1. 课程导入

TinyML项目的终极考验，不是模型在开发板上跑通，也不是在实验室里测出漂亮的毫瓦级功耗数字，而是设备在真实场景中能否按预期续航数月甚至数年。从实验室到田野，从恒温恒湿的测试台到烈日暴雨的户外杆塔，功耗数字往往会发生戏剧性变化。本章作为整个课程的开篇，将直面这一核心矛盾：为什么实验室功耗数据与真实场景续航之间存在巨大鸿沟？我们该如何建立正确的交付思维，从项目启动之初就把“真实场景续航”作为设计目标，而非事后补救的验证项？

1.1 核心原理：为什么实验室功耗数据会“说谎”

TinyML设备的功耗特性与普通嵌入式设备有本质区别。普通设备往往持续工作，功耗曲线相对平稳；而TinyML设备以“深度睡眠-短暂唤醒-快速推理-无线传输”为典型工作循环，平均功耗可能低至微安级，但峰值电流可达数十毫安甚至上百毫安。这种极宽的动态范围，使得任何基于“平均功耗”的续航估算都充满风险。

实验室测量通常在一个理想化环境中进行：恒定的温度、稳定的供电电压、精确的定时唤醒、理想的射频环境。然而，真实场景中这些条件几乎不可能同时满足。以温度为例，锂电池在-20°C时可用容量可能仅为标称容量的60%，在+60°C时自放电率会成倍增加。更关键的是，TinyML设备往往部署在户外、工业现场或农业大棚等极端环境中，温度变化范围可能超过60°C，这对电池容量、芯片漏电流、时钟精度都产生显著影响。

另一个常被忽视的因素是电池的“恢复效应”。在实验室中，我们通常使用精密电源模拟电池供电，电压纹波极小，内阻几乎为零。但真实电池的内阻会随放电深度和温度变化，当设备突然从深度睡眠切换到满负荷工作时，电池端电压可能瞬间跌落数百毫伏，导致复位或异常重启。这种瞬态行为在实验室中很难复现，却会显著缩短实际续航。

射频通信是另一个巨大的功耗黑洞。实验室中通常假设网络信号良好，一次数据上报只需一次发送即可成功。但在真实场景中，信号遮挡、多径衰落、同频干扰都会导致数据包丢失，触发MAC层重传。每一次重传都意味着额外的射频开启时间和发射功耗，严重时重传次数可达5-10次，功耗消耗呈指数级增长。

1.2 判断方法：识别实验室与真实场景的六大关键差异

要准确评估TinyML项目的续航能力，必须系统性地识别实验室环境与真实场景之间的差异。下表总结了六大关键差异维度，每个维度都直接影响最终续航表现。

在实际项目评估中，建议采用“三层验证法”来逐步逼近真实场景续航：

1. 第一层：器件级功耗测量。在实验室中精确测量每个工作状态的电流和时间，建立功耗状态机模型。这一层关注的是“器件本身消耗多少能量”，使用高精度电流探头和示波器，记录深度睡眠、唤醒、传感采集、推理计算、无线传输等每个状态的电流波形和时间戳。
2. 第二层：系统级场景仿真。将功耗状态机模型与场景参数（温度曲线、事件到达率、信号强度分布）结合，使用Python或MATLAB进行蒙特卡洛仿真，输出续航分布曲线。这一层关注的是“系统在特定场景下消耗多少能量”，能够快速评估不同场景参数对续航的影响。
3. 第三层：现场实测验证。选择代表性部署点位，进行为期2-4周的实地运行，记录电池电压曲线、事件日志、重传次数等关键指标。这一层关注的是“真实环境中的实际表现”，用于校准前两层的模型参数。

1.3 案例拆解：某农业环境监测节点的续航“滑铁卢”

下面通过一个真实项目案例，完整展示实验室功耗数据与真实场景续航之间的巨大差距，以及如何通过系统化方法定位问题。

项目背景与约束：某智慧农业项目需要部署200个土壤墒情监测节点，每个节点配备土壤温湿度传感器、空气温湿度传感器和NB-IoT通信模块。节点使用2节18650锂电池（并联，标称容量2×2400mAh）供电，设计目标续航为2年。部署区域为新疆某棉花种植区，夏季地表温度可达55°C，冬季夜间温度可降至-25°C，昼夜温差极大。

初始实验室数据：在实验室恒温25°C条件下，使用精密电源供电，测得节点平均功耗为12.5µA（包含深度睡眠电流2µA、每小时唤醒一次进行传感采集和NB-IoT上报的功耗）。按照理论计算：

电池总能量 = 2 × 2400mAh × 3.7V = 17.76Wh
平均功耗 = 12.5µA × 3.7V = 46.25µW
理论续航 = 17.76Wh / 46.25µW ≈ 384,000小时 ≈ 43.8年

这个结果远超2年的设计目标，项目组认为续航完全不是问题，因此将主要精力集中在传感器精度和数据上报成功率上。

现场实测结果：首批10个节点部署后，仅运行了8.5个月就出现电池电压低于3.0V的告警，部分节点甚至完全断电。项目组紧急回收节点进行检测，发现电池容量衰减至标称值的70%，且节点在低温环境下频繁出现复位重启。

分析判断过程：项目组通过以下步骤定位问题：

1. 数据日志分析：从节点日志中发现，在夜间低温时段（-15°C以下），节点唤醒后NB-IoT上报成功率从白天的95%降至40%，平均重传次数从1.2次增加到4.8次。每次重传增加约200ms的射频开启时间，功耗增加约15mA×200ms=3mJ。
2. 电池特性测试：对回收电池进行容量测试，发现经过8.5个月、约250次充放电循环后，电池内阻从初始的80mΩ增加到180mΩ。在低温环境下，内阻进一步增大至250mΩ，导致唤醒瞬间电池端电压跌落超过500mV，触发MCU的BOD（Brown-Out Detector）复位。
3. 温度影响量化：查阅电池规格书发现，在-20°C时电池可用容量仅为标称值的60%。结合现场温度数据，计算整个部署期间电池的等效容量衰减系数约为0.75。
4. 重新建模计算：将上述因素纳入功耗模型，重新计算实际续航：

实际平均功耗 = 基础功耗12.5µA + 重传增加功耗3.2µA + 复位恢复功耗1.8µA ≈ 17.5µA
等效电池容量 = 4800mAh × 0.75（温度系数） × 0.85（老化系数） ≈ 3060mAh
实际续航 = 3060mAh / 17.5µA ≈ 174,857小时 ≈ 19.9年

但为什么实际只有8.5个月？进一步分析发现，节点在低温复位后，会进入一个“死循环”状态：复位→初始化→尝试NB-IoT连接→失败→再次复位。这个循环每次消耗约50mA电流，持续3-5秒，直到电池电压回升到3.3V以上。这种异常循环每天发生约15次，额外消耗的电荷量远超正常上报功耗。

实际操作步骤与解决方案：

1. 软件优化：在固件中加入“低温保护”逻辑，当温度低于-10°C时，自动延长唤醒周期从1小时到4小时，减少低温时段的上报频率。
2. 硬件改进：在电池输出端增加一个220µF的超级电容，用于吸收唤醒瞬间的电流尖峰，避免电压跌落触发复位。
3. 射频策略调整：将NB-IoT上报从“立即发送”改为“随机延迟+批量发送”，避开信号干扰高峰期，将重传率从4.8次降至1.5次。
4. 电池选型更换：更换为低温型18650电池（工作温度范围-40°C~+60°C），并增加电池温度监测，在极端低温时暂停上报。

结果对比与复盘：经过上述优化后，第二批20个节点在相同环境下运行了14个月，电池电压仍保持在3.4V以上，预计续航可达3.5年以上。复盘经验总结如下：

• 实验室功耗数据只能作为“下限参考”，不能作为续航承诺的依据。
• 温度对电池容量和射频性能的影响是最大的不确定性来源，必须在设计阶段就纳入考虑。
• 异常状态（如复位死循环）的功耗可能远超正常工作功耗，需要通过看门狗和状态机设计来规避。
• 现场实测数据是校准功耗模型的唯一依据，建议在项目早期就部署少量节点进行长期监测。

1.4 常见误区与总结复盘

在TinyML低功耗项目交付中，以下五个误区最为常见，每一个都可能导致项目延期或交付失败：

本章总结：TinyML低功耗项目交付的核心挑战，不是“如何把功耗做得更低”，而是“如何在真实场景中保证可预测的续航”。实验室功耗数据是必要的起点，但远远不够。项目团队必须建立“场景-功耗-续航”的闭环验证体系，将温度、电池特性、射频环境、事件触发模式等真实变量纳入设计考量。从项目启动的第一天起，就要明确目标场景的边界条件，并将这些条件转化为可量化的设计约束。只有这样，才能避免“实验室完美、现场翻车”的尴尬局面，真正实现TinyML设备的长期可靠部署。