一种用于柔性压力传感器动态粘弹性误差的物理引导对抗补偿框架
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:A Physics-Guided adversarial compensation framework for the dynamic viscoelastic errors in flexible pressure sensors
【字体:
大
中
小
】
时间:2026年08月29日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2
编辑推荐:
摘要
受柔性材料系统固有粘弹性限制,柔性压力传感器的输出信号表现出强烈的时间依赖性。这种时间依赖性在动态载荷下导致相位滞后和能量耗散,严重降低了动态传感性能。为缓解这些动态粘弹性误差,我们提出了一种基于物理引导对抗补偿网络(PACN)的知识驱动智能补偿框架。PACN框架基于
摘要
受柔性材料系统固有粘弹性限制,柔性压力传感器的输出信号表现出强烈的时间依赖性。这种时间依赖性在动态载荷下导致相位滞后和能量耗散,严重降低了动态传感性能。为缓解这些动态粘弹性误差,我们提出了一种基于物理引导对抗补偿网络(PACN)的知识驱动智能补偿框架。PACN框架基于生成对抗网络(GAN),通过整合物理约束与时频结构约束,共同施加数据保真度、物理一致性和结构真实性。具体而言,总补偿项被分解为多个一阶动态分支,嵌入关于多时间尺度粘弹性行为可解释的先验知识。与此同时,引入时频双分支判别器来约束局部波形真实性和全局频谱一致性,从而抑制补偿过程中的结构失真。在规则微结构柔性压力传感器上,PACN框架实现了0.0179的平均绝对误差,优于物理模型、机器学习和基线深度学习模型。该框架在单频和混频条件下均保持了强大的泛化能力,并对不规则微结构柔性压力传感器同样有效。这些结果表明,PACN框架为补偿柔性压力传感器的动态粘弹性误差提供了一种有效的知识驱动方法。
引言
由于对曲面的优异顺应性,柔性压力传感器非常适合用于电子皮肤[1]、人体健康监测[2]和机器人感知[3]等动态传感应用。它们通常由柔性材料系统构建,包括聚合物/弹性体[4]、泡沫/海绵[5]以及纤维/织物[6]。然而,这些材料系统具有粘弹性[7],使得它们在静态、准静态和动态载荷下的响应均具有时间依赖性[8]。在静态和准静态条件下,这种时间依赖性主要表现为蠕变、应力松弛和迟滞[9]。在动态载荷下,相同的时间依赖性响应进一步表现为相位滞后和能量耗散。对于在动态传感场景中运行的柔性压力传感器而言,这种由动态粘弹性误差引起的信号失真已成为传感精度和可靠性的主要障碍[10]。
为缓解动态响应中的粘弹性误差,人们采用了材料设计和结构优化等方法[11]、[12]。然而,这些方法本质上仍属于传感器制造层面的被动抑制策略。在材料设计方面,Gou等人[13]模仿人体皮肤的梯度模量分布,在材料中设计了异质结构。在该结构中,高模量纳米纤维网络嵌入低模量离子凝胶中,从而降低了材料的粘弹性。Song等人[14]引入三乙二醇二乙烯基醚(TDE)构建了低蠕变聚电解质弹性体,有效抑制了时间依赖性响应。在结构优化方面,可采用超薄基底[12]来减少弹性松弛效应并缩短传感器响应时间。同样,微半球形、金字塔形和仿生微结构等微结构[15]、[16]、[17]可以通过减少初始接触面积来缓解粘弹性非线性响应。然而,这些方法通常依赖于特定的材料系统、传感器结构和制造工艺,从而限制了传感器的泛化性和可扩展性。
与这些被动抑制策略相比,主动补偿方法为校正柔性压力传感器中的粘弹性误差提供了更直接的途径[18],主要包括物理模型方法[19]和数据驱动方法[20]。它们的共同目标是构建补偿模型,从失真信号中恢复真实信号。物理模型方法通常依赖粘弹性模型进行补偿[21]、[22]、[23]、[24],例如Voigt模型[19]、广义Kelvin-Voigt模型[25]、[26]和Burgers模型[27]。Avellar等人[28]基于Maxwell模型提出了双指数衰减模型,以补偿由光聚合纺丝-聚合物光纤(LPS-POF)和PDMS组成的传感器的相位延迟。Kumar等人[27]采用Burgers模型和Boltzmann叠加原理,表征粘弹性行为并在动态载荷下补偿传感器响应。这些方法具有明确的物理可解释性[29],体现在对弹性响应与粘性耗散耦合中信号失真的解释上。然而,在动态载荷下,误差来源往往具有多重性,并伴随着强非线性、多时间尺度和复杂频率响应特性。因此,单一物理模型往往不足以完全表征这些误差,从而限制了补偿性能。
数据驱动方法在建模复杂非线性映射以补偿柔性压力传感器方面展现出了强大的能力[30]。Ye等人[31]采用反向传播神经网络建立力映射,从而解决了电子皮肤中的蠕变不一致性和压阻非线性问题。Gao等人[32]提出了一种用于动态补偿的双模块深度神经网络。在该模型中,卷积神经网络(CNN)用于识别加载行为,而长短期记忆(LSTM)网络用于预测蠕变,从而提高了动态载荷下的补偿精度。Tian等人[33]使用多源领域对抗神经网络(Multi-DANN)来补偿动态粘弹性。
然而,动态补偿不仅需要减少逐点误差,还需要保持时频特性、局部动态变化和相位一致性。仅靠逐点约束不足以实现此目的。此外,显式重构约束并不一定能够保证局部波形真实性和全局频谱一致性。生成对抗网络(GAN)通过对抗学习对生成信号施加结构约束,在信号补偿方面展现了令人振奋的性能[34]、[35]。它还能增强模型在不同条件和噪声模式下的鲁棒性[36]。因此,将GAN引入柔性压力传感器的动态补偿,有望提高补偿信号的结构真实性。
柔性压力传感器的动态误差本质上受物理机制支配。虽然数据驱动方法可以有效拟合复杂非线性映射,但它们往往缺乏显式的物理约束。因此,在未观测条件下,模型的可解释性和泛化能力可能会下降[37]。因此,将物理机制纳入动态补偿已成为提高模型鲁棒性的重要方向。Jiang等人[7]提出了一种结合分段幂律模型与LSTM网络的动态补偿方法。通过使用LSTM从残差中提取蠕变信息,该方法能够有效提高柔性压力传感器中迟滞和蠕变效应的补偿精度。然而,由于该方法仍依赖预定义的实证模型,在复杂动态条件下捕捉多时间尺度粘弹性特征的能力仍然有限。Hu等人[38]提出了一种基于一阶Volterra灰箱模型的粘弹性补偿方法,能够精确表征和补偿柔性传感器中的高阶线性粘弹性行为。然而,当此类线性粘弹性模型作为主要补偿模型使用时,其表征复杂载荷条件下非线性动态响应的能力仍然有限。相比之下,物理信息神经网络(PINN)可以通过在网络训练中显式引入物理约束来解决这一问题[39]、[40]。这使得模型能够在满足传感器内部物理机制的同时学习输入-输出映射。在这种混合框架中,物理约束作为物理先验引入以指导学习过程,而非独立描述完整的非线性动态响应,而神经网络则学习占主导地位的非线性输入-输出映射。这种数据驱动学习与物理一致性的整合,提高了模型的可解释性和泛化能力[41]。
基于上述分析,本文提出了一种用于柔性压力传感器的知识驱动智能补偿框架(PACN框架),基于物理引导对抗补偿网络构建。该框架基于GAN,集成了物理约束和时频双分支对抗判别。主要贡献如下:
(1) 开发了一种基于PACN的动态补偿框架。该框架将动态粘弹性误差补偿从逐点信号拟合重新表述为数据保真度、物理一致性和结构真实性的统一优化。
(2) 引入了多分支物理约束。总补偿项被分解为与不同时间尺度相关的多个分支,每个分支均满足一阶动态方程。这赋予补偿过程以广义Maxwell模型启发的物理可解释性。
(3) 开发了时频双分支判别器。补偿结果受局部波形真实性和全局频谱一致性的约束,从而提高了补偿信号的结构真实性。
本文其余部分组织如下:第2节分析柔性压力传感器的动态粘弹性响应机制,重点讨论相位滞后和能量耗散;第3节描述PACN框架,包括物理引导补偿生成器和时频双分支判别器;第4节展示实验结果;最后,第5节总结全文。
章节节选
柔性压力传感器的动态粘弹性响应机制
在理想条件下,柔性压力传感器的输出可视为施加载荷所诱导的电气响应。由于该电气响应通过映射关系与材料变形相关联[38],输出信号可以等效地由应变ε [42]来描述。基于这种等效表示并考虑柔性材料系统的粘弹性,采用广义Maxwell模型来表征动态粘弹性行为。
用于柔性压力传感器动态粘弹性补偿的PACN框架
为补偿柔性压力传感器的动态粘弹性误差,构建了PACN框架,如图1所示。首先,通过将原始信号y_ori与标准信号y_sta配对为输入-输出样本对来构建训练数据。其次,在物理引导补偿生成器(PACN生成器)中,使用多层膨胀卷积从原始信号中提取局部时域特征,同时使用多层感知机将低维表示映射至高维特征空间。
实验设置
实验在规则结构的柔性压力传感器[47]上进行,如图2(a)所示。该传感器由垂直堆叠的微半球形结构组成。上层是具有梯度分布的导电层,而下层是具有均匀尺寸微结构的电极层。在外载荷作用下,不同尺寸的微结构依次接触,从而逐渐增加导电通路数量。
结论
为补偿柔性压力传感器的动态粘弹性误差,本文提出了一种基于PACN的知识驱动智能补偿框架。通过整合复合数据保真度约束、先验物理知识和对抗学习,PACN框架共同提高了补偿精度、可解释性以及补偿信号的结构真实性。具体而言,PACN将多分支一阶动态约束嵌入补偿过程。
CRediT作者贡献声明
Chenkai Tian:撰写—审阅与编辑,撰写—初稿,可视化,软件,方法论,数据整理,概念设计。Wei Shao:监督,项目管理,资助获取。Nannan Yin:验证,形式分析。Weikang Zheng:监督,项目管理,方法论,资助获取。
利益冲突声明
作者声明没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。
致谢
本研究由陕西自然科技专项研究项目(项目编号:JK240565)、陕西省自然科学基础研究计划项目(项目编号:2024JC-YBQN-0373)以及陕西省教育厅资助科研项目(项目编号:21JY032)支持。
Chenkai Tian | Wei Shao | Nannan Yin | Weikang Zheng
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号