2、基础知识：TinyML设备功耗模型、电池容量与续航估算、功耗单位（mA、mAh、uA）及换算关系

TinyML设备的续航能力是产品能否落地的关键指标之一。在固件更新后，模型结构、推理频率、传感器采样策略或通信协议的任何细微变化，都会直接反映在功耗曲线上。要准确判断一次固件更新是否“更省电”或“可接受”，工程师必须建立三个基础认知：清晰的功耗模型、正确的单位换算体系、以及基于电池容量的续航估算方法。本节将系统梳理这些基础知识，为后续的功耗回归测试打下量化分析的地基。

2.1 TinyML设备的功耗模型：从静态到动态的完整拆解

TinyML设备的功耗并非一个恒定值，而是由多种不同特性的电流分量叠加而成。理解功耗模型的核心意义在于：当固件更新导致续航变化时，工程师能够快速定位是哪个功能模块的电流发生了变化。一个典型的TinyML节点（如智能传感器、可穿戴设备、工业监测标签）的功耗模型可以划分为三个层次。

第一层：静态功耗（I_static）。这是设备在深度睡眠或待机状态下仍然消耗的电流，主要来源于MCU的漏电流、RTC（实时时钟）的维持电流、电源管理芯片的静态损耗、以及常开传感器（如加速度计的低功耗模式）的供电电流。静态功耗通常以微安（uA）为单位，优秀的低功耗设计可以将整机静态电流控制在10uA以下。在固件更新中，如果开发者意外开启了某个未使用的GPIO上拉电阻，或修改了RTC的唤醒周期，静态功耗就会显著上升。

第二层：动态功耗（I_dynamic）。这是MCU在活跃运行期间消耗的电流，包括CPU执行指令、访问Flash/RAM、以及外设（如ADC、SPI、I2C）工作时的电流。动态功耗与系统时钟频率、工作电压呈正相关，其计算公式为：I_dynamic = C_eff × V × f，其中C_eff是等效电容，V是工作电压，f是时钟频率。在TinyML推理过程中，CPU会以较高频率运行，动态功耗可能达到数毫安甚至数十毫安。固件更新如果改变了模型量化方式（如从int8改为float32），或增加了中间层计算，动态功耗会明显增加。

第三层：通信与传感功耗（I_comms）。这是设备进行无线通信（BLE、WiFi、LoRa）或传感器采样时产生的突发性电流。通信模块在发射瞬间的电流峰值可达数十毫安，而传感器在转换期间的电流也远高于待机状态。这一层功耗的特点是持续时间短但峰值高，对平均电流的贡献取决于事件频率和持续时间。例如，BLE广播间隔从100ms改为50ms，虽然单次广播电流不变，但平均电流会翻倍。

2.2 功耗单位体系：mA、mAh、uA的物理含义与换算

在TinyML功耗测试中，工程师经常接触三个核心单位：电流（mA/uA）、电荷容量（mAh）、以及功率/能量（mW/mWh）。这三者之间存在严格的物理换算关系，任何混淆都会导致续航估算出现数量级错误。

电流单位换算：1安培（A）= 1000毫安（mA）= 1,000,000微安（uA）。在TinyML场景中，静态功耗通常用uA表示，动态功耗用mA表示，通信峰值电流可能达到几十mA。例如，一个设备的静态电流为12uA，换算成mA就是0.012mA。在计算平均电流时，必须将所有分量统一到同一单位（通常为mA）再进行加权平均。

电荷容量单位：mAh（毫安时）表示电池能够提供的总电荷量。1mAh意味着电池以1mA的电流持续放电1小时。同理，1uAh = 0.001mAh。电池容量通常标注为mAh（如CR2032纽扣电池为220mAh），而超级电容可能用uAh或mAh表示。在续航估算中，电池容量是分子，平均电流是分母。

功率与能量换算：功率P = V × I，其中V是电池电压（如3.3V或3.7V）。能量E = P × t = V × I × t。电池的能量容量可以用mWh表示：能量(mWh) = 电压(V) × 容量(mAh)。例如，一块3.7V、1000mAh的锂电池，其能量为3.7Wh（3700mWh）。在对比不同电压平台的设备时，使用mWh比mAh更公平，因为mAh未考虑电压差异。

2.3 电池容量与续航估算：从标称值到实际可用值

续航估算的公式看似简单——续航时间(h) = 电池容量(mAh) / 平均电流(mA)——但在工程实践中，直接套用标称容量往往会导致估算结果偏乐观。实际可用容量受放电率、温度、截止电压、电池老化等多重因素影响。

放电率对容量的影响（Peukert效应）：电池的放电电流越大，实际放出的总容量越小。例如，一颗标称220mAh的CR2032纽扣电池，在0.5mA放电时可能放出约200mAh，但在10mA放电时可能只能放出150mAh。TinyML设备在通信或推理时的峰值电流可能达到几十毫安，这会显著降低电池的有效容量。因此，在估算续航时，应根据设备的平均放电电流查阅电池的放电曲线，而非直接使用标称容量。

温度与截止电压：低温环境下电池内阻增大，可用容量下降；截止电压设置越高，放出的容量越少。例如，锂电池的截止电压通常为3.0V，但如果固件在3.3V时就触发低电量关机，则实际可用容量会减少约10%-15%。在固件更新中，如果修改了电池电压检测阈值，也会影响续航表现。

有效容量计算公式：C_eff = C_nominal × η_discharge × η_temp × η_age，其中η_discharge为放电率系数（通常0.7-0.95），η_temp为温度系数（25°C时约1.0，0°C时约0.8），η_age为老化系数（新电池为1.0，使用一年后约0.8-0.9）。在回归测试中，为了保持对比的一致性，建议固定使用相同的降额系数，只关注相对变化。

2.4 实战场景：固件更新前后的功耗对比与续航预估

假设我们维护一款基于Cortex-M4的TinyML振动监测设备，用于预测性维护。设备每10分钟采集一次加速度计数据，运行一个二分类模型判断设备状态，然后通过BLE广播结果。固件v1.0使用int8量化模型，推理时间15ms；固件v2.0改为float32模型，推理时间25ms，但准确率提升2%。我们需要评估v2.0是否值得升级。

第一步：测量各状态电流。使用功耗分析仪（如Joulescope或Nordic PPK2）记录设备在三种状态下的电流：睡眠状态（RTC唤醒，加速度计待机）、活跃状态（传感器采样+推理）、通信状态（BLE广播）。测量结果如下：

• 睡眠电流：v1.0为8.5uA，v2.0为9.2uA（差异可能来自固件初始化代码变化）
• 活跃电流（采样+推理）：v1.0为4.8mA持续18ms，v2.0为5.6mA持续28ms
• 通信电流（BLE广播）：两者均为6.5mA持续12ms

第二步：计算单周期平均电流。设备每10分钟（600秒）一个周期，其中睡眠占绝大部分时间。单周期电荷消耗计算如下：

v1.0周期电荷 = 睡眠(8.5uA × 599.97s) + 活跃(4.8mA × 0.018s) + 通信(6.5mA × 0.012s)
            = 5099.7uAs + 86.4uAs + 78uAs
            = 5264.1uAs
平均电流 = 5264.1uAs / 600s = 8.77uA = 0.00877mA

v2.0周期电荷 = 睡眠(9.2uA × 599.96s) + 活跃(5.6mA × 0.028s) + 通信(6.5mA × 0.012s)
            = 5519.6uAs + 156.8uAs + 78uAs
            = 5754.4uAs
平均电流 = 5754.4uAs / 600s = 9.59uA = 0.00959mA

第三步：估算续航差异。设备使用500mAh锂电池，取综合降额系数0.85，有效容量425mAh。

v1.0续航 = 425mAh / 0.00877mA = 48,461h ≈ 2020天 ≈ 5.5年
v2.0续航 = 425mAh / 0.00959mA = 44,317h ≈ 1846天 ≈ 5.1年

第四步：分析结论。v2.0固件虽然准确率提升，但续航缩短约7.3%（从5.5年降至5.1年）。对于设计寿命5年的设备，v2.0可能导致部分设备在寿命末期提前失效。进一步分析发现，续航差异主要来自两方面：睡眠电流增加0.7uA（占差异的约15%）和推理时间延长导致活跃电流持续时间增加（占差异的约85%）。如果团队决定升级，可以考虑优化睡眠配置或使用更高效的推理库来弥补。

2.5 常见误区与总结复盘

在TinyML功耗测试的实践中，工程师常犯以下错误，导致测试结果失真或误判：

• 误区一：用万用表测平均电流。万用表的采样率通常只有1-2Hz，无法捕捉毫秒级的推理电流脉冲，测得的“平均电流”严重偏低。应使用示波器+电流探头或专用功耗分析仪。
• 误区二：忽略电压变化对电流的影响。电池放电过程中电压会下降，而MCU的电流与电压相关。在测试中应使用稳压电源模拟电池电压，并记录电压值。
• 误区三：只测一个周期的功耗。TinyML设备可能有多种工作模式（如定期上报、事件触发、固件升级），应覆盖所有典型场景并计算加权平均。
• 误区四：混淆mAh和mWh。在对比不同电压平台（如3.3V和1.8V）的设备时，使用mAh会导致错误结论，应统一使用mWh。

总结：功耗模型是TinyML续航测试的理论基础，单位换算是量化分析的通用语言，而续航估算则是将测量数据转化为业务决策的桥梁。在固件更新回归测试中，建议建立标准化的功耗基线库，记录每个固件版本在典型场景下的静态电流、活跃电流、通信电流和单周期电荷消耗。只有掌握了这些基础知识，后续的功耗回归测试才能做到有的放矢、数据可信、结论可复现。