第 2 章

使用人工智能设计和部署嵌入式算法

使用传统的算法开发方法时，您需要编写一个程序来处理输入，以生成所需的输出。但有时候，方程要么太复杂，无法依据第一原理推导出来，要么计算量太大，无法加以部署；或者在现实中得出所需的测量值是不可能的或成本高昂的。

在这些情况下，不妨考虑创建人工智能模型。嵌入式人工智能算法可以支持：

创建人工智能虚拟传感器：电池荷电状态估计示例

如今，从可穿戴电子产品、手机、笔记本电脑到电动汽车和智能电网，锂离子电池无处不在。电池管理系统 (BMS) 可确保这些电池安全高效运行。BMS 的一项关键任务是估计荷电状态 (SOC)。

一种不错的选择是，使用扩展卡尔曼滤波器 (EKF) 估计 SOC。EKF 虽然可以提供极高准确度，但是需要具有电池的非线性数学模型，而创建该模型不一定适用或可行。卡尔曼滤波器的计算成本也很高，如果初始状态错误或模型不正确，则生成的结果可能也会不准确。

另一种选择是使用人工智能开发虚拟传感器。如果用适当的数据进行训练的话，人工智能可能比卡尔曼滤波器能更好地进行泛化，并提供准确的结果。

为了创建基于人工智能的虚拟传感器，需要数据来训练该人工智能模型。通过在实验室的受控环境中收集电池读数，您可以借助电流积分法（即，库仑计数法）来准确地计算 SOC 值。

这种方法也很简单，并且计算成本较低。为什么不在 BMS 中使用它来估计 SOC 呢？如果估计不是在可以精确测量电流的实验室环境中进行的，则该方法很容易出错，因此，在 BMS 中使用它来估计 SOC 并非明智的选择。然而，这又是一种获得构建稳健虚拟传感器所需数据的有效方法。

您一旦收集到精确获得的输入/输出数据，就可以使用该数据集来训练基于人工智能的虚拟传感器模型，然后将该模型部署为电池管理系统的一部分。

要创建人工智能模型并将其集成到 Simulink 中，有下面三种方案可供选择：

人工智能模型的优点在于，它可以直接基于测得的数据进行训练。训练数据会捕获荷电状态与输入（如电流、电压、温度以及电流和温度的移动平均值）之间的复杂关系，从而将智能融入到模型中。

因此，人工智能模型可能比基于第一原理的数学模型更快速也更准确。

一旦投入资源来创建高质量的训练数据集，便可以使用 MATLAB^® 或其他工具，并结合不同的机器学习或深度学习方法，以创建多个人工智能模型。通过将模型集成到 Simulink 中并对其进行逐一评估，可以找出表现最佳的模型。

关于获取数据的说明

收集优质的训练数据是一项非常艰巨的任务。在人工智能领域，公开可用的数据集推动了人工智能研究的发展。通过使用相同的数据集，研究人员可以轻松地对不同的人工智能方法进行比较和基准测试。共享的数据集和模型将有利于实现可再现性，并建立对人工智能的信任。

但在工业领域，数据往往来自于精心整理的数据集，有时是由专用的实际测试平台或基于第一原理的复杂高保真仿真所生成的。虽然这些试验可能既耗时又成本高昂，但是，经过良好训练的人工智能模型是很有用的，值得前期投入。具有领域专业知识的工程师可以通过设计生成高质量训练数据的试验，在人工智能模型创建过程中实现增值。

仿真和测试基于人工智能的虚拟传感器

一旦训练好人工智能模型，便可以将它们集成到 Simulink 中并对其进行测试。使用 Simulink，可以了解表现最佳的人工智能模型，并确定它是否优于其他备选方法，例如不基于人工智能的 EKF 方法。如前所述，卡尔曼滤波器需要有一个内部电池模型，而这可能无法实现。

以下示例包括一个 EKF 和三个人工智能模型，它们全都使用相同数据但不同人工智能方法进行训练：

下一步是在最终要部署到的硬件上测试人工智能模型。在此步骤中，可以完成模型性能的实际评估。

使用 MATLAB 和 Simulink 代码生成工具，为深度学习网络或机器学习模型生成无库的 C/C++ 代码。将该代码部署到处理器，以在处理器在环 (PIL) 测试过程中测试其操作。在这种情况下，该处理器与使用 Simscape™ 和 Simscape Electrical™ 组件开发的仿真被控对象（在本例中是指仿真的电池动态）互连。

通过 PIL 测试之后，该模型便可部署到生产硬件。该硬件将运行车内的电池管理系统。

PIL 测试揭示了与实际系统相关的性能权衡。例如，虽然精细回归树模型提高了可能有助于故障排除的可解释性，但其大小和准确度可能不在项目要求的范围内。在这种情况下，前馈网络可能是更好的选择。

其他相关属性包括：

• 推断速度，这是人工智能模型计算预测所需的时间
• 训练速度，这是使用训练数据训练人工智能模型所需的时间
• 预处理工作，因为某些模型需要计算移动平均值等额外特征，才能获取以往的预测变量信息

模型压缩是一种需要分析、理解、迭代和优化的权衡行为。但对嵌入式软件工程师来说，这通常是必不可少的，因为在某些情况下，人工智能模型占用的内存会超出硬件的内存限制。

工程师们正在想方设法通过剪枝、量化和定点转换等做法来减少模型占用的内存。

在 Deep Learning Toolbox™ 中，一种减少模型大小的新方法是，使用投影来压缩深度学习网络。这种方法让我们能够在模型大小、推断速度和准确度之间做出权衡。对于此示例，准确度没有明显的损失。使用投影层进行压缩减少了 91% 的内存占用，并使推断速度提高了一倍。

Gotion 是一家专注于下一代储能技术的公司。该公司希望创建一个神经网络模型，用于在电动汽车充电过程中估计荷电状态。该模型的准确度需要在 3% 的裕度内，并且所占用的内存足够小，以便它可用于生产部署。该模型还需要在车载测试中进行验证。

Deep Learning Toolbox 为该团队提供了一种使用以往电池充电数据训练神经网络的低代码方法。他们使用迭代工作流仿真、改进和验证了模型。借助 Simulink，工程师们将模型与系统的其余部分集成到一起并对其进行了测试。在仿真过程中，他们使用 Simulink Test™ 来验证模型是否满足准确度要求。

对模型的性能感到满意后，他们自动生成了用于 HIL 测试和车载测试的代码。

工程师们指出，使用 MATLAB 和 Simulink 具有以下几大好处：

• 使用 Requirements Toolbox、Deep Learning Toolbox、Simulink、Embedded Coder 和 Simulink Test 可将人工智能融入现有的验证和确认工作流中
• 执行从需求捕获到模型开发、系统集成、模型部署和生产硬件的整个工作流
• 通过仿真和 HIL 测试，确信模型在部署前能够满足准确度要求
• 从神经网络自动生成代码，且内存占用小（<2 KB ROM、<100 B RAM）