利用机器学习算法分离表面声波传感器中的温度-应变信号

《Journal of Microelectromechanical Systems》：Decoupling of Temperature-Strain Signals in Surface Acoustic Wave Sensors Using Machine Learning Algorithms

SAW传感器存在温度-应变交叉敏感问题，传统解耦方法会增加装配复杂度。本研究提出基于机器学习的解耦方案，采用128° Y-cut锂锆钛酸铅传感器同时激发三种声波模式，在25-120℃和0-800με条件下，通过提取频率响应特征构建六种模型，发现多项式回归（PR）模型最优：应变预测NRMSE分别为0.0232（Rayleigh波）和0.0113（漏波），MAE 12.29με和7.64με，R2达99.63%和99.91%；温度预测NRMSE 0.0027和0.0024，MAE 0.21℃，R2 99.99%和99.9953%。实现了高效易实现的温度应变解耦。

　　

摘要：

表面声波（SAW）传感器存在温度与应变之间的交叉敏感性，这在复杂环境中进行精确的温度和应变检测时带来了显著挑战。然而，目前报道的解耦方法通常会增加SAW传感器的组装复杂性，因此无法实现理想的解耦效果。在这项工作中，我们提出了一种利用机器学习模型来解耦SAW传感器中的温度-应变信号的方法，并通过基于128° Y切割锂铌酸酯材料开发的SAW传感器的测量结果验证了该方法的有效性。该传感器能够同时激发三种SAW模式（一阶瑞利波、泄漏纵波和二阶瑞利波），在25°C至120°C以及0至800με的加载条件下表现出优异的温度/应变传感性能。以温度和应变作为输出变量，我们从这三种声波模式的频率响应信号中提取了关键特征，并构建了六个机器学习模型进行预测。结果表明，多项式回归（PR）模型在所有三种模式下均实现了最佳的整体性能。具体而言，对于使用一阶瑞利波和泄漏纵波进行应变预测时，该模型的归一化均方根误差（NRMSE）分别为0.0232和0.0113，平均绝对误差（MAE）分别为12.29με和7.64με，决定系数（R2）分别为99.63%和99.91%；对于温度预测，两种情况下的NRMSE值分别为0.0027和0.0024，MAE分别为0.21°C，R2值分别为99.99%和99.9953%，从而实现了理想的解耦效果。这项工作为SAW传感器的温度-应变信号解耦提供了一种高效且易于实现的解决方案。[2025-0128]