基于有限数据的 PVD 涂层导电纺织品疲劳寿命预测迁移学习方法

《Scientific Reports》：Transfer learning approaches for fatigue life prediction of PVD-coated electro-conductive textiles with limited data

　　

摘要

柔性导电层的可靠性是智能纺织品（纺织品电子学）发展的关键因素。然而，实验测定其疲劳寿命是一个耗时且昂贵的过程。本文提出在“多对一”配置中使用长短期记忆（LSTM）递归网络，并利用迁移学习和少样本适应技术。该模型在通过物理气相沉积（PVD）沉积到复合纺织品基底（Cordura 和膜）上的银（Ag）和金（Au）样品上进行了训练和测试，利用了先前研究的实验数据。为了解决实验数据有限的挑战，我们应用了一个深度学习框架，能够基于短期测量历史和信号导数（退化速度和加速度）外推非线性电阻轨迹。分析表明，所用金属类型是模型可迁移性的决定性因素，而纺织品基底的机械性能重要性次之。结果表明，迁移学习可以为选定的源 - 目标配置提供准确的电阻轨迹预测，特别是当它们的退化动力学足够相似时。然而，该方法在膜 - 金（Membrane-Au）上的表现不佳，表明严重的退化时间尺度不匹配会阻碍成功迁移。提出的方法可以实现纺织品电子材料在运行早期阶段的有效生命周期评估，显著减少对长期破坏性测试的需求。