張嘉偉 姚鴻博 張遠(yuǎn)征 蔣偉博 吳永輝 張亞菊 敖天勇 鄭海務(wù)?

1) (河南大學(xué)物理與電子學(xué)院,開封 475001)

2) (武漢大學(xué)物理科學(xué)與技術(shù)學(xué)院,人工微結(jié)構(gòu)教育部重點(diǎn)實(shí)驗(yàn)室,武漢 430072)

3) (河南大學(xué)人工智能學(xué)院,鄭州 475001)

在物聯(lián)網(wǎng)時(shí)代,如何開發(fā)一種可持續(xù)供電、部署方便且使用靈活的智能傳感器系統(tǒng)成為了亟待解決的難題.以麥克斯韋位移電流作為驅(qū)動(dòng)力的摩擦納米發(fā)電機(jī)(triboelectric nanogenerator,TENG)可直接將機(jī)械刺激轉(zhuǎn)化為電信號(hào),因此可作為自驅(qū)動(dòng)傳感器使用.基于TENG 的傳感器擁有結(jié)構(gòu)簡(jiǎn)單、瞬時(shí)功率密度高等優(yōu)點(diǎn),為構(gòu)建智能傳感器系統(tǒng)提供了重要手段.同時(shí),機(jī)器學(xué)習(xí)作為一種成本低、開發(fā)周期短、數(shù)據(jù)處理能力和預(yù)測(cè)能力強(qiáng)的技術(shù),對(duì)TENG 產(chǎn)生的大量電學(xué)信號(hào)處理效果顯著.本文梳理了基于TENG 的傳感器系統(tǒng)通過采用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行信號(hào)處理和智能識(shí)別的最新研究進(jìn)展,從交通安全、環(huán)境監(jiān)測(cè)、信息安全、人機(jī)交互和健康運(yùn)動(dòng)檢測(cè)等角度出發(fā),概述了該研究方向的技術(shù)特點(diǎn)與研究現(xiàn)狀.最后,深入討論了該領(lǐng)域當(dāng)前存在的挑戰(zhàn)和未來的發(fā)展趨勢(shì),并分析了未來如何改進(jìn)以期開拓更廣闊的應(yīng)用空間.我們相信機(jī)器學(xué)習(xí)技術(shù)與TENG 傳感器的結(jié)合將推動(dòng)未來智能傳感器網(wǎng)絡(luò)的快速發(fā)展.

1 引言

近年來,隨著物聯(lián)網(wǎng)的快速發(fā)展,人類對(duì)信息的存儲(chǔ)、處理及使用方法的需求日益凸顯.2020年5 月7 日,工信部發(fā)布工信廳通信[2020]25 號(hào)文,即《工業(yè)和信息化部辦公廳關(guān)于深入推進(jìn)移動(dòng)物聯(lián)網(wǎng)全面發(fā)展的通知》.通知表示,移動(dòng)物聯(lián)網(wǎng)(基于蜂窩移動(dòng)通信網(wǎng)絡(luò)的物聯(lián)網(wǎng)技術(shù)和應(yīng)用)是新型基礎(chǔ)設(shè)施的重要組成部分.貫徹落實(shí)黨中央、國(guó)務(wù)院關(guān)于加快5G、物聯(lián)網(wǎng)等新型基礎(chǔ)設(shè)施建設(shè)和應(yīng)用的決策部署,加速傳統(tǒng)產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型,有力支撐制造強(qiáng)國(guó)和網(wǎng)絡(luò)強(qiáng)國(guó)建設(shè)[1].物聯(lián)網(wǎng)的核心—無線傳感器網(wǎng)絡(luò)由數(shù)十億個(gè)傳感器構(gòu)成,這些傳感器分布廣泛,可以幫助人們監(jiān)測(cè)周圍環(huán)境和人體健康狀態(tài).而隨著物聯(lián)網(wǎng)的推廣應(yīng)用,無線傳感器節(jié)點(diǎn)數(shù)量迅速增加,傳感器的電源供應(yīng)和使用靈活性等問題就變得越來越突出,這直接導(dǎo)致了傳統(tǒng)傳感器網(wǎng)絡(luò)出現(xiàn)了使用壽命短、節(jié)點(diǎn)部署困難、可維護(hù)性差等問題.未來,將有超過300 億個(gè)傳感器連接到物聯(lián)網(wǎng)[2].但是這些傳感器的總功耗高達(dá)1.2 億瓦[3],相當(dāng)于每小時(shí)燃燒約15 噸標(biāo)準(zhǔn)煤(根據(jù)聯(lián)合國(guó)標(biāo)準(zhǔn),1 千克煤熱值為6880 kcal).三峽電站2020 年發(fā)電量為1118 億千瓦時(shí).傳感器網(wǎng)絡(luò)的功耗相當(dāng)于34 個(gè)以上的電站.傳統(tǒng)的傳感器由電網(wǎng)和電池供電,能源供應(yīng)將面臨巨大的挑戰(zhàn),而且未來的物聯(lián)網(wǎng)對(duì)傳感器的需求還在不斷增加.因此,一種不需要電源的自供電傳感器成為該問題最有前景且可持續(xù)的解決方案.2012 年,王中林院士及其團(tuán)隊(duì)[4]發(fā)明出摩擦納米發(fā)電機(jī)(triboelectric nanogenerator,TENG).TENG 是一種小型電子設(shè)備,使用麥克斯韋位移電流作為驅(qū)動(dòng)力,能將環(huán)境中可用的機(jī)械能轉(zhuǎn)化為電能[5].按照工作模式的不同,TENG 可以分為垂直接觸-分離模式、水平滑動(dòng)式、單電極模式和獨(dú)立層模式[6].TENG 作為傳感器可從外部環(huán)境中的水波、振動(dòng)、雨滴、聲音中獲取有用的信息[7].其獨(dú)特的工作原理也使TENG 可以有效地獲取生物力學(xué)能量信息,包括身體運(yùn)動(dòng)、呼吸和心跳.近年來,TENG 憑借著成本低、結(jié)構(gòu)多樣、輸出穩(wěn)定、能量轉(zhuǎn)換效率高、環(huán)境適應(yīng)能力強(qiáng)和生態(tài)友好等優(yōu)點(diǎn)吸引了廣泛的關(guān)注.TENG 的研究方向可以概括為兩個(gè)——作為儲(chǔ)能設(shè)備和作為信號(hào)傳輸設(shè)備.前者用環(huán)保的方式產(chǎn)生更高、更持久、更穩(wěn)定的電能.后者將發(fā)電機(jī)本身作為一種自供電傳感器用來獲取信息.與經(jīng)典電磁發(fā)電機(jī)相比,TENG 在低頻下的高效能是同類技術(shù)無法比擬的.同時(shí)它也可以作為自驅(qū)動(dòng)傳感器來感知由機(jī)械觸發(fā)所產(chǎn)生的靜態(tài)和動(dòng)態(tài)過程的信息.TENG 傳感器類型多種多樣,應(yīng)用范圍廣泛,有自驅(qū)動(dòng)壓強(qiáng)傳感器、自驅(qū)動(dòng)聲音傳感器、自驅(qū)動(dòng)加速度傳感器、自驅(qū)動(dòng)溫度傳感器、自驅(qū)動(dòng)濕度傳感器、自驅(qū)動(dòng)氣體感應(yīng)傳感器等.這些自驅(qū)動(dòng)傳感器致力于部分替代傳統(tǒng)的傳感器,以達(dá)到節(jié)約能源、節(jié)省功耗的目的.所以,TENG 作為一種新型傳感器技術(shù)具有更加廣闊的應(yīng)用前景.

近年來,機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)逐漸成為物聯(lián)網(wǎng)和傳感器領(lǐng)域的研究熱點(diǎn)和主流發(fā)展方向,大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)與TENG 傳感器數(shù)據(jù)處理相結(jié)合為科研人員提供了一個(gè)新思路.機(jī)器學(xué)習(xí)是由Arthur Samuel 在1959 年提出的,并已廣泛應(yīng)用于計(jì)算機(jī)視覺、一般游戲、經(jīng)濟(jì)學(xué)、數(shù)據(jù)挖掘和生物信息學(xué)等領(lǐng)域[8].人工智能是一個(gè)跨學(xué)科的研究領(lǐng)域.近年來,隨著人工智能和機(jī)器學(xué)習(xí)理論的完善和工具鏈的擴(kuò)充,越來越多的專家借助這一強(qiáng)大的工具在其研究領(lǐng)域中不斷取得新的成果.由于機(jī)器學(xué)習(xí)的資源和工具豐富且易于獲取,自身?yè)碛懈痈咝У臄?shù)據(jù)處理能力,能使傳感器智能化,并節(jié)省測(cè)試時(shí)間和成本,較之傳統(tǒng)傳感器,由TENG傳感器所產(chǎn)生的數(shù)據(jù)更適合采用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行處理和分析,因此機(jī)器學(xué)習(xí)已漸漸地出現(xiàn)在TENG的研究領(lǐng)域中.在TENG 傳感器應(yīng)用案例中,已經(jīng)實(shí)現(xiàn)了方向盤驅(qū)動(dòng)行為檢測(cè)、液體泄漏檢測(cè)、沉積物檢測(cè)、擊鍵識(shí)別、文本識(shí)別等各種功能應(yīng)用.圖1 展示了基于TENG 的傳感器和機(jī)器學(xué)習(xí)方法構(gòu)成的多功能自驅(qū)動(dòng)智能系統(tǒng)及其應(yīng)用場(chǎng)景.本文主要闡述大數(shù)據(jù)和機(jī)器學(xué)習(xí)在TENG 傳感器領(lǐng)域中的基本操作步驟和應(yīng)用方式,總結(jié)了近年來各機(jī)器學(xué)習(xí)算法在TENG 傳感器領(lǐng)域的應(yīng)用案例,并討論了在研究和使用過程中需要改進(jìn)的地方.這項(xiàng)工作致力于介紹機(jī)器學(xué)習(xí)的理論背景,促進(jìn)其和TENG 傳感器技術(shù)的結(jié)合和應(yīng)用,并給各研究人員在本領(lǐng)域的開拓過程中提供新視角和新思路.NG 傳感器技術(shù)的結(jié)合和應(yīng)用,并給各研究人員在本領(lǐng)域的開拓過程中提供新視角和新思路.

2 摩擦納米發(fā)電機(jī)(TENG)

2.1 摩擦電效應(yīng)的研究

摩擦電效應(yīng)在日常生活中無處不在,當(dāng)兩種特定材料的物體接觸后就會(huì)產(chǎn)生摩擦電.早在2600多年前的古希臘時(shí)期,人們就開始對(duì)摩擦起電現(xiàn)象進(jìn)行研究.摩擦電產(chǎn)生的靜電荷會(huì)導(dǎo)致起火、粉塵爆炸、電子元件損壞等后果,在工業(yè)生產(chǎn)中長(zhǎng)期被認(rèn)為是一種危害而忽視其作為一種能源的可能.王中林院士及其團(tuán)隊(duì)[9]將這種摩擦電效應(yīng)和靜電感應(yīng)相結(jié)合,于2012 年首次提出TENG,TENG 基于接觸起電(contact-electrification,CE)和靜電感應(yīng),對(duì)日常生活中普遍存在但被忽視的廣泛分布且不規(guī)則的機(jī)械能,如機(jī)械振動(dòng)、人體運(yùn)動(dòng)、風(fēng)和水波等進(jìn)行收集并有效利用(見圖1).最吸引人的是,TENG 擁有轉(zhuǎn)換效率高(TENG 當(dāng)前的功率密度已經(jīng)達(dá)到了 313 W/m2,其體積能量密度已經(jīng)達(dá)到了 490 kW/m3,當(dāng)前最新開發(fā)的TENG 的機(jī)械能轉(zhuǎn)換效率已經(jīng)達(dá)到了約85%[10])、成本低、結(jié)構(gòu)簡(jiǎn)單、重量輕等優(yōu)點(diǎn).

圖1 基于TENG 的多功能智能傳感系統(tǒng)的結(jié)構(gòu)示意圖和主要功能展示Fig.1.Structure diagram of the multifunctional intelligent sensor system based on TENG and its main function display.

對(duì)摩擦起電的研究盡管已有2600 多年的歷史,但對(duì)其機(jī)理仍然爭(zhēng)論不休.最近,王中林院士和其團(tuán)隊(duì)[11]發(fā)現(xiàn),固體與固體之間的CE 主要由電子轉(zhuǎn)移引起,金屬和電介質(zhì)之間的CE 可以由其表面狀態(tài)模型和費(fèi)米能級(jí)模型進(jìn)行描述.經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn),在兩種材料的原子間距離大于鍵長(zhǎng)時(shí)往往會(huì)互相吸引(圖2(a));而當(dāng)原子間距離小于鍵長(zhǎng)時(shí)就會(huì)發(fā)生CE (圖2(b)).王中林及其團(tuán)隊(duì)[11]由此創(chuàng)新性地提出了摩擦起電過程中的電子遷躍模型(Wang transition for CE).該模型說明了當(dāng)兩種材料在原子級(jí)接觸之前電子云處于分離狀態(tài)(圖2(c)),而后當(dāng)兩個(gè)原子受外力擠壓進(jìn)入斥力區(qū)時(shí),兩個(gè)原子之間勢(shì)壘降低,并且兩者的電子云開始重疊,隨后電子就會(huì)在兩個(gè)原子之間發(fā)生電子躍遷(圖2(d)).一般認(rèn)為該模型是描述兩種任意材料摩擦起電現(xiàn)象的通用模型.雖然該模型解釋了固體之間摩擦起電的現(xiàn)象,但液體和固體之間的摩擦起電現(xiàn)象用電子轉(zhuǎn)移模型來解釋則一直存在爭(zhēng)議.最近,Li 等[12]提出一種用于解釋聚合物-聚合物和聚合物-液體之間電子轉(zhuǎn)移原理的理論機(jī)制.在這個(gè)簡(jiǎn)化的機(jī)制中,電子云表示電子出現(xiàn)在原子核之外的概率.當(dāng)原子核的得電子能力較弱時(shí),電子云可以占據(jù)較大的范圍.相反,當(dāng)原子核具有較強(qiáng)的得電子能力時(shí),表現(xiàn)出較小的電子云.例如 H2O 電子云范圍較大,而聚四氟乙烯(PTFE)電子云范圍較小,在這兩者接觸的過程中,它們的電子云部分重疊,發(fā)生電子轉(zhuǎn)移;當(dāng)它們分開時(shí),H2O 的電子云變小而PTFE的電子云變大,該工作闡明了液體-固體之間的摩擦起電現(xiàn)象同樣可以用電子轉(zhuǎn)移模型來解釋.同樣地,Nie 等[13]用分子間電子云理論來解釋PTFE和液滴接觸時(shí)電子從水分子轉(zhuǎn)移到PTFE 的現(xiàn)象.該工作假設(shè)氧原子的核外電子在水分子中形成電子云,且原子可以作為一種勢(shì)阱.同時(shí),根據(jù)該團(tuán)隊(duì)之前的研究,他們假設(shè)PTFE表面的最低未占分子軌道(LUMO)可以接收CE 過程中的電子.在兩個(gè)材料接觸之前,電子由于局部的勢(shì)阱捕獲效應(yīng)而不能轉(zhuǎn)移.當(dāng)PTFE 與水分子接觸時(shí),電子從水分子的氧原子躍遷到PTFE 的LUMO 上,這個(gè)電子轉(zhuǎn)移過程與電子從高能躍遷到低能態(tài)有關(guān).當(dāng)兩個(gè)材料分離之后,如果能量波動(dòng)低于PTFE 的勢(shì)壘Ep,大部分轉(zhuǎn)移到PTFE 的電子將會(huì)繼續(xù)保存在PTFE 上.因此,CE 使PTFE 帶負(fù)電,水分子帶正電.該工作為液固之間CE 的電子轉(zhuǎn)移模型提供了證據(jù).

2.2 TENG 的原理和4 種工作模式

TENG 的基本工作原理是摩擦起電和靜電感應(yīng)的結(jié)合.摩擦起電提供靜態(tài)極化電荷,而靜電感應(yīng)是將機(jī)械能轉(zhuǎn)化為電能的關(guān)鍵因素.為了對(duì)TENG 的原理進(jìn)行更細(xì)致的理論描述,王中林院士[14]在2017 年將麥克斯韋位移電流修正為

在這里D是位移向量,第一項(xiàng)是由時(shí)變電場(chǎng)和感應(yīng)介質(zhì)極化所產(chǎn)生的位移電流,而第二項(xiàng)是由王中林院士增加的附加項(xiàng),PS是由機(jī)械觸發(fā)產(chǎn)生的表面靜電荷引起的極化密度,非外加電場(chǎng)(例如摩擦電荷、壓電電荷等)而導(dǎo)致的位移電流,它是納米發(fā)電機(jī)的根本原理.

2012 年TENG 被首次提出,目前TENG 存在4 種不同的工作模式,即垂直接觸-分離模式、水平滑動(dòng)模式、單電極模式、獨(dú)立層模式,如圖3 所示.

圖3 TENG 的4 種工作模式及其應(yīng)用 (a) 垂直接觸-分離模式;(b)水平滑動(dòng)模式;(c) 單電極模式;(d)獨(dú)立層模式[26]Fig.3.Four working modes of TENG and applications:(a) Vertical contact-separation (CS) mode;(b) lateral-sliding (LS) mode;(c) single-electrode (SE) mode;(d) freestanding triboelectric-layer(FT) mode[26].

1) 垂直接觸-分離模式

垂直接觸-分離模式是最早的TENG 模型[15],該TENG 主要分類兩種類型:電介質(zhì)對(duì)電介質(zhì)和導(dǎo)體對(duì)電介質(zhì).第一個(gè)TENG 采用的就是該設(shè)計(jì),它由聚酯薄膜(PET)和聚酰亞胺薄膜(Kapton)組成,背面涂有電極,在外力作用下,兩個(gè)摩擦層之間的距離會(huì)發(fā)生變化.當(dāng)兩個(gè)摩擦層彼此接觸之后,由于摩擦起電,兩個(gè)摩擦層內(nèi)表面產(chǎn)生密度相等但極性相反的靜電荷,由此產(chǎn)生交流電輸出.以這種模式實(shí)現(xiàn)的TENG 傳感器結(jié)構(gòu)利用短程循環(huán)運(yùn)動(dòng)(例如周期性的振動(dòng)和沖擊)在緊密接觸狀態(tài)和完全分離狀態(tài)之間有效切換,并產(chǎn)生信號(hào)輸出.垂直接觸-分離模式不但適用于固體與固體之間,甚至可以適用于固體和液體[13]以及液體和液體之間[16].目前已經(jīng)開發(fā)實(shí)現(xiàn)的案例有拱形結(jié)構(gòu)[17]、彈簧結(jié)構(gòu)[18]等.使用這種結(jié)構(gòu)的傳感器有瞬時(shí)功率高、結(jié)構(gòu)設(shè)計(jì)簡(jiǎn)單等優(yōu)勢(shì).

2) 水平滑動(dòng)模式

水平滑動(dòng)模式基于面內(nèi)電荷分離機(jī)制[19],滑動(dòng)層也有兩種類型:電介質(zhì)對(duì)電介質(zhì);導(dǎo)體對(duì)電介質(zhì).兩個(gè)金屬電極與兩個(gè)電介質(zhì)層結(jié)合,該TENG利用摩擦層平行方向的相對(duì)運(yùn)動(dòng)產(chǎn)生摩擦電荷,當(dāng)兩層分開時(shí),上層的下表面和下層的上表面在非重疊區(qū)域帶有相反的電荷,分別在兩個(gè)電極處感應(yīng)出相反的電荷并產(chǎn)生交流電輸出.與垂直接觸-分離模式相比,兩個(gè)表面通過相對(duì)滑動(dòng)所產(chǎn)生的摩擦電荷更為豐富,并且在傳感器制作過程中,可以通過給滑動(dòng)層制作光柵結(jié)構(gòu)[20]來提高分離-接觸的頻次,從而實(shí)現(xiàn)更高效的電荷轉(zhuǎn)移過程,進(jìn)而提高功率輸出.目前采用這種結(jié)構(gòu)的案例有平面運(yùn)動(dòng)式[21]、圓盤旋轉(zhuǎn)式[22]、圓柱旋轉(zhuǎn)式[23]等.

3) 單電極模式

傳統(tǒng)的垂直接觸-分離模式TENG和水平滑動(dòng)模式TENG 要求將電極和導(dǎo)線附著在設(shè)備的運(yùn)動(dòng)部件上,這種結(jié)構(gòu)限制了TENG 的適用性.而單電極TENG和獨(dú)立層模式TENG 克服了這個(gè)缺點(diǎn),[24]單電極模式只有一個(gè)電極連接到摩擦層,另一個(gè)電極作為參考端,可以放置在空間任何位置,甚至可以放置在地面.其工作模式和垂直接觸-分離模式TENG和水平滑動(dòng)模式TENG 類似,該TENG從自由移動(dòng)的物體中收集能量,無需附加其他導(dǎo)體,例如手打字、行走等,應(yīng)用非常廣泛,并且單電極模式TENG 還特別適合作為自供電有源傳感器來檢測(cè)任何帶電物體.

4) 獨(dú)立層模式

單電極模式TENG 因?yàn)槭艿狡渲麟姌O的靜電屏蔽作用限制,最大電荷轉(zhuǎn)移效率只能達(dá)到50%[24].為了克服這個(gè)缺點(diǎn),設(shè)計(jì)了一種固定電極的TENG,即獨(dú)立層模式TENG[10].獨(dú)立層模式是在單電極的基礎(chǔ)上開發(fā)得到的,其使用一對(duì)對(duì)稱電極,不以地面為參考,當(dāng)物體自由移動(dòng)時(shí),會(huì)在兩個(gè)電極處產(chǎn)生非對(duì)稱的摩擦電荷并輸出至負(fù)載.獨(dú)立層模式兼顧了單電極模式的優(yōu)點(diǎn),可以從任何運(yùn)動(dòng)物體中收集機(jī)械能,還沒有靜電屏蔽的問題.這種模式一個(gè)重要的實(shí)現(xiàn)案例是用于定量振幅測(cè)量的自供電主動(dòng)振動(dòng)傳感器[25].

3 基于機(jī)器學(xué)習(xí)技術(shù)的TENG 傳感器的一般工作模式

目前,TENG 最主要的用途有兩個(gè):作為傳感器的能量來源和作為自驅(qū)動(dòng)傳感器,目前基于TENG的傳感器有聲音傳感器、壓力傳感器、移動(dòng)物體自驅(qū)動(dòng)傳感器、振動(dòng)傳感器、自驅(qū)動(dòng)環(huán)境傳感器和生物醫(yī)學(xué)傳感器.可采集到的數(shù)據(jù)一般有音頻信息、圖像信息、圖形信息、振幅信息、空間位置信息、溫度信息和頻率信息等,數(shù)據(jù)來源復(fù)雜,且形式多樣.隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展日新月異,越來越多的人使用機(jī)器學(xué)習(xí)技術(shù)來處理海量且復(fù)雜的傳感器數(shù)據(jù).機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支,是一種建立自動(dòng)學(xué)習(xí)模型并使用大量數(shù)據(jù)來不斷優(yōu)化模型,然后在算法的指導(dǎo)下做出合理預(yù)測(cè)的技術(shù).機(jī)器學(xué)習(xí)工作流程可以簡(jiǎn)單地描述為數(shù)據(jù)預(yù)處理、特征提取、建模、驗(yàn)證和輸出結(jié)果.一般來說,使用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行訓(xùn)練和識(shí)別,一般要經(jīng)歷如圖4 所示的5 個(gè)階段,即數(shù)據(jù)預(yù)處理、特征提取、選擇合適的機(jī)器學(xué)習(xí)方法并建立模型、結(jié)果驗(yàn)證.使用機(jī)器學(xué)習(xí)方法處理基于TENG 傳感器產(chǎn)生的數(shù)據(jù)的一般過程如圖5 所示，首先傳感器收集數(shù)據(jù)并傳輸?shù)綌?shù)據(jù)中心進(jìn)行存儲(chǔ)和管理，然后用戶通過控制中心將選擇好的傳感器數(shù)據(jù)發(fā)送至機(jī)器學(xué)習(xí)模型，在模型的數(shù)據(jù)預(yù)處理階段對(duì)數(shù)據(jù)進(jìn)行分類，一般分為多元時(shí)間序列和多元空間數(shù)據(jù).緊接著將已分類的數(shù)據(jù)進(jìn)行特征提取和歸一化，并使用機(jī)器學(xué)習(xí)方法進(jìn)行分析和預(yù)測(cè).最后由機(jī)器學(xué)習(xí)模型對(duì)結(jié)果進(jìn)行驗(yàn)證和評(píng)估，用戶也可以通過控制中心將結(jié)果進(jìn)行存儲(chǔ)和展示.

圖4 機(jī)器學(xué)習(xí)的基本工作流程Fig.4.Basic workflow of machine learning.

圖5 從基于TENG 的傳感器收集數(shù)據(jù)并推送至機(jī)器學(xué)習(xí)模型進(jìn)行計(jì)算分析的過程.數(shù)據(jù)在數(shù)據(jù)中心存儲(chǔ)和管理,用戶可以從控制中心與數(shù)據(jù)中心進(jìn)行交互.在預(yù)處理階段將數(shù)據(jù)分為多元時(shí)間序列和多元空間數(shù)據(jù),接著輸入機(jī)器學(xué)習(xí)模型分析并做出預(yù)測(cè),最后對(duì)結(jié)果進(jìn)行驗(yàn)證和評(píng)估Fig.5.Process of collecting data from TENG-based sensors and pushing it to the machine learning model for computational analysis.Data is stored and managed in the data center.Users can interact with the data center from the control center.In the preprocessing stage,the data is divided into multivariate time series and multivariate spatial data,and then input into the machine.The machine learns the model and analyzes and makes predictions,and finally verifies and evaluates the results.

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理表示數(shù)據(jù)在進(jìn)行訓(xùn)練學(xué)習(xí)之前,需要根據(jù)機(jī)器學(xué)習(xí)算法的需求對(duì)數(shù)據(jù)進(jìn)行格式上的統(tǒng)一.數(shù)據(jù)預(yù)處理的方法主要包括去除唯一屬性、處理缺失值、屬性編碼、數(shù)據(jù)標(biāo)準(zhǔn)化、特征選擇、主成分分析等.良好的數(shù)據(jù)預(yù)處理可以提高數(shù)據(jù)質(zhì)量,使得模型能夠更好地學(xué)習(xí)數(shù)據(jù),進(jìn)而決定模型的預(yù)測(cè)和泛化能力的好壞.

3.2 特征提取

完成數(shù)據(jù)采集和歸一化后,應(yīng)提取合適的特征來預(yù)測(cè)目標(biāo),稱為特征選取階段.特征提取是從一個(gè)初始測(cè)量的資料集合中開始,建構(gòu)出富含有效信息而且不冗余的導(dǎo)出值,這些導(dǎo)出值被稱為特征值.它可以幫助構(gòu)建后續(xù)的學(xué)習(xí)歸納過程,特征提取是一個(gè)降低維度的步驟,初始的資料集合被降到更容易管理的族群(特征)以便于學(xué)習(xí),同時(shí)保持描述原始資料集的精準(zhǔn)性與完整性.該階段至關(guān)重要,有時(shí)直接影響整個(gè)機(jī)器學(xué)習(xí)的性能.

3.3 機(jī)器學(xué)習(xí)方法

有了合適且足夠的數(shù)據(jù)和特征,就可以依據(jù)需求構(gòu)建一個(gè)分析數(shù)據(jù)的模型.建模的步驟包括選擇合適的算法、從訓(xùn)練的數(shù)據(jù)中進(jìn)行訓(xùn)練、并做出準(zhǔn)確的預(yù)測(cè).機(jī)器學(xué)習(xí)方法可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí).監(jiān)督學(xué)習(xí)也稱為“有老師的學(xué)習(xí)”,即訓(xùn)練數(shù)據(jù)的相應(yīng)輸出已經(jīng)被標(biāo)記.相比之下,無監(jiān)督學(xué)習(xí)中訓(xùn)練數(shù)據(jù)的相應(yīng)輸出是未標(biāo)記的.對(duì)于半監(jiān)督學(xué)習(xí),對(duì)部分訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)記,其余數(shù)據(jù)不進(jìn)行標(biāo)記;未標(biāo)記數(shù)據(jù)的數(shù)量通常遠(yuǎn)遠(yuǎn)超過標(biāo)記數(shù)據(jù)的數(shù)量.在強(qiáng)化學(xué)習(xí)中,不是向模型指定如何產(chǎn)生正確的動(dòng)作,而是使用環(huán)境提供的強(qiáng)化信號(hào)來評(píng)估所產(chǎn)生的動(dòng)作的質(zhì)量,并改進(jìn)適應(yīng)環(huán)境的策略.具體的機(jī)器學(xué)習(xí)方法有支持向量機(jī)(support vector machine,SVM)[27]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[28]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[29]、長(zhǎng)短期記憶(long short-term memory,LSTM)[30]、深度信念網(wǎng)絡(luò)(deep belief network,DBN)[31,32]等.機(jī)器學(xué)習(xí)算法數(shù)量眾多,每種算法都有其獨(dú)特的優(yōu)點(diǎn)和適用范圍,例如SVM,它是統(tǒng)計(jì)學(xué)習(xí)領(lǐng)域中一個(gè)代表性算法,將問題歸結(jié)為線性可分的經(jīng)典解問題,適用于解決中小數(shù)據(jù)規(guī)模、非線性、高維模式識(shí)別方面的問題;ANN 優(yōu)點(diǎn)是擁有很強(qiáng)的泛化能力和非線性映射能力,適用于對(duì)信息量少的系統(tǒng)進(jìn)行模型處理;CNN 優(yōu)點(diǎn)是具有良好的容錯(cuò)能力、并行處理能力和自學(xué)習(xí)能力,適用于處理環(huán)境信息復(fù)雜、背景知識(shí)不清楚、推理規(guī)則不明確情況下的問題;LSTM 是一種根據(jù)時(shí)間序列或字符序列自我調(diào)用的特殊神經(jīng)網(wǎng)絡(luò),能夠更好地存儲(chǔ)和訪問信息.針對(duì)不同的應(yīng)用場(chǎng)合和不同的數(shù)據(jù)集,可以根據(jù)傳感器的信號(hào)特點(diǎn)選擇更合適的方法或者綜合不同方法的優(yōu)勢(shì)構(gòu)建出專用的學(xué)習(xí)模型.

3.4 結(jié)果驗(yàn)證

驗(yàn)證數(shù)據(jù)集是用于調(diào)整分類器超參數(shù)(即體系結(jié)構(gòu))的參考數(shù)據(jù)集.例如神經(jīng)網(wǎng)絡(luò)的超參數(shù)一般包括每層中隱藏單元的數(shù)量以及測(cè)試集(應(yīng)遵循與訓(xùn)練數(shù)據(jù)集相同的概率分布).為了避免過度擬合,當(dāng)需要調(diào)整任何分類參數(shù)時(shí),除了訓(xùn)練和測(cè)試數(shù)據(jù)集外,還必須有一個(gè)驗(yàn)證數(shù)據(jù)集.例如,為了尋求最適合該問題的分類器,使用訓(xùn)練數(shù)據(jù)集來訓(xùn)練候選算法,使用驗(yàn)證數(shù)據(jù)集來比較其性能并決定采用哪種算法,最后使用測(cè)試數(shù)據(jù)集來進(jìn)行測(cè)試.獲得諸如準(zhǔn)確度、靈敏度、特異性、f度量等性能特征.k折交叉驗(yàn)證是一種常見的驗(yàn)證方法.k折交叉驗(yàn)證是指將原始數(shù)據(jù)隨機(jī)分成k個(gè)大小相似的互斥子集,每個(gè)子集盡可能保持?jǐn)?shù)據(jù)分布的一致性.這樣,每次使用k—1 個(gè)子集的并集進(jìn)行模型訓(xùn)練,同時(shí)保留一個(gè)子集進(jìn)行模型驗(yàn)證,這樣就可獲得k組訓(xùn)練/測(cè)試集,從而可進(jìn)行k次訓(xùn)練和測(cè)試,最終返回的是折k個(gè)測(cè)試結(jié)果的均值.k折交叉驗(yàn)證的一個(gè)缺點(diǎn)是,它需要構(gòu)建k個(gè)模型,這對(duì)大數(shù)據(jù)集來說非常耗時(shí).另一種在由TENG 驅(qū)動(dòng)的傳感器中使用的驗(yàn)證方法是留一法,與k折交叉驗(yàn)證略有不同,留一法不受隨機(jī)樣本劃分方式的影響.假設(shè)數(shù)據(jù)集d中包含m個(gè)樣本,令k=m,則m個(gè)樣本只有唯一的方式劃分為m個(gè)子集——每個(gè)子集包含一個(gè)樣本.留一法使用的訓(xùn)練集與初始數(shù)據(jù)集相比只少了一個(gè)樣本,這就使得在絕大多數(shù)情況下,留一法中被實(shí)際評(píng)估的模型與期望評(píng)估的用d訓(xùn)練出的模型很相似.因此,留一法的評(píng)估結(jié)果往往被認(rèn)為比較準(zhǔn)確.然而,留一法也有其缺陷:在傳感器產(chǎn)生的數(shù)據(jù)集比較大時(shí),訓(xùn)練m個(gè)模型的計(jì)算開銷可能是難以忍受的(例如數(shù)據(jù)集包含一百萬個(gè)樣本,則需訓(xùn)練一百萬個(gè)模型),而這還是在未考慮算法調(diào)參的情況下.所以對(duì)數(shù)據(jù)集較大的工作來說,例如道路聲音識(shí)別,使用留一法往往難以達(dá)到期望的目的.另一種用來驗(yàn)證模型的方法是重復(fù)學(xué)習(xí)測(cè)試(repeated learning test,RLT)交叉驗(yàn)證法.與留一法相反,RLT 交叉驗(yàn)證將數(shù)據(jù)集的一部分進(jìn)行驗(yàn)證.因此,計(jì)算復(fù)雜度大大降低.然而,模型驗(yàn)證的最佳數(shù)據(jù)量很難確定,測(cè)試集通常必須根據(jù)實(shí)際情況進(jìn)行選擇.自助交叉驗(yàn)證是一種基于多重采樣的泛化誤差方法.該方法能有效降低k折交叉驗(yàn)證的方差,然而,這樣會(huì)造成計(jì)算成本增加,在一些實(shí)時(shí)性要求較高的工作,例如車輛信息實(shí)時(shí)檢測(cè)中很難獲得理想的結(jié)果[32].

4 基于機(jī)器學(xué)習(xí)技術(shù)的TENG 傳感器的應(yīng)用

2020 年5 月的全國(guó)兩會(huì)上,中國(guó)《政府工作報(bào)告》也明確提出:“加強(qiáng)新型基礎(chǔ)設(shè)施建設(shè),發(fā)展新一代信息網(wǎng)絡(luò),拓展5G 應(yīng)用,建設(shè)充電樁,推廣新能源汽車,激發(fā)新消費(fèi)需求,助力產(chǎn)業(yè)升級(jí).”至此,新型基礎(chǔ)設(shè)施建設(shè)(以下簡(jiǎn)稱新基建)開始快速推進(jìn).而5G 作為“新基建”的“領(lǐng)頭羊”,將直接驅(qū)動(dòng)物聯(lián)網(wǎng)等相關(guān)行業(yè)的快速發(fā)展.物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算乃至智慧城市的各種技術(shù),都依賴于傳感器提供的基礎(chǔ)功能.作為“感知世界”之基,傳感器已成為一個(gè)地區(qū)乃至一個(gè)國(guó)家科技發(fā)展水平的重要標(biāo)志.

目前傳感器的能源供給以電池為主,然而,電池的管理回收是一項(xiàng)極其困難的任務(wù),電池報(bào)廢后所遺留的有害化學(xué)物質(zhì)已經(jīng)對(duì)環(huán)境產(chǎn)生了重大威脅.針對(duì)傳感器的能源供給問題和環(huán)境問題,以TENG 為代表的微納能源研究進(jìn)展迅速,為物聯(lián)網(wǎng)的發(fā)展提供了新的能源技術(shù),有望解決物聯(lián)網(wǎng)時(shí)代小型器件的自供能問題.根據(jù)總部位于英國(guó)劍橋,專門提供獨(dú)立市場(chǎng)調(diào)查與商業(yè)資訊的idtechex公司預(yù)測(cè):基于TENG 的微納能源和自驅(qū)動(dòng)傳感器將在2027 年擁有4 億美元的市場(chǎng)價(jià)值,商業(yè)前景十分廣闊.這其中TENG 具有顯著的優(yōu)勢(shì),例如:不會(huì)產(chǎn)生污染環(huán)境的廢料;能收集的能量來源廣泛;制造工藝和流程簡(jiǎn)單;對(duì)產(chǎn)生的電能可以精確控制等.因此,TENG 在物聯(lián)網(wǎng)、環(huán)境檢測(cè)、自驅(qū)動(dòng)傳感器和可驅(qū)動(dòng)便攜式電子產(chǎn)品等領(lǐng)域有極大的研究?jī)r(jià)值和廣闊的應(yīng)用前景.據(jù)《Emerging nanogenerator technology in china:a review and forecast using integrating bibliometrics,patent analysis and technology roadmapping methods》報(bào)告顯示,自2013 年以來,各種納米發(fā)電機(jī)技術(shù)快速興起,且中國(guó)目前處于該領(lǐng)域的領(lǐng)先地位，并且該報(bào)告也展示了納米發(fā)電機(jī)產(chǎn)業(yè)在中國(guó)未來發(fā)展的路線圖，如圖6 所示[33].本文根據(jù)TENG 在不同領(lǐng)域中的應(yīng)用,將其分為交通安全、環(huán)境監(jiān)測(cè)、信息安全、人機(jī)交互和健康監(jiān)測(cè)等5 個(gè)方面進(jìn)行了分類與梳理.

圖6 納米發(fā)電機(jī)產(chǎn)業(yè)在中國(guó)未來發(fā)展的路線圖Fig.6.Roadmap for the future development of the nano-generator industry in China.

4.1 交通安全

全世界每天有3500 多人死于交通事故.在交通事故的所有原因中,人類駕駛員的不當(dāng)行為占到了80%以上[34].在人車交互過程中,方向盤、制動(dòng)器、油門踏板等操縱動(dòng)作將駕駛員的大部分指令信息傳遞給車輛[35].因此,操作不當(dāng)可能會(huì)導(dǎo)致道路交通事故[36,37].轉(zhuǎn)向操縱是駕駛員控制車輛行駛方向的手段,是駕駛操作的重要組成部分.因此,檢測(cè)轉(zhuǎn)向操縱有助于提高交通安全.此外,檢測(cè)轉(zhuǎn)向狀態(tài)有助于智能駕駛員輔助系統(tǒng)(intelligent driver assistance systems,IDAS)的實(shí)現(xiàn),該系統(tǒng)通過分析車輛傳感器信息,幫助駕駛員對(duì)駕駛動(dòng)作做出快速、安全的決策,從而拯救生命[38,39].最近,Zhang等[40]利用TENG 作為傳感器來檢測(cè)駕駛員的轉(zhuǎn)向行為.TENG 工作模式采用垂直接觸-分離式,制備結(jié)構(gòu)由Kapton 膠帶、鋁和緩沖層組成,頂部和底部由Kapton 帶封裝,選擇上層的底部Kapton膜作為摩擦層,中間的鋁作為Kapton 的背電極.下層頂部的鋁帶作為另一個(gè)摩擦層和電極.上層和下層由兩側(cè)的緩沖層隔開,以產(chǎn)生間隙,從而當(dāng)施加外力時(shí),兩個(gè)摩擦層之間的接觸可以分開.TENG的長(zhǎng)度相對(duì)較大,由于轉(zhuǎn)向的形狀,它是彎曲的.其重量輕、厚度薄,不會(huì)對(duì)駕駛員造成干擾.他們?cè)O(shè)計(jì)并實(shí)現(xiàn)了兩個(gè)基于駕駛模擬器的實(shí)驗(yàn),圖7 所示為實(shí)驗(yàn)平臺(tái)示意圖.首先,量化并比較三個(gè)傳感器(駕駛模擬器、攝像頭和TENG)的響應(yīng)速度.然后,設(shè)計(jì)并訓(xùn)練機(jī)器學(xué)習(xí)算法來檢測(cè)三種轉(zhuǎn)向動(dòng)作,考慮到“準(zhǔn)確和多樣化的原則”,訓(xùn)練四個(gè)分類器(隨機(jī)森林(random forest,RF)、SVM、k近鄰和自適應(yīng)增強(qiáng))來比較它們的性能.從結(jié)果可知,RF的準(zhǔn)確率最高,其微轉(zhuǎn)向動(dòng)作、正常轉(zhuǎn)向動(dòng)作和過度轉(zhuǎn)向動(dòng)作的個(gè)體分類率分別為91.3%,90.7%和98.0%.在機(jī)器學(xué)習(xí)中,RF 是一個(gè)包含多個(gè)決策樹的分類器,并且其輸出的類別由個(gè)別樹輸出的類別的數(shù)量而定.Leo Breiman和Adele Cutler 發(fā)展出RF 算法,這個(gè)術(shù)語是1995 年由貝爾實(shí)驗(yàn)室的Ho[41]所提出的隨機(jī)決策森林(random decision forests)而來的.這個(gè)方法則是結(jié)合Breimans 的“引導(dǎo)聚集算法”和Ho 的“隨機(jī)子空間”以建造決策樹的集合.結(jié)果表明,使用此算法可以很好地識(shí)別TENG 的電信號(hào)來檢測(cè)駕駛員的轉(zhuǎn)向動(dòng)作.與可穿戴設(shè)備相比,由于其材料的獨(dú)特性和多樣性,TENG 可以完美地安裝在方向盤上,而不會(huì)干擾駕駛員.雖然攝像頭對(duì)司機(jī)的干擾較小,但需要大量計(jì)算,容易侵犯隱私.TENG 的數(shù)據(jù)是一維電壓值,而其結(jié)構(gòu)簡(jiǎn)單,易于計(jì)算.與車輛的外部設(shè)備相比,基于TENGs 的方法由于其高效率和低成本可以容易地集成到當(dāng)前的IDAS 產(chǎn)品中.此外,TENG 作為一種自供電傳感器,有可能將握持方向盤的機(jī)械能轉(zhuǎn)化為電能,并且與其他傳感器相比,TENG 具有成本低、效率高、結(jié)構(gòu)簡(jiǎn)單、材料選擇多樣、節(jié)能和自供電等獨(dú)特優(yōu)勢(shì).這項(xiàng)研究證明了使用TENG 作為駕駛員轉(zhuǎn)向動(dòng)作檢測(cè)傳感器的潛力.在駕駛員對(duì)車輛的各種動(dòng)作中,駕駛員通過對(duì)剎車和油門踏板的動(dòng)作來產(chǎn)生車輛的減速和加速,也是序列化駕駛行為的重要組成部分.因此,一種快速、準(zhǔn)確的檢測(cè)踏板不同動(dòng)作水平的方法可能有助于預(yù)防交通事故,這是先進(jìn)駕駛輔助系統(tǒng)的功能[42].駕駛員在踏板上的駕駛行為可以看作是駕駛員加/減速意圖的表現(xiàn).快速、準(zhǔn)確地檢測(cè)踏板上的駕駛動(dòng)作強(qiáng)度,對(duì)預(yù)防道路交通事故和管理能源消耗具有重要意義.Cheng 等[43]研究的基于TENG 的駕駛員踏板動(dòng)作強(qiáng)度數(shù)據(jù)驅(qū)動(dòng)檢測(cè)方法,使用了一種基于壓敏自供電材料的TENG.與踏板動(dòng)作相關(guān)的TENG 產(chǎn)生的電壓數(shù)據(jù)可以很容易地收集并順序存儲(chǔ).根據(jù)電壓數(shù)據(jù)的特點(diǎn),他們采用了混合機(jī)器學(xué)習(xí)方法.在同時(shí)采集到駕駛模擬器信號(hào)后,采用無監(jiān)督高斯混合模型對(duì)踏板事件進(jìn)行自動(dòng)聚類.然后,提取TENG 電壓數(shù)據(jù)的多特征候選項(xiàng)并進(jìn)行排序.訓(xùn)練和測(cè)試了一個(gè)以TENG的電壓數(shù)據(jù)為輸入數(shù)據(jù)的監(jiān)督RF 模型.結(jié)果表明,使用RF 算法可以獲得90%以上的準(zhǔn)確率.評(píng)價(jià)結(jié)果表明,所提出的數(shù)據(jù)驅(qū)動(dòng)混合學(xué)習(xí)算法對(duì)駕駛員踏板動(dòng)作強(qiáng)度的識(shí)別具有很高的準(zhǔn)確率.此外,還對(duì)TENG 傳感器和一些常用傳感器的技術(shù)經(jīng)濟(jì)特性進(jìn)行了比較和討論,證明了數(shù)據(jù)驅(qū)動(dòng)方法來檢測(cè)駕駛員踏板動(dòng)作強(qiáng)度的可行性.車速在交通事故中起著重要的作用,車速的監(jiān)測(cè)必不可少.Ma 等[44]研究的通過分子表面工程和數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)優(yōu)化性能的殼聚糖生物聚合物衍生TENG 傳感器.用分子表面工程顯著提高了基于殼聚糖的TENG 的性能,從而實(shí)現(xiàn)潛在的實(shí)際應(yīng)用,并應(yīng)用數(shù)據(jù)挖掘方法來分析和學(xué)習(xí)所獲取的摩擦電信號(hào)與車速等級(jí)(即低、中或高)之間的關(guān)系,進(jìn)而預(yù)測(cè)摩擦電信號(hào)與車速值之間的關(guān)系.選擇使用機(jī)器學(xué)習(xí)領(lǐng)域中廣泛采用的4 種分類方法來構(gòu)建模型:1)決策樹模型;2)線性判別分析(LDA);3)k近鄰;4) SVM.基于相應(yīng)的混淆矩陣、接收者操作特征曲線圖 (receiver operating characteristic curve,ROC)的結(jié)果,評(píng)估每個(gè)模型的有效性,最終得出具有線性核的SVM 優(yōu)于其他模型.SVM[45]是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器,其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面[27].SVM 使用鉸鏈損失函數(shù)計(jì)算經(jīng)驗(yàn)風(fēng)險(xiǎn)并在求解系統(tǒng)中加入了正則化項(xiàng)以優(yōu)化結(jié)構(gòu)風(fēng)險(xiǎn),是一個(gè)具有稀疏性和穩(wěn)健型的分類器.SVM 可以通過核方法進(jìn)行非線性分類,是常見的核方法學(xué)習(xí)之一.SVM 在1964 年被提出,在二十世紀(jì)90 年代后得到快速發(fā)展并衍生出一系列改進(jìn)和擴(kuò)展算法,在人像識(shí)別、文本分類等模式識(shí)別問題中得到應(yīng)用.這里展示的基于殼聚糖的TENG 與SVM算法結(jié)合擁有不錯(cuò)的識(shí)別性能,顯示了自供電設(shè)備的巨大潛力,并為利用豐富的生物衍生材料制造經(jīng)濟(jì)可行和生態(tài)友好的能源、電子和傳感器應(yīng)用中的功能設(shè)備的新技術(shù)打開了大門.TENG 作為一種優(yōu)良的自供電傳感器,與機(jī)器學(xué)習(xí)結(jié)合,在交通領(lǐng)域具有重大的潛在價(jià)值[43].

圖7 實(shí)驗(yàn)平臺(tái)和TENGs 的插圖 (a)實(shí)驗(yàn)平臺(tái);(b)放置在方向盤上的兩個(gè)TENGs,尺寸為25 cm×2 cm×0.1 cm;(c) 反應(yīng)時(shí)間示意圖;(d) RF 分類器給出的分類結(jié)果的混淆矩陣[40]Fig.7.Illustrations of experimental platform and TENGs:(a) Experimental platform;(b) two TENGs placed on steering wheel with a size of 25 cm×2 cm×0.1 cm.(c) Schematic diagram of reaction time;(d) confusion matrices of the classification result given by RF classifier[40].

4.2 環(huán)境監(jiān)測(cè)

自然環(huán)境是人類賴以生存的根源,是人類的生存之地,環(huán)境的好壞直接影響到我們自身的健康,而且對(duì)子孫后代也會(huì)產(chǎn)生長(zhǎng)遠(yuǎn)的影響,所以保護(hù)環(huán)境就是保護(hù)我們的社會(huì).智能傳感器作為環(huán)境監(jiān)測(cè)儀器之一,其作用不言而喻.它能夠有效監(jiān)測(cè)我們的生活環(huán)境,并對(duì)于即將或可能發(fā)生的環(huán)境污染問題及時(shí)做出預(yù)警及措施,保證環(huán)境的可持續(xù)發(fā)展.管道被認(rèn)為是最安全、最經(jīng)濟(jì)的液體運(yùn)輸方式,特別是對(duì)危險(xiǎn)和易燃液體.液體泄漏是管道系統(tǒng)不可避免的問題,它是由管道基礎(chǔ)設(shè)施的磨損和腐蝕、自然災(zāi)害或人為破壞等因素造成的.液體泄漏的監(jiān)測(cè)和檢測(cè)是許多企業(yè)和政府的首要任務(wù).這是由于每年的液體泄漏不僅造成巨大的經(jīng)濟(jì)損失,而且危險(xiǎn)的化學(xué)液體和核液體的泄漏對(duì)人體安全、環(huán)境和儀器都有極大的危害.Zhang 等[46]研究設(shè)計(jì)的基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的智能檢測(cè)識(shí)別系統(tǒng),因?yàn)楣腆w和液體接觸后存在電子轉(zhuǎn)移[13],利用單電極液固TENG 的短路輸出電流穩(wěn)定性和智能檢測(cè)識(shí)別系統(tǒng)的魯棒性,成功地檢測(cè)出了漏液,并對(duì)不同的液體進(jìn)行了分類.圖8 所示為檢測(cè)識(shí)別系統(tǒng)的結(jié)構(gòu)圖,TENG 的制備選取p 型硅片作為摩擦電層,性價(jià)比高,環(huán)境抗干擾能力強(qiáng).將p 型硅片切成2.6 cm×2.6 cm,用超聲波依次在乙醇和去離子水浴中清洗.然后,在硅的未拋光面上附著一層相同尺寸的導(dǎo)電銅帶(厚度0.01 cm)作為電極.制備質(zhì)量濃度為99.7%,60%,40%,20%的自來水、乙醇和質(zhì)量濃度均為15%的氯化鈉液體和氫氧化鈉液體,作為試驗(yàn)液體.當(dāng)液體不斷下落時(shí),會(huì)產(chǎn)生一個(gè)連續(xù)的、周期性的電脈沖,不同種類的液體產(chǎn)生的脈沖信號(hào)特征不同.TENG 傳感器檢測(cè)到液體泄漏,得到大量電信號(hào)數(shù)據(jù),以規(guī)則的時(shí)間間隔分割當(dāng)前信號(hào)數(shù)據(jù),并建立樣本數(shù)據(jù).由于采樣頻率在50 Hz 以上,造成數(shù)據(jù)樣本的維度非常高,由于SVM 對(duì)于高維度數(shù)據(jù)的處理效果相對(duì)較好,所以該系統(tǒng)采用SVM 進(jìn)行數(shù)據(jù)分類和處理.系統(tǒng)首先采用主成分分析法提取主要特征信息,降低數(shù)據(jù)維數(shù),接著將采集到的數(shù)據(jù)以20 個(gè)固定時(shí)間間隔劃分,得到120 個(gè)數(shù)據(jù)樣本并將樣本歸一化至[0,1]范圍,將其中60 個(gè)樣本作為訓(xùn)練集,另外60 個(gè)樣本作為測(cè)試集,然后使用SVM 分類器對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)分類,每種液體的分類準(zhǔn)確率幾乎達(dá)到90%以上.與傳統(tǒng)的泄漏檢測(cè)傳感器相比,基于液固TENG 的自供電傳感器不需要復(fù)雜的分布式能源供應(yīng)系統(tǒng),在液體泄漏檢測(cè)方面表現(xiàn)出良好的性能,有利于擴(kuò)大液體泄漏檢測(cè)的實(shí)際應(yīng)用范圍.最重要的是TENG 與大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的成功結(jié)合,為未來探索TENG 與大數(shù)據(jù)和機(jī)器學(xué)習(xí)相結(jié)合的潛在應(yīng)用奠定了基礎(chǔ).在環(huán)境監(jiān)測(cè)中,關(guān)于水系統(tǒng)中懸浮沉積物的持續(xù)信息在工業(yè)和水文研究的各個(gè)領(lǐng)域中是至關(guān)重要的.

圖8 基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的智能檢測(cè)識(shí)別系統(tǒng)[46]Fig.8.Intelligent detection and recognition system based on big data and machine learning technology[46].

由于懸沙流量的高度變化,開發(fā)簡(jiǎn)單、可靠、實(shí)時(shí)的泥沙監(jiān)測(cè)新技術(shù)仍然是一個(gè)挑戰(zhàn).Yang 等[47]報(bào)告了一種實(shí)現(xiàn)泥沙實(shí)時(shí)監(jiān)測(cè)的潛在方法,即用深度學(xué)習(xí)方法實(shí)時(shí)監(jiān)測(cè)沉積物的載粒子液滴驅(qū)動(dòng)摩擦電納米發(fā)電機(jī)(pldd-TENG).pldd-TENG 在單電極模式下工作,使用PTFE 薄膜的摩擦電層.pldd-TENG 的工作機(jī)理被證明是由液體-聚四氟乙烯CE和砂粒-電極靜電感應(yīng)引起的.然后,對(duì)不同顆粒參數(shù)下的性能進(jìn)行了研究,結(jié)果表明,pldd-TENG 的輸出信號(hào)對(duì)砂粒粒徑和質(zhì)量分?jǐn)?shù)非常敏感.圖9 所示為測(cè)試裝置示意圖,識(shí)別算法采用基于CNN 的深度學(xué)習(xí)方法,CNN 是前饋神經(jīng)網(wǎng)絡(luò),受視覺神經(jīng)科學(xué)中簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞經(jīng)典概念的啟發(fā),CNN 將神經(jīng)網(wǎng)絡(luò)與離散卷積相結(jié)合進(jìn)行圖像處理,可以直接接受圖像作為網(wǎng)絡(luò)的輸入,避免了傳統(tǒng)圖像識(shí)別算法中進(jìn)行的特征提取和數(shù)據(jù)重建的復(fù)雜過程.1980 年,Fukushima[48]提出了一種用于視覺模式識(shí)別的神經(jīng)網(wǎng)絡(luò)模型,即CNN的前身——新神經(jīng)元.此后,盡管科學(xué)家們?cè)噲D利用許多方法來訓(xùn)練多層網(wǎng)絡(luò),但隨著網(wǎng)絡(luò)深度的增加,由于缺乏計(jì)算資源,CNN 的性能受到限制.2006 年后,高效圖形處理單元成為通用計(jì)算設(shè)備并促進(jìn)了CNN 的進(jìn)一步發(fā)展.在CNN 中,通常兩個(gè)相鄰層中的神經(jīng)元是完全連接的,而同一層中的神經(jīng)元不是,CNN 的每一層都接受上面一層的輸出作為輸入.三種類型的層用于構(gòu)建輸入和輸出之間的CNN 架構(gòu):卷積層、池化層和全連接層.卷積層用于提取輸入數(shù)據(jù)的特征并降低噪聲.池化層對(duì)輸入數(shù)據(jù)進(jìn)行二次采樣,并將輸入數(shù)據(jù)劃分為小區(qū)域,以便對(duì)每個(gè)區(qū)域應(yīng)用函數(shù),例如平均函數(shù)或最大函數(shù)[29].根據(jù)輸出信號(hào)對(duì)粒子參數(shù)進(jìn)行識(shí)別,該方法在大多數(shù)情況下識(shí)別精度均達(dá)到90%以上,為pldd-TENG 在泥沙實(shí)時(shí)監(jiān)測(cè)中的應(yīng)用提供了依據(jù),在保護(hù)環(huán)境和水利監(jiān)測(cè)方面具有潛在的價(jià)值.

圖9 實(shí)時(shí)沉積物監(jiān)測(cè)的實(shí)驗(yàn)裝置和工作機(jī)理圖 (a) 測(cè)試裝置示意圖;(b)去離子水滴和質(zhì)量分?jǐn)?shù)為1.00%的含顆粒水滴(顆粒直徑117.33 μm) 產(chǎn)生的典型輸出短路電流,插圖顯示了使用高速攝像機(jī)捕捉到的液滴的動(dòng)態(tài)運(yùn)動(dòng);(c)水與PTFE 接觸通電產(chǎn)生主要電流峰的機(jī)理;(d)預(yù)帶電砂粒與銅電極間靜電感應(yīng)產(chǎn)生小電流峰的機(jī)理[47]Fig.9.Diagram of the experimental setup and working mechanism for real-time sediment monitoring:(a) Schematic diagram of the testing setup.(b) Typical output short-circuit current generated by DI water droplets and particle-laden droplets (particle diameter:117.33 μm) with a mass fraction of 1.00%.The inset figures show the dynamic motions of the droplets captured using a high-speed camera.(c) Mechanism of the major current peaks induced by the contact electrification between water and PTFE.(d) Mechanism of the minor current peaks induced by the electrostatic induction between the precharged sand particles and the Cu electrode[47].

4.3 信息安全

隨著信息技術(shù)日新月異的發(fā)展,信息網(wǎng)絡(luò)覆蓋面也越來越大,網(wǎng)絡(luò)的利用率穩(wěn)步提高.然而信息化技術(shù)給我們帶來便利的同時(shí),各種信息安全問題也逐漸暴露出來.現(xiàn)代社會(huì)對(duì)計(jì)算機(jī)和計(jì)算機(jī)網(wǎng)絡(luò)的依賴度很高,信息安全問題對(duì)個(gè)人、公司和國(guó)家已經(jīng)變得非常突出.信息安全是個(gè)人的保障,是個(gè)人隱私的保障,也是國(guó)家安全的保障,其安全至關(guān)重要,一旦出現(xiàn)安全問題,將會(huì)造成嚴(yán)重的后果.如今,普通的基于密碼和令牌的身份驗(yàn)證系統(tǒng)缺點(diǎn)越來越明顯,普通的個(gè)人識(shí)別信息(如密碼)都可以很容易被竊取.Shao 等[49]提供了一種通過手指與氟化乙烯丙烯(FEP)接觸摩擦的TENG 來獲取用戶的擊鍵特征,并使用DBN 進(jìn)行特征識(shí)別的技術(shù).DBN 由Hinton 等[31]在2006 年提出.它是一種生成模型,由多個(gè)受限玻爾茲曼機(jī)(restricted Boltzmann machine,RBM)層組成.受限玻爾茲曼機(jī)只有兩層神經(jīng)元,一層叫做顯層,由顯元組成,用于輸入訓(xùn)練數(shù)據(jù).另一層叫做隱層,相應(yīng)地,由隱元組成,用作特征檢測(cè)器.RBM 的訓(xùn)練過程,實(shí)際上是求出一個(gè)最能產(chǎn)生訓(xùn)練樣本的概率分布.也就是說,要求一個(gè)分布,在這個(gè)分布里,訓(xùn)練樣本的概率最大.由于這個(gè)分布的決定性因素在于權(quán)值w,所以訓(xùn)練RBM 的目標(biāo)就是尋找最佳的權(quán)值.通過訓(xùn)練其神經(jīng)元間的權(quán)重,可以讓整個(gè)神經(jīng)網(wǎng)絡(luò)按照最大概率來生成訓(xùn)練數(shù)據(jù).這樣不僅可以使用DBN 識(shí)別特征、分類數(shù)據(jù),還可以用它來生成數(shù)據(jù).該文提出一種新穎、簡(jiǎn)單的基于按鍵動(dòng)力學(xué)的識(shí)別方法.使用集成DBN 功能的智能鍵盤對(duì)用戶的擊鍵特征進(jìn)行提取和模式識(shí)別.智能鍵盤關(guān)鍵功能元件(KFE) 由垂直堆疊的透明薄膜材料組成.一層聚對(duì)苯二甲酸乙二醇酯(PET)位于底部和頂部電極的兩層氧化銦錫(ITO)之間.然后,在ITO表面涂上一層氟化乙烯丙烯(FEP) 作為帶電層,在與人的手指接觸時(shí)產(chǎn)生摩擦電荷.圖10所示為智能鍵盤IKB 的基本工作原理,利用的是接觸帶電和靜電感應(yīng)之間的耦合,而不是傳統(tǒng)的機(jī)械開關(guān).當(dāng)人的手指與FEP 接觸時(shí),在接觸界面發(fā)生電荷轉(zhuǎn)移.一旦擊鍵開始,帶正電的人手指靠近鍵盤,頂部電極上感應(yīng)的正電荷被排出,導(dǎo)致自由電子流從底部電極流向頂部電極,直到手指和按鍵接觸.當(dāng)手指分開時(shí),自由電子從頂部電極向底部電極回流.該方法從TENG 獲取電信號(hào)(電壓和電流),然后逐層提取用戶的個(gè)人特征,包括擊鍵方式、節(jié)奏、打字習(xí)慣、手指大小、個(gè)體生物電、打字力度.并且采用softmax 分類器從提取的特征中自動(dòng)劃分模板類型.這種方法使得用戶認(rèn)證系統(tǒng)的識(shí)別特征變得更豐富,并且需要更少的人力.該方法對(duì)104 個(gè)特征樣本進(jìn)行分析和學(xué)習(xí),通過調(diào)整輸入層的維度、DBN 層的數(shù)量以及類型模板的數(shù)量使識(shí)別率達(dá)到了較好的效果.結(jié)果表明,相比于傳統(tǒng)的特征認(rèn)證系統(tǒng),該方法的輸入穩(wěn)定性和識(shí)別準(zhǔn)確性都更為顯著[50].

圖10 智能鍵盤的工作原理 (a)當(dāng)用戶開始擊鍵,帶正電的手指接近導(dǎo)致自由電子從底部ITO 電極流到頂部電極;(b)手指抬起并發(fā)生分離時(shí),會(huì)產(chǎn)生反方向從頂部電極流向底部電極的電流[50]Fig.10.Operating principle of the intelligent keyboard:(a)When a keystroke is initiated,the approach of positively charged human finger results in free electrons flowing from bottom ITO electron to top electrode;(b) when the finger is up and a separation occurs,it produces another current in the external circuit flowing from the top electrode to bottom electrode[50].

此外,筆跡簽名也是最重要的個(gè)人行為生物特征之一,在廣泛的生物特征中占有非常特殊的地位.筆跡簽名被廣泛應(yīng)用于各種民用應(yīng)用中,用于身份驗(yàn)證,增強(qiáng)安全性和私密性,圖11 所示為TENG 在手寫識(shí)別中的應(yīng)用.Zhang 等[51]研究開發(fā)了一種基于TENG 的具有微納米結(jié)構(gòu)紋理的智能手寫板,用于感知不同人的全面筆跡信息.基于新鮮采摘的聚己內(nèi)酯(BPO)葉狀和圓柱形微結(jié)構(gòu)的TENG 作為一種智能自動(dòng)力手寫板,TENG 制備過程是在生物傳感聚二甲基硅氧烷(PDMS)背面粘貼一層導(dǎo)電銅帶作為底電極.然后將PDMS附著在聚甲基丙烯酸甲酯(PMMA)上作為底部的摩擦電部分.在PMMA 上附著一層薄銅膜,銅膜起著摩擦電層和上電極的雙重作用.用4 個(gè)低k彈簧連接了摩擦電層的上下部,并制作了支架,上半部分與下半部分的間距為0.6 cm.數(shù)據(jù)來源為三個(gè)人的英文單詞、中文字符和阿拉伯?dāng)?shù)字的手寫信號(hào)由葉片啟發(fā)的TENG 獲取,另外三個(gè)人的英文句子和對(duì)應(yīng)的中文句子的手寫信號(hào)由基于圓柱形微結(jié)構(gòu)PDMS 的TENG 獲取.這些信號(hào)表現(xiàn)出獨(dú)特的特征,采用先進(jìn)的信號(hào)和數(shù)據(jù)處理方法提取關(guān)鍵特征信息,降低數(shù)據(jù)維數(shù),結(jié)合SVM 多分類器對(duì)手寫簽名進(jìn)行識(shí)別,成功識(shí)別了人的筆跡.英語單詞、阿拉伯?dāng)?shù)字、漢字、英語句子和對(duì)應(yīng)漢語句子的分類準(zhǔn)確率分別達(dá)到99.66%,93.63%,91.36%,99.05%和97.73%.這一結(jié)果有力地表明,這種具有紋理的TENG 在個(gè)人筆跡簽名識(shí)別、安全防御和私人信息保護(hù)應(yīng)用方面具有巨大的潛力.

圖11 TENG 在手寫識(shí)別中的應(yīng)用 (a) TENG 錄制手寫簽名的過程;(b)結(jié)合TENG和機(jī)器學(xué)習(xí)方法進(jìn)行手寫簽名識(shí)別;(c) 由三人書寫英文、中文和阿拉伯?dāng)?shù)字的分類精度[51]Fig.11.Application of TENG in handwriting recognition:(a) Process of TENG recording handwritten signatures;(b) combining TENG and machine learning methods for handwriting signature recognition;(c) classification accuracy of English,Chinese and Arabic numerals written by three persons[51].

信息數(shù)字化進(jìn)行存檔是一門需要重視的信息技術(shù),Tcho 等[52]基于TENG 研究了一種自供電字符識(shí)別裝置,是一種將紙質(zhì)數(shù)據(jù)轉(zhuǎn)換為數(shù)字化信息以便進(jìn)行永久歸檔的技術(shù).字符識(shí)別分為兩個(gè)步驟:首先將紙質(zhì)文本上的字符轉(zhuǎn)換為數(shù)字圖像(掃描),然后將掃描的圖像識(shí)別為字符(識(shí)別).在掃描階段通常使用光學(xué)掃描儀和照相機(jī).但是,由這種傳統(tǒng)的光學(xué)處理手段所產(chǎn)生的噪聲和失真會(huì)降低識(shí)別率.Tcho 等使用TENG 進(jìn)行掃描處理.以下稱之為帶字符識(shí)別功能的TENG (CR-TENG).CR-TENG 是一種帶有64 個(gè)鋁制單元格結(jié)構(gòu)的單電極TENG,利用鋁和油墨接觸摩擦所產(chǎn)生的電壓強(qiáng)度高于鋁和紙張接觸摩擦所產(chǎn)生的電壓這個(gè)特點(diǎn),將紙張上的油墨圖案掃描成64 像素的數(shù)字圖像,如圖12 所示.然后將掃描后的圖像輸入深度神經(jīng)網(wǎng)絡(luò),并通過預(yù)先訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)將圖像識(shí)別為數(shù)字.神經(jīng)網(wǎng)絡(luò),在機(jī)器學(xué)習(xí)和認(rèn)知科學(xué)領(lǐng)域,是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動(dòng)物的中樞神經(jīng)系統(tǒng),特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型,用于對(duì)函數(shù)進(jìn)行估計(jì)或近似[28].神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計(jì)算.大多數(shù)情況下神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu),是一種自適應(yīng)系統(tǒng),通俗地講就是具備學(xué)習(xí)功能.現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計(jì)性數(shù)據(jù)建模工具,神經(jīng)網(wǎng)絡(luò)通常是通過一個(gè)基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類型的學(xué)習(xí)方法得以優(yōu)化,所以也是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用,通過統(tǒng)計(jì)學(xué)的標(biāo)準(zhǔn)數(shù)學(xué)方法能夠得到大量的可以用函數(shù)來表達(dá)的局部結(jié)構(gòu)空間,另一方面在人工智能學(xué)的人工感知領(lǐng)域,通過數(shù)學(xué)統(tǒng)計(jì)學(xué)的應(yīng)用可以來做人工感知方面的決定問題(也就是說通過統(tǒng)計(jì)學(xué)的方法,神經(jīng)網(wǎng)絡(luò)能夠類似人一樣具有簡(jiǎn)單的決定能力和簡(jiǎn)單的判斷能力),這種方法比起正式的邏輯學(xué)推理演算更具有優(yōu)勢(shì).Tcho 等所使用的神經(jīng)網(wǎng)絡(luò)為3 層結(jié)構(gòu)(784 個(gè)神經(jīng)元),即第一隱藏層(400 個(gè)神經(jīng)元),第二隱藏層(200 個(gè)神經(jīng)元)和輸出層(10 個(gè)神經(jīng)元).輸出層的10 個(gè)神經(jīng)元表示0—9 十個(gè)數(shù)字.有3 個(gè)權(quán)重矩陣,其中第一個(gè)矩陣在輸入層和第一隱藏層之間,第二個(gè)矩陣位于第一隱藏層和第二隱藏層之間,第三個(gè)矩陣位于第二個(gè)隱藏層和輸出層之間.訓(xùn)練過程包括遞進(jìn)計(jì)算和反向傳播,并更新權(quán)重矩陣,在mnist 數(shù)據(jù)庫(kù)中的識(shí)別率達(dá)到97.5%.CR-TENG 的優(yōu)勢(shì)在于掃描方法不需要光,解決了傳統(tǒng)光學(xué)方法的缺點(diǎn),而且僅用鋁制材料,不需要額外的電能就可以運(yùn)行,通過優(yōu)化掃描過程和識(shí)別過程,這種新的基于CR-TENG 的字符識(shí)別系統(tǒng)實(shí)現(xiàn)了很高的識(shí)別率,在信息數(shù)字化存儲(chǔ)領(lǐng)域顯示出很大的潛力.

圖12 CR-TENG 的工作原理圖 (a) 基于CR-TENG 的掃描過程:i) CR-TENG和紙張之間的接觸和分離;ii)比較每個(gè)單元格的輸出電壓(vmax)和 vT;iii)將紙上圖案轉(zhuǎn)換后的數(shù)字圖像.在 vmax值大于 vT 的單元格中,確定接觸的紙張為已進(jìn)行墨水打印的紙,而在 vmax值小于 vT 的接觸紙張被確定為裸紙.(b)根據(jù)r 掃描圖像的清晰度[52]Fig.12.Working schematic of CR-TENG:(a) The scanning process based on the CR-TENG.i) Contact and separation between the CR-TENG and paper;ii) Comparison of the output voltage (vmax) and vT in each cell;iii) Converted digital image of the pattern on paper.In cells with a vmaxvalues larger than vT,the paper in contact was determined to be ink-printed paper,while in cells with a vmaxvalues smaller than vt,the paper in contact was determined to be bare paper.(b) Legibility of the scanned image according to r[52].

4.4 人機(jī)交互

人機(jī)交互是一門研究系統(tǒng)與用戶之間的交互關(guān)系的學(xué)問,系統(tǒng)可以是各種各樣的機(jī)器,也可以是計(jì)算機(jī)化的系統(tǒng)和軟件.人機(jī)交互界面(humanmachine interface,HMI)通常是指用戶可見的部分.用戶通過人機(jī)交互界面與系統(tǒng)交流,并進(jìn)行操作.人機(jī)交互具有悠久的發(fā)展歷史,是現(xiàn)代物聯(lián)網(wǎng)中不可或缺的一部分.然而,傳統(tǒng)的人機(jī)交互方式受到諸如電源要求和結(jié)構(gòu)復(fù)雜性的限制.作為一個(gè)解決方案,基于TENG 的人機(jī)交互方式被認(rèn)為是一個(gè)有效選擇.未來,人工智能(artificial intelligence,AI)技術(shù)與物聯(lián)網(wǎng)技術(shù)的結(jié)合將帶來一個(gè)基于智能物聯(lián)網(wǎng)(artificial intelligence internet of things,AIoT)的生活、工作和制造環(huán)境.為了實(shí)現(xiàn)對(duì)AIoT 系統(tǒng)的控制,需要部署大量傳感器實(shí)現(xiàn)實(shí)時(shí)感官信息收集,并且完善對(duì)數(shù)據(jù)的管理和分析.由此發(fā)展出了利用傳感器信息在虛擬世界中控制物理世界的高級(jí)人機(jī)交互技術(shù),即數(shù)字孿生技術(shù).但是,如何設(shè)計(jì)出一個(gè)高效智能的傳感器系統(tǒng)仍然是一個(gè)挑戰(zhàn).Jin 等[53]研究了一種基于TENG 傳感器的智能軟機(jī)器人抓手系統(tǒng) 用于捕捉軟抓手的連續(xù)運(yùn)動(dòng)和觸覺信息,圖13 為TENG 傳感器及其基本結(jié)構(gòu).觸覺傳感器采用特殊的分布電極,可以感知外界刺激的接觸位置和接觸面積.帶可伸縮條的齒輪式長(zhǎng)度傳感器可通過每顆牙齒的順序接觸連續(xù)檢測(cè)延伸率.利用SVM 對(duì)軟抓手操作過程中采集到的摩擦電感知信息進(jìn)行進(jìn)一步訓(xùn)練,識(shí)別出不同的目標(biāo),準(zhǔn)確率達(dá)到98.1%.此項(xiàng)工作針對(duì)虛擬裝配線和無人倉(cāng)庫(kù)的應(yīng)用,成功地創(chuàng)建了數(shù)字孿生應(yīng)用程序,并展示了根據(jù)軟機(jī)器人抓手系統(tǒng)的實(shí)時(shí)操作在虛擬環(huán)境中識(shí)別對(duì)象和復(fù)制機(jī)器人操作的過程.這種基于TENG傳感器的軟機(jī)器人手爪在抓取機(jī)器人、機(jī)械臂、仿人手等其他機(jī)器人中也有很好的應(yīng)用前景,并為實(shí)現(xiàn)更有效、無縫的人機(jī)交互奠定了基礎(chǔ).

圖13 用于軟夾具及其數(shù)字孿生應(yīng)用的低成本TENG 的結(jié)構(gòu)圖 (a) TENG 傳感器及其基本結(jié)構(gòu).(i)長(zhǎng)度TENG (l-TENG)傳感器;(ii) 觸覺TENG (t-TENG)傳感器.(b)集成TENG 傳感器的機(jī)械爪;(c)智能感官數(shù)據(jù)處理.E1— E4,EL表示t-TENG 傳感器的電極;(d) AIoT 傳感系統(tǒng)的數(shù)字孿生應(yīng)用[53]Fig.13.Construction drawing of the low-cost TENG for soft gripper and its digital twin applications:(a) As-fabricated TENG sensors and their basic structures.(i) Length TENG (L-TENG) sensor.(ii) Tactile TENG (T-TENG) sensor.(b) Soft gripper integrated with TENG sensors.(c) Intelligent sensory data processing strategies.E1 — E4,and EL represent the electrodes in the TTENG sensor.(d) Digital twin applications based on AIoT sensory system[53].

觸覺作為人類與外界環(huán)境交互的重要手段之一,在虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)系統(tǒng)中扮演著重要的角色.Shi 等[54]提出了一種基于TENG和球型電極陣列形成的電觸覺界面的自供電、無痛、高靈敏度的虛擬觸覺系統(tǒng),用于實(shí)現(xiàn)增強(qiáng)的虛擬觸覺體驗(yàn).通過控制電極與人體皮膚之間的分離距離,該虛擬觸覺系統(tǒng)可以精確調(diào)節(jié)皮膚上的感應(yīng)電流,實(shí)現(xiàn)高度敏感但無痛的虛擬觸覺體驗(yàn).在這個(gè)皮膚集成的電觸覺界面中,TENG表面的觸摸位置和運(yùn)動(dòng)軌跡可以精確地復(fù)制到皮膚上.這項(xiàng)工作是自供電虛擬觸覺刺激系統(tǒng)的首次演示,展示了解決傳統(tǒng)VR/AR技術(shù)的可持續(xù)性問題和電線限制的不同方法.這種基于TENG 的電觸覺系統(tǒng)可以應(yīng)用于許多領(lǐng)域,包括虛擬觸覺顯示、盲文指令、智能防護(hù)服,甚至神經(jīng)刺激.Hou 等[55]研究了一種新穎的、自供電的三角并行人機(jī)界面(DT-HMI),用于三維傳感和控制,圖14 為DT-HMI 的示意圖.此研究利用擁有三對(duì)基于接觸分離和摩擦電效應(yīng)滑動(dòng)模式的傳感齒輪的TENG 進(jìn)行驅(qū)動(dòng),根據(jù)并聯(lián)機(jī)器人的正逆運(yùn)動(dòng)學(xué),可以計(jì)算出平臺(tái)的空間位置和運(yùn)動(dòng)姿態(tài).六電極的三對(duì)TENG 感應(yīng)齒輪定義了512 個(gè)虛擬感應(yīng)像素,并利用成本低、設(shè)計(jì)簡(jiǎn)單的DT-HMI 控制器進(jìn)行遠(yuǎn)程控制甚至空間位置映射.輸出信號(hào)的組合能夠?qū)崿F(xiàn)一個(gè)高度可伸縮的、自供電的摩擦電子界面,用于多種應(yīng)用場(chǎng)景,包括二維和三維(2/3D)控制、VR/AR、交互、機(jī)器人等.

圖14 DT-HMI 的示意圖.主要功能單元有 (a) 基于齒輪旋轉(zhuǎn)及其輸出信號(hào)的DT-HMI 的TENG;(b)在正向旋轉(zhuǎn)和反向旋轉(zhuǎn)的過程中,布置在齒輪(TENG 感應(yīng)齒輪)兩側(cè)的TENG 輸出不同的信號(hào);(c)布置在移動(dòng)平臺(tái)中間圓柱上的模式開關(guān)傳感器和觸發(fā)識(shí)別傳感器[55]Fig.14.Schematics of the DT-HMI for diversified applications.The major functional units:(a) TENGs of the DT-HMI based on gear rotation and its output signals;(b) TENGs arranged on both sides of the gear (TENG sensing gears) output different signals during forward rotation and reverse rotation;(c) Two triboelectric sensors arranged on the middle cylindrical of the mobile platform are the mode switch sensor and trigger discriminating sensor[55].

4.5 健康和運(yùn)動(dòng)監(jiān)測(cè)

隨著物聯(lián)網(wǎng)和大數(shù)據(jù)在過去幾十年的快速發(fā)展,使家庭自動(dòng)化、醫(yī)療保健、安全、環(huán)境監(jiān)控和信息通信等領(lǐng)域發(fā)生了革命性的變化.體育競(jìng)技也受到了技術(shù)進(jìn)步的極大影響,快速進(jìn)入了數(shù)字化時(shí)代.大數(shù)據(jù)服務(wù),包括鍛煉表現(xiàn)、健康數(shù)據(jù)、訓(xùn)練統(tǒng)計(jì)和分析,可以有效地幫助運(yùn)動(dòng)員進(jìn)行日常訓(xùn)練和制定比賽策略,成為贏得比賽不可或缺的手段.基于TENG 的自供電傳感器作為可穿戴傳感器,可以有效地從身體運(yùn)動(dòng)中獲得運(yùn)動(dòng)信號(hào),可用于運(yùn)動(dòng)員的訓(xùn)練和比賽、身體康復(fù)和個(gè)人健身[56-58].基于TENG 的自供電傳感器已被用于比賽場(chǎng)地傳感器,以收集訓(xùn)練和比賽數(shù)據(jù)[59].智能運(yùn)動(dòng)由于個(gè)人健身會(huì)需要非常大量的傳感器節(jié)點(diǎn),典型的肢體運(yùn)動(dòng)傳感器總功耗為450 mW,連續(xù)工作時(shí)間為3.5 h[60],基于傳統(tǒng)傳感器的智能運(yùn)動(dòng)存在很大的功耗問題.然而TENG 傳感器不僅為功耗問題提供了很好的解決方案,而且可以為AI 算法提供多維數(shù)據(jù).最近,Luo 等[61]設(shè)計(jì)了一種柔性木質(zhì)摩擦納米發(fā)電機(jī)(W-TENG)作為自供電壓力傳感器,用于制作訓(xùn)練和運(yùn)動(dòng)數(shù)據(jù)分析系統(tǒng)的智能乒乓球桌.如圖15 所示,W-TENG 可以收集乒乓球的落點(diǎn)、速度等數(shù)據(jù)信息,對(duì)這些數(shù)據(jù)的大數(shù)據(jù)分析可以幫助指導(dǎo)運(yùn)動(dòng)員進(jìn)行訓(xùn)練,并制定更好的競(jìng)爭(zhēng)策略.這些數(shù)據(jù)可以收集并分析每個(gè)運(yùn)動(dòng)員的運(yùn)動(dòng)特征,根據(jù)這些特征數(shù)據(jù)設(shè)計(jì)智能機(jī)器人,以幫助運(yùn)動(dòng)員訓(xùn)練.總的來說,這種智能乒乓球監(jiān)測(cè)系統(tǒng)可以實(shí)現(xiàn)以下幾個(gè)優(yōu)點(diǎn):第一,W-TENG 陣列是木質(zhì)的,安裝在桌面上,不會(huì)影響乒乓球桌的功能;第二,準(zhǔn)確識(shí)別乒乓球的落點(diǎn),通過統(tǒng)計(jì)落點(diǎn)分布數(shù)據(jù),對(duì)傳感器數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析;第三,分析結(jié)果可以指導(dǎo)運(yùn)動(dòng)員的訓(xùn)練,有助于識(shí)別運(yùn)動(dòng)員的運(yùn)動(dòng)風(fēng)格;最后,它可以通過比賽中有爭(zhēng)議的邊緣球的數(shù)據(jù)為裁判提供判斷依據(jù).這種自供電傳感器也可以應(yīng)用于其他球類運(yùn)動(dòng)場(chǎng)景.如 W-TENG可以用于排球或籃球,幫助確定球是否出界.與傳統(tǒng)的基于攝像機(jī)的運(yùn)動(dòng)分析系統(tǒng)相比,基于WTENG 的運(yùn)動(dòng)監(jiān)控系統(tǒng)可以提高傳感精度,消除人為因素的干擾,在體育比賽中的低成本和高準(zhǔn)確性的自供電實(shí)時(shí)裁判方面具有潛在應(yīng)用[62].

圖15 W-TENG 在智能運(yùn)動(dòng)中的應(yīng)用 (a) 基于W-TENG 的智能乒乓球臺(tái)的結(jié)構(gòu);(b) 基于W-TENG 的自供電跌落點(diǎn)分布統(tǒng)計(jì)系統(tǒng)的操作流程;(c)自供電跌落點(diǎn)分布統(tǒng)計(jì)系統(tǒng);(d)不同球速下的傳感器輸出電壓;(e) W-TENG 傳感器陣列分析乒乓球運(yùn)動(dòng)軌跡和落點(diǎn)的原理[61]Fig.15.Application of the W-TENG in intelligent sports:(a) Structure of intelligent ping-pong table based on W-TENG;(b) operation procedure of statistical system of self-powered drop point distribution based on W-TENG;(c) self-powered drop point distribution statistical system;(d) sensor output voltage at different ball velocity;(e) principle of W-TENG sensor array to analyze the trajectories and drop points of table tennis[61].

隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展,虛擬空間對(duì)真實(shí)運(yùn)動(dòng)比賽的還原模擬技術(shù)逐漸顯示出了巨大的應(yīng)用潛力.Wen 等[57]提出了一種自供電導(dǎo)電超疏水摩擦電織物的機(jī)器學(xué)習(xí)手套,使用超疏水摩擦電織物制作的手套可以避免濕度和汗水對(duì)摩擦電輸出的影響,通過傳感器收集運(yùn)動(dòng)員的運(yùn)動(dòng)數(shù)據(jù),如運(yùn)動(dòng)員的投球姿勢(shì),來模擬真實(shí)的比賽.如圖16 所示,該工作首先通過安裝有TENG 傳感器的手套收集手勢(shì)數(shù)據(jù)并輸出信號(hào),然后采用CNN 分析這些信號(hào),最后得到投球的手勢(shì).目前用于包括掌球、曲球和指關(guān)節(jié)球等運(yùn)動(dòng)的手勢(shì)識(shí)別.經(jīng)過訓(xùn)練的CNN 可以獲得高達(dá)99.167%的識(shí)別準(zhǔn)確率.這項(xiàng)工作結(jié)合了多種摩擦電紡織品傳感器和適當(dāng)?shù)臋C(jī)器學(xué)習(xí)技術(shù),用極簡(jiǎn)設(shè)計(jì)的手套在真實(shí)和虛擬空間中實(shí)現(xiàn)復(fù)雜的手勢(shì)識(shí)別,具有很大的應(yīng)用潛力.Syu 等[63]研究的基于仿生多孔納米纖維的混合傳感器,用于通過深度學(xué)習(xí)方法進(jìn)行壓力感知和人體姿態(tài)識(shí)別.通過將銅仿生聚二甲基硅氧烷TENG傳感器混合,產(chǎn)生了一種仿生柔性混合自驅(qū)動(dòng)傳感器(BHSS),具有壓電和摩擦電結(jié)合的獨(dú)特優(yōu)點(diǎn),能夠有效地收集人體運(yùn)動(dòng)中的微小生物力學(xué)能量.通過將BHSS粘附在手套上作為智能手套,與機(jī)器學(xué)習(xí)技術(shù)結(jié)合應(yīng)用于手勢(shì)識(shí)別領(lǐng)域,有效地識(shí)別了5 種人體手勢(shì)動(dòng)作.數(shù)據(jù)來源于佩戴在身體上的BHSS 傳感器獲得的電流信號(hào),考慮到采集到的電流信號(hào)屬于時(shí)間序列,所以該項(xiàng)目使用LSTM進(jìn)行分類識(shí)別.LSTM 是一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的深度學(xué)習(xí)方法[30].與標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)不同,LSTM 具有反饋連接.它不僅可以處理單個(gè)數(shù)據(jù)點(diǎn)(如圖像),而且可以處理整個(gè)數(shù)據(jù)序列(如語音或視頻).例如,LSTM 適用于諸如連續(xù)不斷的手寫識(shí)別、語音識(shí)別和網(wǎng)絡(luò)流量或入侵檢測(cè)系統(tǒng)中的異常檢測(cè)之類的任務(wù).并且訓(xùn)練LSTM 網(wǎng)絡(luò)來識(shí)別佩戴者的活動(dòng),具有非常不錯(cuò)的識(shí)別性能.可穿戴的BHSS 傳感器,擁有很好的穩(wěn)定性和持久性,可以應(yīng)用于健康運(yùn)動(dòng)恢復(fù),在人體姿態(tài)識(shí)別、醫(yī)療仿生穿戴、虛擬/增強(qiáng)現(xiàn)實(shí)方面擁有不錯(cuò)的研究?jī)r(jià)值.

圖16 用機(jī)器學(xué)習(xí)演示棒球比賽場(chǎng)景 (a)手勢(shì)識(shí)別和控制流程圖;(b) CNN 模型的結(jié)構(gòu);(c) 手勢(shì)的信號(hào)模式;(d)投球3 種常見手勢(shì)的混淆矩陣;(e) 3 個(gè)手勢(shì)的照片(左),以及在Unity 中使用手勢(shì)實(shí)現(xiàn)VR 控制的對(duì)應(yīng)截圖(右)[57]Fig.16.Demonstration of baseball game scenario with machine learning:(a) Flow chart for gesture recognition and control;(b)structure of CNN model;(c) signal patterns of 3 gestures;(d) confusion matrix for 3 common gestures of pitching ball;(e) photographs of 3 gestures (left),and corresponding screenshot of using gestures to achieve VR control in Unity (right)[57].

足部活動(dòng)是人體運(yùn)動(dòng)動(dòng)能的主要來源之一.Zhang 等[56]研究了基于TENG 的智能襪.該智能襪可以進(jìn)行步態(tài)分析并應(yīng)用于虛擬現(xiàn)實(shí)場(chǎng)景,如圖17所示.智能襪傳感器包含4 個(gè)功能層,包括腈薄膜、具有圖案化平截頭體結(jié)構(gòu)的硅橡膠膜,以及附著在兩個(gè)前述接觸帶電層背面用于電荷收集的兩個(gè)導(dǎo)電織物.此外,兩個(gè)非導(dǎo)電織物層用于在外表面上密封該裝置.壓力刺激會(huì)基于TENG 傳感器的工作機(jī)制,通過接觸分離模式感應(yīng)電荷,并進(jìn)一步在外部電路中流動(dòng),將機(jī)械能轉(zhuǎn)化為電能.該工作的特點(diǎn)是從低頻身體運(yùn)動(dòng)中收集廢棄能量,通過無線傳感器傳輸并分析體態(tài)數(shù)據(jù).裝有自供電功能的襪子還可以用作可穿戴傳感器,以傳遞關(guān)于用戶身份、健康狀況和活動(dòng)的信息.并且該工作提出了一種基于socks 信號(hào)端到端結(jié)構(gòu)的優(yōu)化深度學(xué)習(xí)模型用于步態(tài)分析,模型體系結(jié)構(gòu)包括4 個(gè)卷積層、4 個(gè)最大池層和一個(gè)輸出5 個(gè)參與者的預(yù)測(cè)標(biāo)識(shí)的全連接層.該模型經(jīng)過訓(xùn)練,對(duì)13 個(gè)參與者的識(shí)別準(zhǔn)確率為 93.54%,對(duì)5 種不同的人類活動(dòng)的檢測(cè)準(zhǔn)確率為96.67%.在實(shí)際應(yīng)用中,通過襪子收集的物理信號(hào)映射到虛擬空間,以建立一個(gè)用于運(yùn)動(dòng)監(jiān)控、醫(yī)療保健、身份識(shí)別和未來智能家居應(yīng)用的數(shù)字人體系統(tǒng).

圖17 可以識(shí)別人類活動(dòng)的智能襪 (a)在VR 游戲中從感官信息采集到實(shí)時(shí)預(yù)測(cè)的過程;(b)智能襪對(duì)不同動(dòng)作(跳躍、奔跑、滑行、跳躍和行走)輸出的3D 曲線圖;(c)混淆矩陣;(d) 在數(shù)字人體系統(tǒng)中的虛擬角色運(yùn)動(dòng)和真實(shí)人類運(yùn)動(dòng)的對(duì)應(yīng)關(guān)系[56]Fig.17.Human activities recognition of deep learning-enabled socks:(a) Process flow from sensory information collection to the real-time prediction in VR fitness game;(b) 3D plots of the deep learning sock outputs responding to different motions (leap,run,slide,jump,and walk);(c) confusion map for deep learning outcome;(d) motion of the virtual character corresponding to real motion in a proposed digital human system[56].

對(duì)于智能建筑和智能家居,越來越多的設(shè)備,如電子門禁、自動(dòng)化輔助設(shè)施、智能交互設(shè)備、身份認(rèn)證系統(tǒng)、健康監(jiān)測(cè)系統(tǒng)等需要通過采集用戶的步態(tài)信息和行動(dòng)軌跡來幫助提升用戶體驗(yàn).為了達(dá)到這個(gè)目的,目前常用的方法是在用戶居住環(huán)境加裝攝像頭,或者用戶身體上佩戴智能設(shè)備,并最終將數(shù)據(jù)上傳行為監(jiān)測(cè)系統(tǒng)進(jìn)行分析.這樣做不可避免地會(huì)暴露用戶的隱私,安全隱患極大.地板作為最常用的交互界面之一,可以通過嵌入式傳感器來提取豐富的感官信息,而無需考慮其他設(shè)備的輔助.Shi 等[64]開發(fā)了基于摩擦電機(jī)制的深度學(xué)習(xí)型智能地墊(DLES 地墊),以實(shí)現(xiàn)智能、低成本和高度可擴(kuò)展的地板監(jiān)控系統(tǒng).DLES 地墊是通過絲網(wǎng)印刷制造的,為每個(gè)標(biāo)簽設(shè)計(jì)了不同覆蓋率的獨(dú)特電極圖案,模仿快速反應(yīng)碼系統(tǒng)的獨(dú)特識(shí)別.因此,在以間隔方案并聯(lián)連接之后,對(duì)于整個(gè)DLES 陣列,可以實(shí)現(xiàn)具有可區(qū)分和穩(wěn)定特性的最小雙電極輸出,支持室內(nèi)定位和活動(dòng)監(jiān)控.此外,通過集成的基于深度學(xué)習(xí)的數(shù)據(jù)分析,可以使用CNN 模型從輸出信號(hào)中提取與行走步態(tài)模式相關(guān)聯(lián)的身份信息,當(dāng)一個(gè)人穿過DLES 陣列時(shí),由腳步驅(qū)動(dòng)的TENG 通過周期性的接觸-分離運(yùn)動(dòng)產(chǎn)生電信號(hào).這些信號(hào)經(jīng)過采集通過2 個(gè)通道輸出,每個(gè)通道產(chǎn)生1600 個(gè)數(shù)據(jù)點(diǎn).每個(gè)用戶采集了100組樣本,80%的樣本數(shù)據(jù)用于訓(xùn)練,另外20%的樣本數(shù)據(jù)用于測(cè)試.經(jīng)過50 個(gè)訓(xùn)練時(shí)期的CNN 模型訓(xùn)練過程,可以達(dá)到最大的精度,并且CNN 模型能夠進(jìn)行足夠的泛化,避免過擬合,平均識(shí)別準(zhǔn)確率為96.00%,為基于深度學(xué)習(xí)預(yù)測(cè)的高精度控制提供了很大的潛力.通過對(duì)同一用戶在不同通過狀態(tài)(正常走、快走、跑步)下的識(shí)別測(cè)試,展示智能地板監(jiān)控系統(tǒng)在不同情況下的適用性.Shi 等[65]在2021 年又開發(fā)了一種新的高可靠性的智能地面監(jiān)測(cè)系統(tǒng),首先在地面鋪設(shè)一個(gè) 4×4 的TENG 傳感器陣列來收集用戶的實(shí)時(shí)位置和足部姿態(tài),該TENG 擁有4 個(gè)獨(dú)立電極,包括一個(gè)參比電極、兩個(gè)編碼電極,其中一個(gè)片狀電極來捕捉步態(tài)信息,其余3 個(gè)進(jìn)行位置監(jiān)控.然后將編碼后的時(shí)域信號(hào)輸出得到用戶的站立位置、行走軌跡、步態(tài)等信息.因?yàn)檎Ｈ艘粋€(gè)步行周期可劃分為6 個(gè)步態(tài)時(shí)相,這6 個(gè)步態(tài)時(shí)相每個(gè)個(gè)體之間存在差異,所以Shi等利用深度學(xué)習(xí)中的一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)步態(tài)時(shí)相進(jìn)行分類進(jìn)而確定用戶的身份信息.與傳統(tǒng)的傳感器(如光學(xué)傳感器、電阻式傳感器和電容式傳感器)相比,TENG 傳感器具有低成本、低功耗、高可靠性、良好的可擴(kuò)展性和低系統(tǒng)復(fù)雜度等一系列優(yōu)勢(shì),并且使用深度學(xué)習(xí)技術(shù)可以對(duì)步態(tài)信息中的細(xì)微特征進(jìn)行分類和識(shí)別,這是傳統(tǒng)信號(hào)分析方法(如幅度、持續(xù)時(shí)間、延遲、頻率、相位等)所無法實(shí)現(xiàn)的.Shi 等所開發(fā)的智能地板監(jiān)控系統(tǒng)具有出色的位置傳感、活動(dòng)監(jiān)控和身份識(shí)別能力,在自動(dòng)化、醫(yī)療保健、安全和面向智能建筑/家庭的物聯(lián)網(wǎng)應(yīng)用中顯示出巨大的應(yīng)用潛力.

5 機(jī)遇與挑戰(zhàn)

綜上所述,TENG 結(jié)合機(jī)器學(xué)習(xí)已經(jīng)在諸多領(lǐng)域嶄露頭角,這對(duì)人們的日常生活產(chǎn)生了深遠(yuǎn)的積極影響.但是考慮到這是一個(gè)新興領(lǐng)域,在未來的發(fā)展過程中仍然存在著一些亟需解決的問題,如圖18 所示.

圖18 結(jié)合機(jī)器學(xué)習(xí)技術(shù)的TENG 傳感器在未來面臨的挑戰(zhàn) (a) 機(jī)器學(xué)習(xí)輔助制作TENG 傳感器材料;(b)優(yōu)化TENG 傳感器信號(hào)處理結(jié)果;(c) 優(yōu)化TENG 傳感器設(shè)備的封裝;(d)使機(jī)器學(xué)習(xí)技術(shù)和TENG 傳感器深度融合Fig.18.Future challenges by TENG sensors combined with machine learning technology:(a) Production of TENG sensor materials assist by machine learning;(b) optimize results of TENG sensor signal processing;(c) Optimize the encapsulation of TENG sensor equipment;(d) combine deeply machine learning technology and TENG sensors.

5.1 機(jī)器學(xué)習(xí)輔助制作TENG 傳感器材料

隨著現(xiàn)代社會(huì)生活品質(zhì)的提高,人們對(duì)TENG的功能特性有了更高的要求,如器件的靈敏性、透氣性、防水性和輸出穩(wěn)定性.可穿戴TENG通常需要與人體保持長(zhǎng)時(shí)間的親密接觸,所以器件的封裝與生物相容性必須引起人們的關(guān)注.鑒于復(fù)雜且不規(guī)則的人體活動(dòng),器件必須具有足夠的柔韌性以便能適應(yīng)皮膚的形變.如果使用有機(jī)材料,材料在使用的過程中會(huì)產(chǎn)生變化,不利于長(zhǎng)時(shí)間輸出穩(wěn)定的信號(hào).在未來還會(huì)逐漸對(duì)材料的抗腐蝕性、便捷性、耐久性等有更多要求.并且新材料的引入也會(huì)提高TENG 的性能,如使用離子輻射技術(shù)加工的Kapton 薄膜可以極大提升TENG 的表面電荷密度[66].傳統(tǒng)的材料制備方法因?yàn)槿鄙僮詣?dòng)化篩選機(jī)制和材料數(shù)據(jù)庫(kù)的支撐,往往需要手工對(duì)所有可能的材料進(jìn)行大量且繁復(fù)的實(shí)驗(yàn),如Zou 等[67]通過采用既定的測(cè)量方法對(duì)30 種無機(jī)非金屬材料的摩擦電荷密度等物理特性進(jìn)行量化測(cè)量.隨著材料科學(xué)的進(jìn)步,機(jī)器學(xué)習(xí)以其強(qiáng)大的預(yù)測(cè)性能和相對(duì)較低的計(jì)算成本,在性能預(yù)測(cè)、新材料發(fā)現(xiàn)和量子化學(xué)探索等領(lǐng)域已有成功的應(yīng)用案例.例如,Oliynyk 等[68]使用機(jī)器學(xué)習(xí)方法來研究潛在的Heusler 化合物和性質(zhì).Ward 等[69]提出了一個(gè)預(yù)測(cè)無機(jī)材料性質(zhì)的通用機(jī)器學(xué)習(xí)框架.該模型可用于預(yù)測(cè)晶體和非晶體材料的各種特性,如帶隙能和玻璃形成能力.這些案例表明利用機(jī)器學(xué)習(xí)解決TENG 對(duì)材料選擇的問題可能是一種很好的方法,這將會(huì)優(yōu)化TENG 的輸出特性并拓寬其應(yīng)用范圍.

5.2 優(yōu)化TENG 傳感器信號(hào)處理結(jié)果

TENG 智能傳感器所采集的信息是通過識(shí)別其本身輸出的電信號(hào)來實(shí)現(xiàn)的,而輸出功率過低一直是此類設(shè)備的瓶頸.雖然目前已有諸多改善方法,如增加能量循環(huán)次數(shù)、合理設(shè)計(jì)柵極的數(shù)量和間距、降低介電層的厚度等.但相較于傳統(tǒng)傳感器,目前TENG 的有效輸出功率仍有不足,得到的信號(hào)特征隨時(shí)間變化差異較大.且輸出的電信號(hào)數(shù)據(jù)為一維時(shí)間序列數(shù)據(jù),其攜帶的信息與二維數(shù)據(jù)、三維數(shù)據(jù)相比而言較少,這增加了智能識(shí)別的難度.因此,解決這個(gè)問題需要從兩個(gè)方面入手,一方面進(jìn)一步優(yōu)化TENG 輸出性能和功率管理,以便提高能量轉(zhuǎn)換率和提高信號(hào)輸出質(zhì)量;另一方面針對(duì)TENG 數(shù)據(jù)來設(shè)計(jì)行之有效的機(jī)器學(xué)習(xí)算法,使得TENG 智能傳感器擁有更高的識(shí)別率和性能,如Vergara 等[70]在三年內(nèi)收集了6 種揮發(fā)性不同的化合物的數(shù)據(jù)集,并使用機(jī)器學(xué)習(xí)分類器進(jìn)行自動(dòng)分析,最后使其在處理氣體傳感器漂移方面效果顯著.

5.3 優(yōu)化TENG 傳感器設(shè)備的封裝

TENG 作為自供電智能傳感器器件,其使用環(huán)境十分復(fù)雜.工作環(huán)境中的空氣濕度、溫度、塵埃、噪聲和設(shè)備本身的磨損等因素會(huì)極大地降低TENG 的使用壽命和穩(wěn)定性,還要考慮信息采集對(duì)象的行為特征對(duì)數(shù)據(jù)的干擾,尤其是醫(yī)學(xué)領(lǐng)域中對(duì)人體生理信息的采集,如人體汗液對(duì)可穿戴傳感器輸出信號(hào)的影響.因此,在復(fù)雜的實(shí)際使用環(huán)境中保證所采集數(shù)據(jù)的有效性仍然是一個(gè)巨大的挑戰(zhàn),目前仍缺少一種可靠的封裝方法使TENG能長(zhǎng)時(shí)間地穩(wěn)定工作.納米材料和納米技術(shù)可以為解決基于TENG 的傳感器封裝問題提供一些方案,例如納米材料修飾過且具有三維結(jié)構(gòu)的電極可以顯著提高固定后酶的穩(wěn)定性.這可以提高酶燃料電池在體內(nèi)的輸出穩(wěn)定性.封裝也可以直接影響到器件在體內(nèi)的長(zhǎng)期穩(wěn)定性.如Gu 等[71]提出了一種封裝的TENG,能夠在灰塵、濕度和多雨的環(huán)境中收集噪聲能量,與未密封的裝置相比,該裝置在耐用性和可靠性方面有明顯的提高.Lee 等[72]制造了一種基于半球陣列結(jié)構(gòu)的完全封裝的TENG,具有優(yōu)異的機(jī)械耐久性、優(yōu)異的堅(jiān)固性和高彈性.除此之外,PDMS 等聚合物材料具有生物相容性,則可以用做可植入能量捕獲裝置的封裝材料.因此,隨著材料科學(xué)和微納加工工藝的飛速發(fā)展,基于TENG 的自供電器件的封裝問題日后一定會(huì)得到妥善解決.

5.4 使機(jī)器學(xué)習(xí)技術(shù)和TENG 傳感器深度融合

目前TENG 與機(jī)器學(xué)習(xí)技術(shù)的結(jié)合還僅限于使用機(jī)器學(xué)習(xí)工具對(duì)TENG 傳感器產(chǎn)生的信號(hào)進(jìn)行被動(dòng)處理,這限制了TENG 與機(jī)器學(xué)習(xí)結(jié)合之后在實(shí)際場(chǎng)景中的應(yīng)用.所以在未來除了能使用機(jī)器學(xué)習(xí)技術(shù)來處理TENG 傳感器生成的信號(hào)之外,還要進(jìn)一步開發(fā)具備模型訓(xùn)練功能的AI 芯片,并且將這種AI 芯片和TENG 傳感器集成在一起.這樣不僅能使TENG 傳感器更為智能,部署維護(hù)更為靈活方便,還能大大減少訓(xùn)練模型所產(chǎn)生的能耗.這方面的研究已經(jīng)初具苗頭,如2021 年IBM公司使用極紫外工藝制造了一種低功耗的AI 原型芯片,該芯片主要用于訓(xùn)練深度學(xué)習(xí)模型[73].采用機(jī)器學(xué)習(xí)技術(shù)對(duì)TENG 傳感器信號(hào)進(jìn)行處理,其效果不僅僅取決于機(jī)器學(xué)習(xí)模型和算法的選取,也依賴于TENG 傳感器輸出的信號(hào)質(zhì)量,在未來,隨著AI 芯片的不斷普及,通過部署基于AI 芯片的分布式計(jì)算環(huán)境,機(jī)器學(xué)習(xí)技術(shù)也會(huì)和TENG 傳感器的制作過程深度融合,包括和材料制備,結(jié)構(gòu)設(shè)計(jì),外電路設(shè)計(jì)等環(huán)節(jié)深度耦合,用每次學(xué)習(xí)的結(jié)果反向指導(dǎo)TENG 傳感器的選材和設(shè)計(jì),然后繼續(xù)下一階段的學(xué)習(xí),在這個(gè)不斷迭代的過程中持續(xù)對(duì)TENG 傳感器進(jìn)行改良和升級(jí),以期在實(shí)用中獲得更好的效果.這種方式在一些專用傳感器的制作中已經(jīng)進(jìn)行了初步的嘗試,如在生物醫(yī)學(xué)領(lǐng)域,有一種快速萊姆病檢測(cè)的計(jì)算護(hù)理點(diǎn)傳感器,使用大數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)框架來自動(dòng)改進(jìn)傳感器子組件[74],這種在制作過程中將TENG和機(jī)器學(xué)習(xí)技術(shù)深度結(jié)合必將變?yōu)槲磥碇匾难芯糠较?

6 結(jié)論

TENG 作為一種新型的發(fā)電裝置有著重量輕、制造方式相對(duì)簡(jiǎn)單、使用廣泛和環(huán)保等優(yōu)點(diǎn).本文首先介紹了王中林院士團(tuán)隊(duì)對(duì)摩擦起電的最前沿理論研究以及TENG 的工作原理和4 種工作模式,同時(shí)概括了TENG 作為自驅(qū)動(dòng)傳感器在每種工作模式下現(xiàn)有的設(shè)計(jì)方案及其應(yīng)用,隨后總結(jié)了現(xiàn)有的基于TENG 的自驅(qū)動(dòng)傳感器在信號(hào)采集端的問題和不足,以及使用機(jī)器學(xué)習(xí)技術(shù)對(duì)輸出信號(hào)的分析和處理的重要性.通過對(duì)已有案例的梳理,得出了機(jī)器學(xué)習(xí)在處理由基于TENG 自驅(qū)動(dòng)傳感器產(chǎn)生的信號(hào)時(shí)的工作流程,即數(shù)據(jù)預(yù)處理、特征提取、建模、驗(yàn)證和輸出結(jié)果.最后分類介紹了幾個(gè)機(jī)器學(xué)習(xí)在TENG 中使用的案例,如方向盤驅(qū)動(dòng)行為檢測(cè)、液體泄漏檢測(cè)、沉積物檢測(cè)、擊鍵識(shí)別、手寫識(shí)別和文本識(shí)別等,充分展現(xiàn)了機(jī)器學(xué)習(xí)技術(shù)不但對(duì)自驅(qū)動(dòng)傳感器的信號(hào)處理階段有著無以倫比的優(yōu)勢(shì),甚至可以反向指導(dǎo)傳感器的設(shè)計(jì),使其功能可以進(jìn)一步地拓展.

盡管基于TENG 的自供電智能傳感器發(fā)展迅速,但是TENG 作為新興能源收集技術(shù)在產(chǎn)業(yè)化應(yīng)用的道路上仍然面臨著許多問題.隨著微芯片的功耗不斷降低和TENG 性能的不斷提高,文中也針對(duì)每個(gè)應(yīng)用在未來可能的技術(shù)前景進(jìn)行了展望.結(jié)合機(jī)器學(xué)習(xí)這一強(qiáng)大工具,基于TENG 的智能傳感設(shè)備未來在物聯(lián)網(wǎng)和分布式應(yīng)用中將表現(xiàn)出巨大的潛力和蓬勃的活力.