基于物理驱动薄板振动特征与单压电传感器测量的冲击物材料分类方法

《Results in Engineering》：Material Classification of Impact Objects Using Physically Motivated Thin-Plate Vibration Features Measured by a Single Piezoelectric Sensor

　　

本研究提出一种基于物理驱动特征设计的材料分类方法，利用贴附于薄金属板上的单压电传感器所获取的振动信号进行分类。该方法参照赫兹接触理论（Hertzian contact theory）与板振动行为设计信号特征，而非依赖纯黑箱分类。所提取特征刻画冲击输入强度、接触时长、频谱能量分布、模态激励行为及与阻尼相关的信号能量衰减。实验中，橡胶、聚丙烯（polypropylene, PP）与不锈钢球撞击SUS304薄板，研究人员对测得振动响应进行分析以提取上述特征。材料分类采用径向基函数核支持向量机（support vector machine with radial basis function kernel, RBF-SVM）。在当前实验条件下，所采用特征选择流程中取得的最高宏平均F1分数为0.9160，且分类器输入特征向量未包含冲击速度与球体直径。经调优的 Raw-waveform 1D-CNN 基线宏平均F1分数为0.8490±0.0292，表明所提特征在保持可解释性的同时与代表性黑箱基线具竞争力。探索性特征选择与置换重要性分析显示，与冲击输入强度、接触时长相关频谱特性、模态激励结构、低频频谱分布及阻尼相关波形行为有关的特征含有效判别信息。虽中心训练模型直接用于偏心冲击时分类性能下降，混合位置交叉验证显著改善偏心分类表现。结果表明，物理驱动振动特征可支撑基于简易单传感器框架的冲击物材料分类，为实用薄板冲击监测提供可解释基础。

研究背景与动机：小型飞体（如鸟撞）对移动安全构成持续威胁，及时识别撞击物类型与位置有助于系统响应。现有薄板撞击分析多依赖加速度、光纤布拉格光栅（FBG）、声学或压电传感器；压电传感器因小巧、低成本、可直接测应变率且对结构动特性干扰小而受关注。既往研究多聚焦撞击定位、力反演与损伤识别，少涉撞击物自身材料判别；且多数机器学习方法为黑箱，缺乏物理可解释性。为此，研究人员在《Results in Engineering》报道一项研究，以单压电传感器+SUS304薄板为平台，结合赫兹理论与板振动模型设计物理驱动特征，用RBF-SVM分类橡胶/PP/不锈钢球，探究可解释材料分类框架。

主要关键技术方法：研究人员制备φ5/10/15 mm橡胶、PP、SUS304钢球三种材料共九类撞击物，气枪经亚克力管以5–35 m/s三档速度撞击110×110×1 mm SUS304中心贴装压电片（FGT-15T-6.0A1W40）的薄板；示波器5 kHz采样经200 kΩ负载测电压，以0.1 V上升沿触发录100 ms；FFT取撞击后3–60 ms加Hann窗，按0–300/300–800/800–1500/1500–2500 Hz分带，提取dV/dt、谱质心（spectral centroid）、谱展宽（spectral spread）、各带能量比、峰值功率占比、logRMS衰减斜率等22维物理特征；以材料为标签，用固定dV/dt与谱质心并网格搜C与gamma的两阶段特征选择，5折分层交叉验证RBF-SVM分类。

研究结果：

1. 1.
   Introduction 部分指出压电方案优势及黑箱缺陷，明确以撞击物材料判别为目标。
2. 2.
   Method 给出压电输出电压V(t)∝应变率ε?(t)，SVM决策函数与RBF核优化式。
3. 3.
   Feature Design 基于赫兹理论推得F_max∝r²ρ^3/5v₀^6/5(E^*)^2/5、t₁∝rρ^2/5v₀^?1/5(E^*)^?2/5；由板传递函数推谱质心ω_c∝1/t₁、谱方差σ_ω²∝1/t₁²；由模态叠加V(t)∝ΣB_nexp(?ζ_nω_nt)sin(ω_d,nt+ψ_n)导出logRMS衰减斜率表征局部信号能衰减。
4. 4.
   Data Acquisition 中985次撞击数据显示金属在低频频带（0–300 Hz）能量比最高、橡胶最低；橡胶logRMS 15–60 ms斜率最小（衰减慢），PP最大。
5. 5.
   Classification 两阶段选择后前30组合F1>0.9，最优0.9160；全组合必选spectral spread、peak1 power share、logRMS 15–60 ms，常选dV/dt、peak1 freq.、r0-300 Hz、r300-800 Hz；peak2/3 freq.与share未被选。1D-CNN基线0.8490±0.0292。中心训模型直推偏心性能降，混合位置交叉验证可改善。

讨论与结论翻译：现有撞击分类常靠黑箱机器学习，物理解释难；本研究以接触力学与板振动为锚点设计特征，使冲击输入强度、接触时长谱特征、模态激励、低频分布与阻尼衰减均可关联物理量。实验证得单传感器+物理特征+SVM在宏F1=0.9160下优于1D-CNN基线，且不需速度/直径输入。偏心冲击需位置混合校验。该框架为不同薄板结构下特征重标定提供依据，能以单压电传感器实现撞击物材料分类，支撑薄板工程结构简易冲击事件监测。