你的位置:首頁 > 電源管理 > 正文

微型機器學習(tinyML)在電源管理系統(tǒng)中的應(yīng)用

發(fā)布時間:2024-01-08 來源:Qorvo半導(dǎo)體 責任編輯:lina

【導(dǎo)讀】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)模和計算能力的“云”計算成為了關(guān)注焦點,而“邊緣”計算將處理過程置于“一線”,連接著電子設(shè)備與真實世界。在云端,數(shù)據(jù)存儲量巨大,處理過程需要排隊和調(diào)度;而在邊緣,處理工作則有針對性地即時完成。


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)模和計算能力的“云”計算成為了關(guān)注焦點,而“邊緣”計算將處理過程置于“一線”,連接著電子設(shè)備與真實世界。在云端,數(shù)據(jù)存儲量巨大,處理過程需要排隊和調(diào)度;而在邊緣,處理工作則有針對性地即時完成。


這使得系統(tǒng)能夠針對本地指令和應(yīng)用程序反饋做出快速響應(yīng),同時減少數(shù)據(jù)流量,以確保處理過程更加安全。當然,這兩個區(qū)域也會進行交互,邊緣節(jié)點將數(shù)據(jù)傳回云端,實現(xiàn)跨設(shè)備或地點的匯總與分析;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)和機器學習(ML)的最新發(fā)展。例如,在數(shù)據(jù)中心,包含數(shù)萬顆處理器(主要為GPU)的數(shù)千臺服務(wù)器執(zhí)行大規(guī)模并行計算,以生成和運行ChatGPT等大語言模型(LLM)。從某些指標看,這些平臺的性能現(xiàn)在已經(jīng)超越了人類。


在邊緣,處理過程根據(jù)操作算法對反饋傳感器和指令做出反應(yīng)。但借助機器學習,算法現(xiàn)也能夠有效地從反饋中學習;由此改進算法及其計算系數(shù),讓受控過程更為準確、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,云計算和邊緣計算存在很大的實際差異。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)國際能源機構(gòu)(IEA)估計,約為240-340太瓦時(TWh),占全球需求的1%-1.3%。人工智能和機器學習將進一步加速能源消耗;IEA預(yù)測在未來幾年內(nèi)將增長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包含學習和推理兩個階段;其中,學習階段借助數(shù)據(jù)集來訓練模型。據(jù)報道,ChatGPT在這個過程中消耗了超過1.2TWh的電力。另一方面,根據(jù)de Vries的統(tǒng)計,處于推理或運行階段的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)點或可穿戴設(shè)備中的邊緣計算功耗可能不超過毫瓦級。即使對于電機控制和電池管理等工業(yè)及電動汽車(EV)類應(yīng)用,為控制電路預(yù)留的損耗預(yù)算也很小,無法適應(yīng)AI和機器學習引入帶來的大幅能耗提升。


因此,微型機器學習(tinyML)已發(fā)展為一個在設(shè)備上實施傳感器數(shù)據(jù)分析的應(yīng)用及技術(shù)領(lǐng)域;同時,其也經(jīng)過優(yōu)化,旨在實現(xiàn)極低功耗。


tinyML和電源管理


在具體應(yīng)用中采用機器學習技術(shù)是一個涉及到多個維度的問題。舉例來說,tinyML可用于電池管理,其目標是在盡可能快速、安全并高效充電的同時,以最小的壓力控制放電。電池管理還會監(jiān)控電池的健康狀況,并主動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)包括單個電芯的電壓、電流和溫度;管理系統(tǒng)通常需要預(yù)測電池的充電狀態(tài)(SOC)和健康狀況(SOH)。這些參數(shù)均為動態(tài)量,與電池的使用歷史及測量參數(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器學習任務(wù),且它們的功耗很低,現(xiàn)已集成至針對該應(yīng)用的專用片上系統(tǒng)(SoC)中。


電池管理IC十分常見,但在實施機器學習算法的MCU助力下,基于傳感器的歷史和當前數(shù)據(jù)的信息與模式可用于更好地預(yù)測SOC及SOH,同時確保高度安全性。與其它ML應(yīng)用一樣,這需要一個基于訓練數(shù)據(jù)的學習階段;數(shù)據(jù)可以來自包含不同環(huán)境條件和多個電池制造公差的日志記錄;在缺少現(xiàn)場實際數(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)場數(shù)據(jù)的積累不斷更新,以擴大或縮小應(yīng)用規(guī)模,或用于其它類似系統(tǒng)。雖然學習過程通常是應(yīng)用投入使用前的一項工作,但也可以成為基于傳感器數(shù)據(jù)的后臺任務(wù),在本地或通過云端進行離線處理,以獲得持續(xù)的性能改進。自動機器學習(AutoML)工具結(jié)合電池管理SoC的評估套件可實現(xiàn)這一功能。


機器學習模型


在機器學習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。一個簡單的分類決策樹所占用資源很少,最多僅需幾千字節(jié)的RAM,但能夠為此類應(yīng)用提供足夠的功能。該方法可將采集到的數(shù)據(jù)簡單地分為“正?!被颉爱惓!?;示例如圖1所示。


微型機器學習(tinyML)在電源管理系統(tǒng)中的應(yīng)用

圖1:在此決策樹分類器示例中,“類別1” = 正常,“類別0” = 異常


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


如要評估輸出數(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。其它常見的ML模型包括支持向量機(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)雜度為代價來提高性能。


一個ML應(yīng)用程序的整個開發(fā)過程被稱為“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)用開發(fā)流程;該芯片可監(jiān)控、控制和平衡由多達20個電芯組成的串聯(lián)電池組,適用于鋰離子、鋰聚合物或磷酸鐵鋰電池。


微型機器學習(tinyML)在電源管理系統(tǒng)中的應(yīng)用

圖2:上述設(shè)計示例突出展示了tinyML開發(fā)流程


案例研究:弱電芯檢測


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


微型機器學習(tinyML)在電源管理系統(tǒng)中的應(yīng)用

圖3:強、弱電芯的放電曲線


圖3顯示了在電芯電量接近耗盡時,強弱電芯電壓間出現(xiàn)的顯著差異;然而,在此時檢測到弱電芯可能為時已晚,無法避免過熱和安全問題。因此,實施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進行的實驗中得到充分體現(xiàn)。該實驗將一顆弱電芯插入一個由10顆電芯組成的電池組,并與一個狀態(tài)良好的電池組進行比較。兩組電芯在不同恒定電流倍率和溫度下放電,并生成訓練數(shù)據(jù);監(jiān)測參數(shù)包括它們的電流、溫度、最強與最弱電芯電壓差,以及最強電芯的SOC。


在20個放電周期中,每10秒對參數(shù)進行同步采樣,并使用表1所列的不同模型進行分析。將結(jié)果與20個放電周期的獨立測試數(shù)據(jù)進行比較,顯示兩種方法的一致性非常接近;隨著訓練樣本的增加,其一致性將進一步提高。


微型機器學習(tinyML)在電源管理系統(tǒng)中的應(yīng)用

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


SoC足以實現(xiàn)對ML的支持


雖然當前AI的關(guān)注焦點集中在大規(guī)模、高功率應(yīng)用;然而,針對電池監(jiān)測等應(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,并可集成各種機器學習算法。


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

(來源:Qorvo半導(dǎo)體作者:Paul Gorday,Qorvo DSP和機器學習技術(shù)總監(jiān))

 

免責聲明:本文為轉(zhuǎn)載文章,轉(zhuǎn)載此文目的在于傳遞更多信息,版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題,請聯(lián)系小編進行處理。


推薦閱讀:

意法半導(dǎo)體公布2023年第四季度及全年財報和電話會議時間安排

百家跨國公司看中國丨意法半導(dǎo)體曹志平:持續(xù)完善在華產(chǎn)業(yè)鏈部署

認識精密電阻的分類及核心參數(shù)

『這個知識不太冷』探索 RF 濾波器技術(shù)(下)

陶瓷電容器的絕緣電阻和漏電流


特別推薦
技術(shù)文章更多>>
技術(shù)白皮書下載更多>>
熱門搜索
?

關(guān)閉

?

關(guān)閉