻辑回归和孤立森林。神经网络建模可以包含在AutoML工具中，以增加复杂度为代价来提高性能。

一个ML应用程序的整个开发过程被称为“MLOps”，即“ML Operations”，包括数据的收集与整理，以及模型的训练、分析、部署和监控。图2以图形方式展示了使用PAC25140芯片的电池管理应用开发流程；该芯片可监控、控制和平衡由多达20个电芯组成的串联电池组，适用于锂离子、锂聚合物或磷酸铁锂电池。

图2：上述设计示例突出展示了tinyML开发流程

案例研究：弱电芯检测

退化电芯检测是电池SOH监测的一部分。这些电芯的特征之一可能体现为在负载下电池电压异常偏低。然而，电压还受实际放电电流、充电状态和温度的影响，如图3所示；图中突出显示了强弱电芯在不同温度及负载电流下的示例曲线。

图3：强、弱电芯的放电曲线

图3显示了在电芯电量接近耗尽时，强弱电芯电压间出现的显著差异；然而，在此时检测到弱电芯可能为时已晚，无法避免过热和安全问题。因此，实施ML成为一种解决方案，从而在放电周期的较早阶段从数据中寻找相关模式。

ML方法的有效性在Qorvo进行的实验中得到充分体现。该实验将一颗弱电芯插入一个由10颗电芯组成的电池组，并与一个状态良好的电池组进行比较。两组电芯在不同恒定电流倍率和温度下放电，并生成训练数据；监测参数包括它们的电流、温度、最强与最弱电芯电压差，以及最强电芯的SOC。

在20个放电周期中，每10秒对参数进行同步采样，并使用表1所列的不同模型进行分析。将结果与20个放电周期的独立测试数据进行比较，显示两种方法的一致性非常接近；随着训练样本的增加，其一致性将进一步提高。

图4：从不同ML模型的训练及测试数据中提取示例结果

SoC足以实现对ML的支持

虽然当前AI的关注焦点集中在大规模、高功率应用；然而，针对电池监测等应用，使用MCU和tinyML技术 的“边缘部署型”AI也可以成为高性能、低功耗解决方案的一部分。在这种场景下，SoC解决方案拥有所需的全部处理能力，并可集成各种机器学习算法。

所有必要的传感器和通信接口均已内置；此外，SoC还拥有丰富的评估与设计工具生态系统的支持。