**如今，****數(shù)據(jù)處理架構(gòu)呈現(xiàn)出一種“分裂”的特性。**擁有龐大規(guī)模和計(jì)算能力的“云”計(jì)算成為了關(guān)注焦點(diǎn)，而“邊緣”計(jì)算將處理過(guò)程置于“一線”，連接著電子設(shè)備與真實(shí)世界。在云端，數(shù)據(jù)存儲(chǔ)量巨大，處理過(guò)程需要排隊(duì)和調(diào)度；而在邊緣，處理工作則有針對(duì)性地即時(shí)完成。

這使得系統(tǒng)能夠針對(duì)本地指令和應(yīng)用程序反饋?zhàn)龀隹焖夙憫?yīng)，同時(shí)減少數(shù)據(jù)流量，以確保處理過(guò)程更加安全。當(dāng)然，這兩個(gè)區(qū)域也會(huì)進(jìn)行交互，邊緣節(jié)點(diǎn)將數(shù)據(jù)傳回云端，實(shí)現(xiàn)跨設(shè)備或地點(diǎn)的匯總與分析；而全局指令和固件更新則反向傳遞至邊緣。

這兩種處理環(huán)境都得益于人工智能（AI）和機(jī)器學(xué)習(xí)（ML）的最新發(fā)展。例如，在數(shù)據(jù)中心，包含數(shù)萬(wàn)顆處理器（主要為GPU）的數(shù)千臺(tái)服務(wù)器執(zhí)行大規(guī)模并行計(jì)算，以生成和運(yùn)行ChatGPT等大語(yǔ)言模型（LLM）。從某些指標(biāo)看，這些平臺(tái)的性能現(xiàn)在已經(jīng)超越了人類。

**在邊緣，處理過(guò)程根據(jù)操作算法對(duì)反饋傳感器和指令做出反應(yīng)。**但借助機(jī)器學(xué)習(xí)，算法現(xiàn)也能夠有效地從反饋中學(xué)習(xí)；由此改進(jìn)算法及其計(jì)算系數(shù)，讓受控過(guò)程更為準(zhǔn)確、高效和安全。

云端和邊緣的能耗差異

在能源的使用規(guī)模層面，云計(jì)算和邊緣計(jì)算存在很大的實(shí)際差異。這兩種情況的能耗都必須降至最低；但數(shù)據(jù)中心的電力消耗十分巨大，據(jù)國(guó)際能源機(jī)構(gòu)（IEA）估計(jì)，約為240-340太瓦時(shí)（TWh），占全球需求的1%-1.3%。人工智能和機(jī)器學(xué)習(xí)將進(jìn)一步加速能源消耗；IEA預(yù)測(cè)在未來(lái)幾年內(nèi)將增長(zhǎng)20%-40%，而這一數(shù)字的歷史數(shù)據(jù)僅為3%左右。

與游戲和視頻流媒體等按需數(shù)據(jù)處理任務(wù)不同，AI包含學(xué)習(xí)和推理兩個(gè)階段；其中，學(xué)習(xí)階段借助數(shù)據(jù)集來(lái)訓(xùn)練模型。據(jù)報(bào)道，ChatGPT在這個(gè)過(guò)程中消耗了超過(guò)1.2TWh的電力。另一方面，根據(jù)de Vries的統(tǒng)計(jì)，處于推理或運(yùn)行階段的LLM每天可能需要消耗564MWh的電力。

而在數(shù)據(jù)處理架構(gòu)的另一端，物聯(lián)網(wǎng)（IoT）節(jié)點(diǎn)或可穿戴設(shè)備中的邊緣計(jì)算功耗可能不超過(guò)毫瓦級(jí)。即使對(duì)于電機(jī)控制和電池管理等工業(yè)及電動(dòng)汽車（EV）類應(yīng)用，為控制電路預(yù)留的損耗預(yù)算也很小，無(wú)法適應(yīng)AI和機(jī)器學(xué)習(xí)引入帶來(lái)的大幅能耗提升。

因此，微型機(jī)器學(xué)習(xí)（tinyML）已發(fā)展為一個(gè)在設(shè)備上實(shí)施傳感器數(shù)據(jù)分析的應(yīng)用及技術(shù)領(lǐng)域；同時(shí)，其也經(jīng)過(guò)優(yōu)化，旨在實(shí)現(xiàn)極低功耗。

tinyML和電源管理

在具體應(yīng)用中采用機(jī)器學(xué)習(xí)技術(shù)是一個(gè)涉及到多個(gè)維度的問(wèn)題。舉例來(lái)說(shuō)，tinyML可用于電池管理，其目標(biāo)是在盡可能快速、安全并高效充電的同時(shí)，以最小的壓力控制放電。電池管理還會(huì)監(jiān)控電池的健康狀況，并主動(dòng)平衡電芯以確保其均衡老化，從而獲得最高的可靠性和使用壽命。

受監(jiān)控的參數(shù)包括單個(gè)電芯的電壓、電流和溫度；管理系統(tǒng)通常需要預(yù)測(cè)電池的充電狀態(tài)（SOC）和健康狀況（SOH）。這些參數(shù)均為動(dòng)態(tài)量，與電池的使用歷史及測(cè)量參數(shù)間存在復(fù)雜且多變的關(guān)系。

盡管任務(wù)復(fù)雜，但實(shí)現(xiàn)AI處理并不需要使用昂貴的GPU。ARM Cortex M0和M4系列等現(xiàn)代微控制器可輕松勝任電池管理中的機(jī)器學(xué)習(xí)任務(wù)，且它們的功耗很低，現(xiàn)已集成至針對(duì)該應(yīng)用的專用片上系統(tǒng)（SoC）中。

電池管理IC十分常見(jiàn)，但在實(shí)施機(jī)器學(xué)習(xí)算法的MCU助力下，基于傳感器的歷史和當(dāng)前數(shù)據(jù)的信息與模式可用于更好地預(yù)測(cè)SOC及SOH，同時(shí)確保高度安全性。與其它ML應(yīng)用一樣，這需要一個(gè)基于訓(xùn)練數(shù)據(jù)的學(xué)習(xí)階段；數(shù)據(jù)可以來(lái)自包含不同環(huán)境條件和多個(gè)電池制造公差的日志記錄；在缺少現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)的情況下，也可以利用建模得到的合成數(shù)據(jù)。

正如AI的本質(zhì)一樣，模型可隨現(xiàn)場(chǎng)數(shù)據(jù)的積累不斷更新，以擴(kuò)大或縮小應(yīng)用規(guī)模，或用于其它類似系統(tǒng)。雖然學(xué)習(xí)過(guò)程通常是應(yīng)用投入使用前的一項(xiàng)工作，但也可以成為基于傳感器數(shù)據(jù)的后臺(tái)任務(wù)，在本地或通過(guò)云端進(jìn)行離線處理，以獲得持續(xù)的性能改進(jìn)。自動(dòng)機(jī)器學(xué)習(xí)（AutoML）工具結(jié)合電池管理SoC的評(píng)估套件可實(shí)現(xiàn)這一功能。

機(jī)器學(xué)習(xí)模型

在機(jī)器學(xué)習(xí)和電池管理等邊緣應(yīng)用領(lǐng)域中，有多種可供選擇的模型。一個(gè)簡(jiǎn)單的分類決策樹(shù)所占用資源很少，最多僅需幾千字節(jié)的RAM，但能夠?yàn)榇祟悜?yīng)用提供足夠的功能。該方法可將采集到的數(shù)據(jù)簡(jiǎn)單地分為“正?！被颉爱惓！?；示例如圖1所示。

圖1：在此決策樹(shù)分類器示例中，“類別1” = 正常，“類別0” = 異常

此處使用兩個(gè)參數(shù)來(lái)描述多電芯電池組放電過(guò)程中的狀態(tài)：最強(qiáng)電芯的SOC（充電狀態(tài)），以及最強(qiáng)與最弱電芯間的電壓差。藍(lán)色和白色節(jié)點(diǎn)代表正常數(shù)據(jù)；分類區(qū)域用藍(lán)色（“類別0”= 正常）和灰色（“類別1”= 異常）表示。

如要評(píng)估輸出數(shù)據(jù)的連續(xù)值，而不僅僅是類別，可以使用更復(fù)雜的回歸決策樹(shù)。其它常見(jiàn)的ML模型包括支持向量機(jī)（SVM）、核近似分類器、近鄰分類器、樸素貝葉斯分類器、邏輯回歸和孤立森林。神經(jīng)網(wǎng)絡(luò)建模可以包含在AutoML工具中，以增加復(fù)雜度為代價(jià)來(lái)提高性能。

一個(gè)ML應(yīng)用程序的整個(gè)開(kāi)發(fā)過(guò)程被稱為“MLOps”，即“ML Operations”，包括數(shù)據(jù)的收集與整理，以及模型的訓(xùn)練、分析、部署和監(jiān)控。圖2以圖形方式展示了使用PAC25140芯片的電池管理應(yīng)用開(kāi)發(fā)流程；該芯片可監(jiān)控、控制和平衡由多達(dá)20個(gè)電芯組成的串聯(lián)電池組，適用于鋰離子、鋰聚合物或磷酸鐵鋰電池。

圖2：上述設(shè)計(jì)示例突出展示了tinyML開(kāi)發(fā)流程

案例研究：弱電芯檢測(cè)

退化電芯檢測(cè)是電池SOH監(jiān)測(cè)的一部分。這些電芯的特征之一可能體現(xiàn)為在負(fù)載下電池電壓異常偏低。然而，電壓還受實(shí)際放電電流、充電狀態(tài)和溫度的影響，如圖3所示；圖中突出顯示了強(qiáng)弱電芯在不同溫度及負(fù)載電流下的示例曲線。

圖3：強(qiáng)、弱電芯的放電曲線

圖3顯示了在電芯電量接近耗盡時(shí)，強(qiáng)弱電芯電壓間出現(xiàn)的顯著差異；然而，在此時(shí)檢測(cè)到弱電芯可能為時(shí)已晚，無(wú)法避免過(guò)熱和安全問(wèn)題。因此，實(shí)施ML成為一種解決方案，從而在放電周期的較早階段從數(shù)據(jù)中尋找相關(guān)模式。

ML方法的有效性在Qorvo進(jìn)行的實(shí)驗(yàn)中得到充分體現(xiàn)。該實(shí)驗(yàn)將一顆弱電芯插入一個(gè)由10顆電芯組成的電池組，并與一個(gè)狀態(tài)良好的電池組進(jìn)行比較。兩組電芯在不同恒定電流倍率和溫度下放電，并生成訓(xùn)練數(shù)據(jù)；監(jiān)測(cè)參數(shù)包括它們的電流、溫度、最強(qiáng)與最弱電芯電壓差，以及最強(qiáng)電芯的SOC。

在20個(gè)放電周期中，每10秒對(duì)參數(shù)進(jìn)行同步采樣，并使用表1所列的不同模型進(jìn)行分析。將結(jié)果與20個(gè)放電周期的獨(dú)立測(cè)試數(shù)據(jù)進(jìn)行比較，顯示兩種方法的一致性非常接近；隨著訓(xùn)練樣本的增加，其一致性將進(jìn)一步提高。

圖4：從不同ML模型的訓(xùn)練及測(cè)試數(shù)據(jù)中提取示例結(jié)果

SoC足以實(shí)現(xiàn)對(duì)ML的支持

雖然當(dāng)前AI的關(guān)注焦點(diǎn)集中在大規(guī)模、高功率應(yīng)用；然而，針對(duì)電池監(jiān)測(cè)等應(yīng)用，使用MCU和tinyML技術(shù) 的“邊緣部署型”AI也可以成為高性能、低功耗解決方案的一部分。在這種場(chǎng)景下，SoC解決方案擁有所需的全部處理能力，并可集成各種機(jī)器學(xué)習(xí)算法。

所有必要的傳感器和通信接口均已內(nèi)置；此外，SoC還擁有豐富的評(píng)估與設(shè)計(jì)工具生態(tài)系統(tǒng)的支持。

審核編輯：劉清