当前位置：首页 > news >正文

在S32K3上实现SOC的神经网络算法的可行性

news 来源：原创 2025/5/15 9:08:42

前提

本文通过网络上收集的神经网络算法，并在目标系统上模拟运行，探寻SOC算法的可行性。

基本环境：Tensorflow lite micro，部署参考上一篇：使用S32DS部署Tensorflow lite到S32K3-CSDN博客

SOC使用算法

算法

路径

说明

battery-state-estimation

https://codeload.github.com/KeiLongW/battery-state-estimation/zip/refs/heads/main

算法1

支持LSTM

battery-state-of-charge-estimation-main

https://codeload.github.com/sautee/battery-state-of-charge-estimation/zip/refs/heads/main

算法2

支持DNN/CNN/LSTM

这些算法均对数据进行了清洗，直接使用即可；注意有时不能运行的原因是："/" 在windows系统是不兼容的：

数据集

数据集	下载路径	说明
unibo-powertool	https://prod-dcd-datasets-cache-zipfiles.s3.eu-west-1.amazonaws.com/n6xg5fzsbv-1.zip	算法1
LG 18650HG2	https://prod-dcd-datasets-cache-zipfiles.s3.eu-west-1.amazonaws.com/cp3473x7xv-3.zip	算法1，算法2使用
Panasonic 18650PF	https://prod-dcd-datasets-cache-zipfiles.s3.eu-west-1.amazonaws.com/wykht8y7tg-1.zip	算法2使用

更多数据可在Mendeley Data 搜索，Matlab的Mat数据可以经过转化CSV使用（无需Matlab环境）。

测试

以下应用battery-state-of-charge-estimation-main + LG 18650HG2，DNN的实践

算法	执行结果
DNN	详见后续章节
CNN	MicroMutableOpResolver解释器中缺失ReduceProd，未测试成功（TensorFlow Lit Micro 中无，TensorFlow Lite中代码同Micro不一样）
LSTM	未测试

输入数据

Voltage	单体电压	V，5V以下
Current	电流	A，20A以下
Temperature	温度	°C
Power	功率（Voltage * Current）	w
Voltage Average	1s平均单体电压
Current Average	1s平均电流
Power Average	1s平均功率

注：原始数据未按实际采集精度处理

DNN算法

误差和负荷

测试配置	PIL测试准确率误差小于3%	运行时间系统时钟计数
数据集测试 160MHz + DSP	96%	560us
电流电压截取千分之一精度温度按1°C 数据集测试 160MHz + DSP	93%	560us
电流电压按千分之一温度按1°C Tensor Arena放入DTCM 数据集测试 160MHz + DSP	/	440us

1、测试实时监控“运行时间”，可以看出没有逻辑以数据驱动的软件运行时间很稳定的，基本保持不变。

2、按实际BMS采集分辨率截取数据代码。

def lg_create_dataset() :
    .......
    # leave out 'PAU' rows from the cycle
     options = ['CHA', 'DCH', 'TABLE']
     cycle = cycle[cycle['Status'].isin(options)]
    # 数据取小数点3位，电压对应1mv分辨率
     cycle['Voltage'] = cycle['Voltage'].round(3)
    ......

3、PIL测试方法参考上一篇：使用S32DS部署Tensorflow lite到S32K3-CSDN博客

4、与上一篇 28 * 28 的输入相比（1s一条测试），该程序只需要传输7个数据到TRACE32，30万次计算大约花费 3个小时，测试速度还是可以的。