在电池供电的IoT硬件中，续航标称值常与实际使用偏差较大，原因多在于负载画像不清：射频发射占空比、传感器采样窗口、显示与电机类脉冲负载在不同场景下的分布差异显著。智能硬件实验室尝试把整机功耗拆解为可观测分量，用一段时间的电流曲线与设备事件日志训练回归模型，在端侧做轻量推理，输出剩余可用时长的区间估计与省电建议。
进展与要点：
- 已完成12类设备的离线验证。在射频间歇发射场景下，剩余时长预测的平均相对误差约11%，优于按平均电流线性外推的基准（约23%）；功耗分解中射频与传感器合计占比约六成。
- 模型对突发脉冲负载仍存在响应滞后。下一步计划引入事件触发式采样，把采样窗口与业务事件对齐，减少建模盲区，同时控制端侧推理的内存占用。
边界同样明确：模型只输出区间与置信度，不直接改写射频功率或采样策略，避免为追求续航牺牲连接稳定性。
评论