基于摩擦电压拓扑动力学和物理信息神经网络的全生命周期自供电摩擦学原位监测

《Device》：Self-powered full-lifecycle tribological in situ monitoring via tribovoltaic topological dynamics and physics-informed neural network

　　

全局视角

机器中的摩擦界面通常隐蔽于内部，但其渐进式损伤可能导致效率降低、非计划停机和安全风险。现有的监测手段往往依赖远程振动或声学传感器，可能遗漏早期的微观变化，而附加的自供电装置本身也会发生磨损。本研究将一种用于保护机械表面的耐磨类金刚石碳涂层转变为一种内禀传感器。直接产生于滑动接触点的电信号揭示了从稳定运行到涂层失效的演变过程，一种物理信息驱动的学习框架将这些复杂信号转化为在变化载荷和速度下的早期预警和摩擦预测。因此，该方法将防护、感知和解释功能整合于同一功能界面之中。

更长远的应用愿景是将这种结构与感知的集成方式嵌入轴承、密封件、齿轮及其他关键部件中，支持本地边缘计算、预测性维护和更可靠的数字孪生。更早且更可靠的预警可以减少不必要的零件更换，避免灾难性损坏，减少停机时间，并降低维护所消耗的物资和能量。实际转化需要在更广泛的温度、湿度、润滑剂和工业几何形状条件下进行验证，同时实现涂层的规模化制造和标准化的寿命测试。如果这些挑战得到解决，自感知涂层将有助于机械系统变得更加安全、资源效率更高，且更易维护。

亮点

•

类金刚石碳涂层可作为自供电界面传感器

•

摩擦伏特效应信号在摩擦系数升高之前即可揭示界面损伤

•

拓扑动力学量化了整个磨损生命周期中的微观无序度

•

物理信息驱动的学习方法实现了跨工况的鲁棒监测

摘要

对摩擦界面的可靠感知对于智能机械系统至关重要，然而现有的监测方法缺乏自供电能力和全生命周期的鲁棒性。本文利用类金刚石碳（DLC）摩擦伏特效应涂层开发了一种物理信息驱动的智能感知方法。DLC-金属肖特基结将界面电子激发与输运转化为自供电信号，灵敏地捕捉从跑合期到失效的磨损演化过程。采用动态拓扑同源性和相空间重构来解码非线性信号动力学并量化微观界面无序度。此外，开发了一种物理信息驱动的域自适应网络（PI-DAN），以消除由工况变化引起的域偏移，并强制约束磨损积累的不可逆性。该框架实现了最先进的异常监测性能，曲线下面积（AUC）达到0.998，并实现了鲁棒的摩擦系数预测，均方根误差为0.004。至关重要的是，该集成系统提供了可靠的早期预警窗口，为下一代自感知智能机械元件提供了一种物理可解释的方案。

图解摘要