📚 课程目录第3章间歇计算基础

3、间歇计算基础：间歇性供电的概念、能量采集（太阳能、振动、射频）与能量缓冲（电容、电池）技术

TinyML 设备部署于极端边缘环境时，最根本的约束往往不是算力或内存，而是供电连续性。传统嵌入式系统假设电源稳定，而能量采集驱动的视觉节点必须面对"有电就算、没电就停"的现实。间歇计算（Intermittent Computing）正是为这种非连续供电场景设计的软硬件协同范式。本章从能量来源、缓冲机制到系统设计策略，建立间歇视觉节点的完整供电知识框架。

3.1 间歇性供电的核心原理

间歇计算的前提是理解"能量可用性"与"计算任务需求"之间的时间错配。能量采集源的输出功率通常远低于视觉推理的瞬时功耗（例如树莓派级别需要 1~3W，而太阳能板在室内仅提供 100μW~1mW），因此系统必须采用"采集-存储-突发执行"的工作模式。

从系统角度看，间歇供电带来三个关键挑战：

能量碎片化：采集到的能量以微小增量进入缓冲器，不足以支撑一次完整的图像采集+推理+通信流程。
状态易失性：当缓冲能量耗尽，MCU 掉电，RAM 中的中间计算结果（如特征图、模型中间层输出）全部丢失。
时间不确定性：能量恢复时间受光照、振动频率等外部因素影响，无法像实时系统那样保证截止时间。

因此，间歇计算系统的设计目标不是"维持持续运行"，而是在能量可用窗口内最大化有效计算进度。这要求硬件上具备快速启动能力（从掉电到恢复运行不超过毫秒级），软件上具备断点续算机制（将计算状态定期保存到非易失存储）。

  关键指标：能量采集系统的效率通常用功率密度（mW/cm²）和能量转换效率（%）衡量。例如，非晶硅太阳能电池在室内光照（200 lux）下功率密度约 10~20 μW/cm²，而单晶硅在直射阳光下可达 15 mW/cm²。设计时必须根据部署环境选择匹配的采集源。

3.2 能量采集技术对比与选型

针对 TinyML 视觉节点，三种主流能量采集技术各有适用场景。下表从功率密度、稳定性、部署约束和典型应用四个维度进行对比：

采集技术	典型功率密度	稳定性	部署约束	适用场景
太阳能（光伏）	室外：10~15 mW/cm² 室内：10~20 μW/cm²	受光照周期影响大，昼夜波动	需要透光窗口或户外安装	农业监测、户外野生动物视觉追踪
振动（压电/电磁）	0.01~1 mW/cm³	取决于机械振动频率与幅度	需固定于振动源（电机、桥梁）	工业设备状态视觉监测
射频（RF）	0.1~100 μW/cm²	依赖发射源距离与功率	需近距离RF源（<10m）	仓库、室内设备标签视觉识别
热电（TEG）	0.01~1 mW/cm²	依赖温差，工业环境较稳定	需冷热两端接触	管道、发动机表面温度视觉检测

选型时需注意：功率密度不等于可用功率。实际可用功率还要乘以 DC-DC 转换效率（通常 70~90%）和最大功率点跟踪（MPPT）效率。例如，一块 5cm × 5cm 的太阳能板在室外可产生 375 mW 理论功率，但经过升压和充电管理后，实际存入缓冲器的功率可能只有 250~300 mW。

3.3 能量缓冲技术：电容与电池的协同

能量缓冲是间歇计算系统的"蓄水池"，其设计直接影响视觉任务的可持续性。缓冲器需要同时满足两个矛盾的需求：高能量密度（存储足够能量完成一次完整任务）和高功率密度（在推理瞬间提供大电流）。

超级电容（EDLC）具有极高的功率密度（可达 10 kW/kg），但能量密度较低（5~10 Wh/kg）；锂电池能量密度高（150~250 Wh/kg），但瞬时放电能力受内阻限制，且充电管理复杂。因此，工程实践中普遍采用混合缓冲架构：

一级缓冲（电容）：直接连接采集源，吸收微小能量碎片，电压随充放电波动（如 0.5V~4.2V）。
二级缓冲（电池）：通过 PMIC 从一级缓冲取电，维持稳定电压输出（如 3.3V），为 MCU 和摄像头供电。
能量调度策略：当电容电压达到阈值（如 3.0V）时，PMIC 开启二级充电；当电压跌落到安全阈值（如 2.7V）时，系统执行状态保存并进入休眠。

工程经验：对于低功耗视觉节点，建议使用 100F 级超级电容作为一级缓冲，搭配 100~500 mAh 薄膜锂电池作为二级缓冲。这样既能承受摄像头启动时的 200~500 mA 瞬时电流，又能保证在无光照条件下维持数小时的低功耗待机。

3.4 间歇计算的软件策略：检查点与能量感知调度

硬件缓冲只能缓解供电中断，无法完全消除。因此，软件层面必须实现检查点（Checkpoint）机制。对于 TinyML 视觉任务，检查点策略需要针对推理流程定制：

// 伪代码：间歇视觉推理的检查点策略
void vision_task() {
    // 阶段1：图像采集（高功耗，约50ms）
    if (energy_level < 30%) { save_state(0); sleep(); }
    capture_image_to_SRAM();
    
    // 阶段2：预处理+推理（中等功耗，约200ms）
    if (energy_level < 20%) { save_state(1); sleep(); }
    preprocess_and_inference();
    
    // 阶段3：结果发送（低功耗，约20ms）
    if (energy_level < 10%) { save_state(2); sleep(); }
    send_result_via_lora();
    
    // 完成，进入深度睡眠
    deep_sleep();
}

检查点保存的位置需要权衡：保存到 Flash 或 FRAM 会消耗额外能量（写入 1KB 约需 10~50 μJ），但能避免重新执行整个推理流程。对于典型的 MobileNet 模型（约 4MB 权重），完整推理需要 1~2 秒，而保存中间特征图（约 100KB）只需 10ms 和 5mJ 能量，节省了约 90% 的重算开销。

3.5 案例拆解：太阳能供电的野外鸟类识别节点

背景与约束：某生态监测项目需要在野外部署 20 个视觉节点，用于识别珍稀鸟类。部署点无电网，年平均日照约 4 小时/天，冬季阴雨天可能连续 3 天无直射光。节点需每 30 分钟拍摄一张图像并完成本地推理，结果通过 LoRa 发送。

初始目标与参数：

图像传感器：OV2640，200 万像素，JPEG 输出（约 50KB/张）
MCU：ESP32-S3，推理功耗约 300mW（含摄像头）
单次任务能量需求：采集 50ms×300mA + 推理 300ms×300mA + 发送 50ms×100mA ≈ 120mJ
太阳能板：6V/200mA（峰值），实际有效面积 20cm²

分析判断过程：单次任务 120mJ 的能量需求，若采用 100F 超级电容，从 3.0V 充到 4.2V 可存储能量为 ½×100×(4.2²-3.0²) = 432J，理论上可支持 3600 次任务。但实际需考虑 PMIC 效率（85%）、电容漏电流（每天约 5%）、以及连续阴雨天的能量赤字。

实际操作步骤：

选用 6V/200mA 太阳能板 + CN3791 MPPT 充电模块，为 100F/5.5V 超级电容充电。
电容输出经 TPS62742 超低功耗降压芯片稳定至 3.3V，为 ESP32-S3 供电。
软件采用两级检查点：图像采集完成后立即将 JPEG 数据存入 SPI Flash；推理每完成 25% 保存一次中间状态到 FRAM。
能量感知调度：当电容电压低于 3.2V 时，跳过本次拍摄，延长休眠时间至 60 分钟。

结果对比与复盘：部署 3 个月后，节点在晴天平均每天完成 42 次有效识别（目标 48 次），阴雨天降至 8~12 次。通过分析日志发现，主要能量损耗来自电容自放电和 PMIC 静态电流（约 15μA）。优化措施包括：选用低漏电流的超级电容（自放电率从 5%/天降至 2%/天），并在夜间完全断开 PMIC 输出（静态电流降为 0）。

风险提示：超级电容在低温环境下容量会显著下降（-20°C 时容量降至额定值的 60%），且等效串联电阻（ESR）增大，导致瞬时电压跌落。若部署在寒冷地区，需选用低温型号或增加电池辅助缓冲。

3.6 常见误区与设计要点总结

在间歇视觉系统设计中，以下误区容易导致项目失败：

误区一：只关注采集源功率，忽略缓冲器设计。实际上，缓冲器的容量和充放电效率往往比采集源本身更关键。一个 1mW 的采集源配合高效缓冲，可以稳定驱动 100mW 的脉冲负载；反之，10mW 采集源若缓冲不当，也无法支撑摄像头启动瞬间的 500mA 电流需求。
误区二：检查点过于频繁。每次保存状态都消耗能量和时间。对于 50ms 的采集阶段，如果每 10ms 保存一次，保存开销可能超过重算开销。应根据任务阶段设置 2~3 个关键检查点即可。
误区三：忽略 PMIC 的静态功耗。高性能 PMIC 的静态电流可能达到 50~100μA，在能量采集系统中相当于每天消耗 2.4~4.8mAh，可能占系统总能耗的 30% 以上。应选择静态电流低于 5μA 的 PMIC（如 BQ25570、ADP5091）。
误区四：将电池和电容简单并联。直接并联会导致电容电压被电池钳位，无法利用电容的高功率特性。必须通过二极管或理想二极管控制器隔离，实现"电容优先放电、电池补充"的混合策略。