课程导入：TinyML电池寿命评估的重要性
在物联网与边缘计算快速普及的今天，TinyML（微型机器学习）正从实验室走向大规模商用部署。无论是智能门锁中的人脸识别、可穿戴设备上的手势分类，还是工业振动传感器的异常检测，这些设备都面临一个共同的物理约束——电池。一颗CR2032纽扣电池的标称容量约为220mAh，而一颗锂电池（如Li-Po 3.7V/400mAh）虽然容量更大，却受限于体积、成本和充电电路。当你在MCU上部署一个2D卷积神经网络模型时，每次推理消耗的电流可能从几十微安到几十毫安不等，这直接决定了设备是运行三个月还是三年。因此，电池寿命评估不是“锦上添花”的优化项，而是TinyML产品能否从原型走向量产的核心决策依据。
本章作为《TinyML电池寿命评估》课程的开篇，将帮助你建立完整的评估框架。我们将从能量预算的基本概念出发，剖析CR2032与锂电池的放电特性差异，并给出可操作的评估流程。无论你是嵌入式工程师、算法工程师还是产品经理，掌握这套方法论都能让你在设计阶段就规避“电池早衰”的陷阱，避免产品上市后频繁更换电池的运维灾难。
1.1 为什么电池寿命是TinyML产品的生死线
TinyML的核心价值在于“在极低功耗下实现智能”。但“极低功耗”是一个相对概念——一个基于Cortex-M4的MCU在深度睡眠模式下电流可低至2µA，而运行一个MobileNetV2风格的模型时，峰值电流可能飙升至30mA以上。两者相差四个数量级，这意味着功耗管理的核心不在于“平均电流”的简单计算，而在于对“突发功耗事件”的精确建模。以智能门锁为例：设备99.9%的时间处于待机状态（电流约10µA），但每次人脸识别需要唤醒摄像头、补光灯、运行模型，持续2秒、平均电流200mA。如果每天触发20次，那么待机消耗0.24mAh/天，识别消耗约2.2mAh/天，总消耗约2.44mAh/天。一颗CR2032（可用容量约200mAh）的理论寿命仅为82天——这远低于用户对“半年换一次电池”的心理预期。
更棘手的是，电池的实际可用容量并非恒定值。CR2032在持续大电流放电时，由于内部化学极化，实际输出电压会迅速跌落到截止电压（通常为2.0V）以下，导致MCU复位或模型推理失败。因此，电池寿命评估必须同时考虑“容量维度”和“电压维度”。锂电池虽然内阻更低，但其放电曲线在末端有一个“悬崖式”跌落，如果TinyML设备的低电压检测阈值设置不当，可能在电量剩余15%时突然关机，造成数据丢失。
1.2 能量预算表：从“拍脑袋”到“可计算”
能量预算表（Energy Budget Table）是电池寿命评估的核心工具。它的本质是将设备的所有工作状态拆解为“状态-电流-时间”三元组，然后通过加权求和得到平均功耗。一个标准的能量预算表至少包含以下列：工作模式、典型电流（mA）、持续时间（ms或s）、单次事件能耗（mAh）、每日触发次数、每日能耗（mAh）。下表展示了一个典型的TinyML振动传感器节点的能量预算表示例：
| 工作模式 | 典型电流 (mA) | 持续时间 | 单次能耗 (mAh) | 每日次数 | 每日能耗 (mAh) |
|---|---|---|---|---|---|
| 深度睡眠 | 0.005 | — | — | — | 0.12 |
| 传感器采样 | 1.5 | 20 ms | 0.00083 | 1440 | 1.20 |
| MCU唤醒+推理 | 8.0 | 35 ms | 0.0078 | 1440 | 11.23 |
| BLE广播 | 12.0 | 5 ms | 0.0017 | 1440 | 2.40 |
| BLE连接事件 | 6.0 | 3 ms | 0.0005 | 100 | 0.05 |
| 每日总能耗 | 15.00 | ||||
从表中可以看出，MCU推理虽然单次能耗不高，但由于每天触发1440次（每分钟一次），成为最大的能耗来源。如果我们将推理频率降低到每5分钟一次，每日能耗将降至约3.0mAh，电池寿命可以延长5倍。这就是能量预算表的威力——它让你在写第一行代码之前，就能通过调整参数看到寿命的变化趋势。
1.3 CR2032与锂电池：化学特性决定评估策略
CR2032属于锂锰电池（Li-MnO₂），标称电压3.0V，容量约220mAh（在0.4mA放电条件下）。它的优点是自放电率低（年自放电<2%）、成本低、易于更换；缺点是内阻较大（约20-50Ω），不适合高倍率放电。当TinyML设备需要以10mA以上的电流持续工作超过几秒时，CR2032的端电压会迅速下降，可能导致MCU进入欠压复位状态。因此，使用CR2032的设备必须设计“低功耗脉冲”策略：尽量缩短高电流持续时间，并在高电流事件之间留出足够的“恢复时间”。
锂电池（如Li-Po、LiFePO₄）则完全不同。以常见的3.7V/400mAh Li-Po电池为例，其内阻通常小于200mΩ，可持续输出1C（400mA）电流，脉冲电流可达5C。这使得锂电池非常适合需要频繁推理或无线传输的TinyML设备。但锂电池也有代价：需要充电管理电路（增加静态功耗）、自放电率较高（月自放电约5%）、低温性能下降明显。在评估锂电池寿命时，必须将充电电路的转换效率（通常为85%-92%）和电池保护板的静态电流（约3-10µA）计入能量预算。
1.4 评估流程：从需求到寿命预测的五步法
为了将电池寿命评估系统化，我们推荐以下五步流程。这套流程已经在多个工业TinyML项目中验证，能够有效减少“原型能跑、量产翻车”的风险。
- 定义工作场景与约束：明确设备的工作周期（连续/事件驱动）、环境温度范围、目标寿命（如3年）、最大允许体积与成本。这些约束将直接决定电池选型范围。
- 分解工作模式并测量电流：使用高精度电流探头（如Nordic PPK2或Joulescope）实测每个状态的电流波形。注意：数据手册上的典型值往往偏乐观，务必以实测为准。
- 构建能量预算表：将实测数据填入表格，计算每日/每月/每年的总能耗。此时应加入10%-20%的设计余量，以覆盖电池老化、温度变化和个体差异。
- 电池选型与降额计算：根据平均电流和峰值电流选择电池类型。对于CR2032，需确认峰值电流不超过脉冲能力；对于锂电池，需确认充电周期与设备使用周期匹配。
- 原型验证与迭代：制作原型后，进行至少72小时的连续运行测试，记录电池电压曲线。将实测电压曲线与理论预测对比，若偏差超过10%，需回到步骤2重新测量。
某农业物联网公司开发了一款基于TinyML的温湿度标签，用于监测大棚环境。初始设计采用CR2032电池，每10分钟采集一次数据并运行异常检测模型，通过LoRa发送结果。实测发现：LoRa发送电流120mA持续1.2秒，MCU推理电流6mA持续40ms，传感器采样电流2mA持续10ms。能量预算表显示每日能耗约8.5mAh，理论寿命23天——远低于客户要求的6个月。
分析发现，LoRa发送是最大能耗源（占每日能耗的78%）。工程师将发送频率从每10分钟一次改为每小时一次（异常事件时立即发送），并将模型输入从原始波形改为特征向量（推理时间从40ms降至15ms）。优化后每日能耗降至1.2mAh，理论寿命提升至166天。进一步将电池更换为Li-Po 400mAh，并增加太阳能充电板，最终实现免维护运行。
复盘要点：① 通信功耗往往远超计算功耗，优先优化无线发送策略；② 模型裁剪不仅减少推理时间，还减少了MCU在高负载状态下的停留时间；③ 电池选型不是“越大越好”，而是“匹配功耗曲线”。
1.5 常见误区与设计哲学
在电池寿命评估中，有几个反复出现的误区值得警惕。第一个误区是“只看平均电流”。平均电流相同的两个设备，一个以1mA持续运行，另一个以100mA运行1ms然后休眠，两者的电池寿命可能相差数倍——因为电池的容量与放电倍率密切相关。第二个误区是“忽略温度影响”。锂电池在0℃时的可用容量可能只有25℃时的70%，而CR2032在-20℃时几乎无法提供超过5mA的电流。如果你的TinyML设备部署在户外，必须在能量预算表中加入温度修正系数。第三个误区是“将电池容量视为常数”。实际上，电池的截止电压设置直接影响可用容量。对于3.0V的CR2032，如果将截止电压从2.0V提高到2.5V，可用容量可能减少30%。