声表面波（surface acoustic wave, SAW）传感器在温度、应力应变、扭矩等物理参量传感，化学气体检测和生物传感领域应用广泛。相较于传统的硬质SAW，柔性SAW能贴附在弯曲曲面上进行监测，在智能蒙皮、曲面管道、柔性可穿戴等领域具有应用前景。但柔性SAW传感器进行弯曲曲面监测时候，难以与平面监测效果一致，因为当柔性SAW器件弯曲时，其谐振频率会因为弯曲（机械应变）发生偏移，强烈干扰对目标物质（如温度、气体分子等）频率偏移的探测。如何最小化/缓解或消除弯曲应变带来的干扰，实现曲面监测和平面监测效果的一致性是一个较大的难题。

据麦姆斯咨询报道，为解决上述挑战，湖南大学周剑教授团队提出采用机器学习算法赋能AlScN/超薄玻璃层状结构柔性SAW器件，最小化/缓解离轴弯曲应变对柔性SAW传感器温度探测的影响，实现平面监测与曲面监测的一致性（图1）。相关成果以“Minimizing Off-Axis Bending Effects on Flexible Surface Acoustic Wave Sensing Powered by Integrated Machine Learning Algorithms”为题，发表在IEEE Transactions on Industrial Electronics期刊上。

图1 (a)曲面上柔性SAW传感器布置示意图；(b)机器学习模型框架示意图；(c)柔性SAW传感器在涡轮发动机模型曲面上的应用示意图，实现离轴弯曲情况下目标监测一致性

该团队在超薄柔性玻璃上溅射沉积约2μm厚的高质量AlScN压电薄膜，制备了AlScN/超薄玻璃的柔性SAW器件（图2a~e）。基于该柔性器件，系统研究了其在不同离轴应变扰动（不同应变大小和方向）以及环境温度变化下的器件响应特性。图2f展示了柔性SAW器件在不同离轴角（声波传播方向和弯曲应变方向夹角：0°、30°、60°、90°）和不同弯曲应变（0~1000με）工况下频率—温度响应图。测试结果表明：环境温度变化和不同离轴方向的弯曲应变大小都会引起柔性SAW器件频率偏移，离轴弯曲应变和温度会产生严重的交叉干扰。

图2 (a)离轴应变扰动下的柔性SAW温度传感测试系统示意图；(b)超薄玻璃衬底上的AlScN薄膜XRD图和AFM表面形貌图；(c) AlScN薄膜的横截面SEM图；(d)柔性SAW器件以及SAW叉指结构的光学显微镜图；(e) AlScN/超薄玻璃基柔性SAW器件的回波损耗和导纳曲线；(f)柔性SAW器件在离轴弯曲应变（不同应变方向和大小）工况下的温度-频率响应特性图

为了实现抗弯曲应变干扰的温度探测，将不同离轴弯曲扰动下的柔性SAW器件的响应信号（即S参数）作为原始样本数据，进行非线性映射和降维提取出中心频率（Fc），插入损耗（IL）、带宽（BW）、最小截止频率（Fmin）最小幅度（Amin）相位（phase）和质量因子（Q）等关键特征，并给出相应的实时温度标签，组合成一个数据集。70%的数据集被用于训练基于不同机器学习回归算法的模型，以建立特征（响应信号关键特征）和标签（目标参数温度值）之间的鲁棒相关性，剩下的30%的数据集用于测试训练完成的模型。分析了8种不同机器学习算法（线性回归、多项式回归、Robust回归、弹性网络回归、决策树、随机森林、XGboost和多层感知机）对温度的预测效果，结果发现，基于XGBoost算法的预测结果最佳，其标准化均方根误差小于1%，决定系数大于0.997。

为了展示集成机器学习算法的柔性SAW温度传感器在工业上的潜在应用，将柔性SAW传感器粘贴在涡轮发动机模型的机壳上（图3a），以三种不同离轴角布置在待测曲面进行温度探测，且在平面上布置了相同的柔性SAW温度传感器作为参考/比较。图3b显示了四种不同状态下（即平面、离轴角度分别为0°、30°和90°的弯曲状态）的柔性SAW温度传感信号输出结果。可以看出，在各种离轴弯曲应变工况下，柔性SAW温度传感器测量结果与平面位置SAW温度传感器测温结果有显著差异。对于相同的柔性SAW温度传感器，不同的弯曲状态会导致不同的温度预测性能。图3c和3d对比了在四种不同弯曲状态下是否应用机器学习算法的柔性SAW温度传感器的温度输出结果。结果表明，在不应用机器学习算法的情况下，输出温度与真实温度偏差较大；相比之下，基于XGBoost机器学习算法所建立的模型的输出结果，在4种状态下的温度预测具有良好的一致性，平面监测与不同离轴弯曲应变下的温度监测结果最大相对误差小于8%。实验结果表明，集成机器学习算法赋能柔性SAW传感器，可以实现平面温度监测与离轴弯曲曲面温度监测的一致性。相关研究成果在曲面传感领域具有较大应用潜力。

图3 (a)柔性SAW器件粘接在平面钢板上和发动机模型的曲面上：采用三种不同对准角度粘接在曲面上；(b)柔性SAW器件在平面和三种不同弯曲状态下的温度测试信号输出结果图；(c)和(d)在四种不同状态下应用机器学习模型和不采用机器学习模型的柔性SAW器件的温度输出值与校准值的比较结果图

该论文的通讯作者为湖南大学周剑教授，第一作者为湖南大学博士生季张斌，英国诺桑比亚大学Yongqing (Richard) Fu教授和剑桥大学的梁东方教授给予了指导。该研究工作得到了国家自然科学基金和湖湘青年英才项目资助。

论文信息：
DOI: 10.1109/TIE.2024.3436600

声表面波（surface acoustic wave, SAW）传感器在温度、应力应变、扭矩等物理参量传感，化学气体检测和生物传感领域应用广泛。相较于传统的硬质SAW，柔性SAW能贴附在弯曲曲面上进行监测，在智能蒙皮、曲面管道、柔性可穿戴等领域具有应用前景。但柔性SAW传感器进行弯曲曲面监测时候，难以与平面监测效果一致，因为当柔性SAW器件弯曲时，其谐振频率会因为弯曲（机械应变）发生偏移，强烈干扰对目标物质（如温度、气体分子等）频率偏移的探测。如何最小化/缓解或消除弯曲应变带来的干扰，实现曲面监测和平面监测效果的一致性是一个较大的难题。

据麦姆斯咨询报道，为解决上述挑战，湖南大学周剑教授团队提出采用机器学习算法赋能AlScN/超薄玻璃层状结构柔性SAW器件，最小化/缓解离轴弯曲应变对柔性SAW传感器温度探测的影响，实现平面监测与曲面监测的一致性（图1）。相关成果以“Minimizing Off-Axis Bending Effects on Flexible Surface Acoustic Wave Sensing Powered by Integrated Machine Learning Algorithms”为题，发表在IEEE Transactions on Industrial Electronics期刊上。

图1 (a)曲面上柔性SAW传感器布置示意图；(b)机器学习模型框架示意图；(c)柔性SAW传感器在涡轮发动机模型曲面上的应用示意图，实现离轴弯曲情况下目标监测一致性

该团队在超薄柔性玻璃上溅射沉积约2μm厚的高质量AlScN压电薄膜，制备了AlScN/超薄玻璃的柔性SAW器件（图2a~e）。基于该柔性器件，系统研究了其在不同离轴应变扰动（不同应变大小和方向）以及环境温度变化下的器件响应特性。图2f展示了柔性SAW器件在不同离轴角（声波传播方向和弯曲应变方向夹角：0°、30°、60°、90°）和不同弯曲应变（0~1000με）工况下频率—温度响应图。测试结果表明：环境温度变化和不同离轴方向的弯曲应变大小都会引起柔性SAW器件频率偏移，离轴弯曲应变和温度会产生严重的交叉干扰。

图2 (a)离轴应变扰动下的柔性SAW温度传感测试系统示意图；(b)超薄玻璃衬底上的AlScN薄膜XRD图和AFM表面形貌图；(c) AlScN薄膜的横截面SEM图；(d)柔性SAW器件以及SAW叉指结构的光学显微镜图；(e) AlScN/超薄玻璃基柔性SAW器件的回波损耗和导纳曲线；(f)柔性SAW器件在离轴弯曲应变（不同应变方向和大小）工况下的温度-频率响应特性图

为了实现抗弯曲应变干扰的温度探测，将不同离轴弯曲扰动下的柔性SAW器件的响应信号（即S参数）作为原始样本数据，进行非线性映射和降维提取出中心频率（Fc），插入损耗（IL）、带宽（BW）、最小截止频率（Fmin）最小幅度（Amin）相位（phase）和质量因子（Q）等关键特征，并给出相应的实时温度标签，组合成一个数据集。70%的数据集被用于训练基于不同机器学习回归算法的模型，以建立特征（响应信号关键特征）和标签（目标参数温度值）之间的鲁棒相关性，剩下的30%的数据集用于测试训练完成的模型。分析了8种不同机器学习算法（线性回归、多项式回归、Robust回归、弹性网络回归、决策树、随机森林、XGboost和多层感知机）对温度的预测效果，结果发现，基于XGBoost算法的预测结果最佳，其标准化均方根误差小于1%，决定系数大于0.997。

为了展示集成机器学习算法的柔性SAW温度传感器在工业上的潜在应用，将柔性SAW传感器粘贴在涡轮发动机模型的机壳上（图3a），以三种不同离轴角布置在待测曲面进行温度探测，且在平面上布置了相同的柔性SAW温度传感器作为参考/比较。图3b显示了四种不同状态下（即平面、离轴角度分别为0°、30°和90°的弯曲状态）的柔性SAW温度传感信号输出结果。可以看出，在各种离轴弯曲应变工况下，柔性SAW温度传感器测量结果与平面位置SAW温度传感器测温结果有显著差异。对于相同的柔性SAW温度传感器，不同的弯曲状态会导致不同的温度预测性能。图3c和3d对比了在四种不同弯曲状态下是否应用机器学习算法的柔性SAW温度传感器的温度输出结果。结果表明，在不应用机器学习算法的情况下，输出温度与真实温度偏差较大；相比之下，基于XGBoost机器学习算法所建立的模型的输出结果，在4种状态下的温度预测具有良好的一致性，平面监测与不同离轴弯曲应变下的温度监测结果最大相对误差小于8%。实验结果表明，集成机器学习算法赋能柔性SAW传感器，可以实现平面温度监测与离轴弯曲曲面温度监测的一致性。相关研究成果在曲面传感领域具有较大应用潜力。

图3 (a)柔性SAW器件粘接在平面钢板上和发动机模型的曲面上：采用三种不同对准角度粘接在曲面上；(b)柔性SAW器件在平面和三种不同弯曲状态下的温度测试信号输出结果图；(c)和(d)在四种不同状态下应用机器学习模型和不采用机器学习模型的柔性SAW器件的温度输出值与校准值的比较结果图

该论文的通讯作者为湖南大学周剑教授，第一作者为湖南大学博士生季张斌，英国诺桑比亚大学Yongqing (Richard) Fu教授和剑桥大学的梁东方教授给予了指导。该研究工作得到了国家自然科学基金和湖湘青年英才项目资助。

论文信息：
DOI: 10.1109/TIE.2024.3436600