1. 课程导入

TinyML（微型机器学习）正从实验室原型走向大规模量产部署，但一个残酷的现实是：绝大多数嵌入式AI设备在原型阶段表现优异，一旦进入量产，续航衰减、发热失控、推理延迟抖动等问题便集中爆发。本课程聚焦于TinyML量产续航优化的三大核心杠杆——阈值（Threshold）、采样率（Sampling Rate）与推理频率（Inference Frequency），系统讲解如何在资源受限的MCU（微控制器）上，通过精细化的参数标定实现能耗与性能的最佳平衡。本章作为开篇，将明确课程的核心目标、学习路径、预期收益以及适用的硬件平台，为后续章节的深入展开奠定基础。

1.1 核心目标：续航-性能-成本三角平衡

TinyML量产续航优化的核心目标并非单纯追求最低功耗，而是在续航时间、任务性能（准确率/响应延迟）和单位成本三者之间寻找最优平衡点。在实际量产场景中，电池容量受限于产品形态（如纽扣电池、小型锂聚合物电池），MCU算力受限于成本预算，而传感器精度则受限于物理尺寸与功耗。这三者构成一个相互制约的三角关系：提升采样率会增大数据吞吐量，进而增加MCU活跃时间与功耗；降低推理频率虽能省电，但可能导致事件漏检或响应迟钝；而阈值设置过松会频繁唤醒系统，过紧则可能错过关键事件。

从工程实践角度看，续航优化必须建立在可量化的功耗模型之上。一个典型的TinyML节点功耗由四部分组成：传感器采集功耗、MCU活跃功耗（含推理计算）、无线通信功耗（如BLE/Sub-GHz）以及待机/休眠功耗。其中，推理计算功耗与推理频率直接相关，传感器采集功耗与采样率线性相关，而阈值则决定了系统从休眠态唤醒的频率。本课程将引导读者建立完整的功耗预算表，并针对不同应用场景（如工业预测性维护、智能家居人体感应、可穿戴健康监测）制定差异化的标定策略。

1.2 学习路径：从功耗建模到联合标定

本课程的学习路径遵循“基础→方法→实践→验证”的递进逻辑，共分为五个阶段。第一阶段（第2-4章）建立功耗测量与建模基础，包括MCU低功耗模式解析、电流探头与功耗分析仪的使用、以及基于RTOS的功耗事件追踪。第二阶段（第5-8章）深入阈值标定方法论，涵盖静态阈值、自适应阈值、动态阈值以及基于统计过程控制的阈值漂移检测。第三阶段（第9-12章）聚焦采样率优化，包括Nyquist采样定理在TinyML中的实际应用、可变采样率策略、以及基于信号能量检测的采样率自适应算法。

第四阶段（第13-16章）系统讲解推理频率调度，包括事件驱动架构、周期轮询与中断混合模式、以及基于任务优先级的动态频率调整。第五阶段（第17-20章）进入联合标定与量产验证，重点解决三大参数之间的耦合问题——例如，降低采样率后是否需要调整阈值？推理频率降低后，采样缓冲区的深度应如何变化？最终通过HIL（硬件在环）测试和批量老化测试，确保标定参数在-40℃至85℃温度范围内、以及电池电压从4.2V降至3.0V的过程中依然稳定可靠。

1.3 课程收益：可量化的续航提升与工程能力跃迁

完成本课程学习后，学员将获得四个层面的收益。第一层是直接续航收益：通过系统化的参数标定，典型TinyML设备的续航时间可提升30%-70%。例如，一个使用CR2032纽扣电池的温湿度传感器节点，在默认配置下（1Hz采样、1分钟推理周期）续航约6个月；经过优化后（事件驱动采样、阈值触发推理），续航可延长至14个月。第二层是方法论收益：学员将掌握一套可复用的“功耗-性能联合标定流程”，包括功耗基线测量、参数敏感性分析、正交实验设计、以及基于贝叶斯优化的自动调参方法。

第三层是量产风险预判能力：课程将深入剖析量产中常见的“参数漂移”问题——例如，同一型号的传感器在批次间的阈值响应差异、MCU在不同温度下的漏电流变化、以及电池老化导致的内阻升高对供电电压的影响。学员将学会如何通过设计裕量、温度补偿和自校准机制来规避这些风险。第四层是工具链与自动化能力：课程将介绍基于Python的功耗数据分析工具、基于Git的标定参数版本管理、以及基于CI/CD的自动化回归测试框架，帮助团队将标定工作从“手工试错”升级为“自动化流水线”。

1.4 适用硬件平台与前置要求

本课程所讲授的优化方法主要面向资源受限的MCU平台，具体包括：ARM Cortex-M4/M7/M33系列（如STM32L4、nRF52840、i.MX RT系列）、RISC-V RV32IMC系列（如ESP32-C3、GD32VF103）、以及部分超低功耗专用AI芯片（如MAX78000）。这些平台的共同特征是：主频在48MHz-400MHz之间，RAM容量在64KB-512KB之间，Flash在256KB-2MB之间，且具备多种低功耗模式（Sleep、Deep Sleep、Standby、Shutdown）。对于运行TinyML模型，通常需要CMSIS-NN或专用NPU加速，本课程涉及的优化方法不依赖特定推理框架，适用于TensorFlow Lite Micro、Cube.AI、Glow等主流工具链。

在硬件外设方面，课程案例主要基于以下典型传感器组合：加速度计/陀螺仪（IMU）、温湿度传感器（SHT30/HDC1080）、气压传感器（BMP388）、以及麦克风（PDM接口）。这些传感器覆盖了运动检测、环境监测和语音唤醒三大主流TinyML应用场景。学员需要具备的基础知识包括：C语言编程、基本电路知识（电压/电流/功率概念）、以及基础的信号处理概念（采样、滤波、FFT）。如果学员有RTOS（如FreeRTOS、Zephyr）使用经验，将有助于理解第13-16章的调度策略内容。

需要特别说明的是，本课程不涉及电池管理IC（如BQ25185）的硬件设计细节，也不涉及无线通信协议栈的功耗优化（如BLE连接间隔调整）。这些内容属于相邻领域，课程会在相关章节给出参考指引，但核心焦点始终是阈值、采样率与推理频率这三个软件可调参数。对于使用能量采集（太阳能、振动、温差）供电的系统，本课程的方法同样适用，但需要额外考虑能量预测和动态功耗匹配，这部分内容将在第18章作为进阶专题讨论。

1.5 案例拆解：智能门磁传感器的续航困境与突破

为帮助学员直观理解三大杠杆的实际作用，这里给出一个完整的案例闭环。某智能家居厂商推出一款基于TinyML的门窗状态监测传感器，使用2节AA碱性电池（总容量约2400mAh），内置加速度计（LIS2DH12）和Cortex-M4 MCU（STM32L431）。初始固件采用最简单的轮询策略：每100ms读取一次加速度数据，每1秒运行一次微型CNN模型判断门窗开关状态，并通过BLE上报事件。实测平均电流为2.8mA，理论续航约35天，远低于产品要求的12个月。

初始现象与目标：产品经理要求续航≥365天，同时保持事件检测延迟≤2秒，误报率≤1次/月。工程师首先使用功耗分析仪（Joulescope）测量各阶段电流：传感器采集+MCU活跃（含推理）平均电流为15mA，持续约80ms；BLE广播电流为8mA，持续约30ms；其余时间MCU处于Stop模式，电流约1.2μA。通过计算，系统平均电流中，传感器采集与推理占78%，BLE通信占15%，待机占7%。

分析判断过程：工程师意识到，门窗开关属于低频事件（每天约10-20次），但系统却以1Hz的频率持续采集和推理，导致大量无效计算。根据加速度计数据特征，门窗静止时加速度波动极小（±0.02g），而开关动作时会产生超过±0.5g的冲击。因此，完全可以通过阈值触发来替代周期轮询：仅在加速度变化超过阈值时才唤醒MCU进行推理。同时，采样率可以从100ms降至20ms（50Hz），因为门窗动作的机械振动频率通常在5-20Hz，50Hz采样足以捕捉特征。最后，推理频率从固定1秒改为事件驱动——只有阈值触发后才执行CNN模型。

实际操作步骤：第一步，在LIS2DH12中配置内置的“运动检测”功能，设置阈值寄存器为0.1g，开启中断输出。第二步，将MCU从Stop模式唤醒源改为传感器中断引脚，删除原有的定时器轮询任务。第三步，将采样率从10Hz降至50Hz（即每20ms读取一次），并启用FIFO缓冲区以批量读取数据。第四步，将CNN推理改为仅在中断触发后执行，并增加一个200ms的去抖窗口以过滤瞬时噪声。第五步，重新测量功耗：待机电流1.2μA不变，事件触发后采集+推理总耗时为120ms，平均电流12mA，BLE上报30ms/8mA。假设每天20次事件，总活跃时间约3秒，日均耗电量约为0.05mAh，加上待机功耗（1.2μA×24h=0.029mAh），日均总耗电约0.08mAh。

结果对比：优化后理论续航为2400mAh ÷ 0.08mAh/天 = 30000天，远超12个月要求。实际测试中，由于电池自放电和温度影响，实测续航达到420天，满足产品规格。误报率从优化前的每月3次降至每月0.2次，事件检测延迟从平均1.5秒降至0.8秒（阈值触发后立即推理）。风险与代价：该方案依赖传感器中断的可靠性，如果传感器寄存器配置错误或中断丢失，可能导致事件漏报。为此，工程师增加了一个“看门狗定时器”——如果超过24小时无任何事件，系统自动执行一次全量采样以确认传感器状态正常。

复盘经验：这个案例揭示了三个关键教训：第一，默认的周期轮询架构是续航杀手，必须根据事件频率设计系统架构；第二，阈值、采样率、推理频率三者必须联合设计，不能孤立调整——降低采样率后，阈值需要相应调低以保持灵敏度；第三，硬件外设的智能功能（如传感器中断）应充分利用，它们往往比MCU软件轮询更省电。本课程后续章节将逐一展开这些方法论，帮助学员在自己的项目中复现类似的优化成果。