一種電子皮膚的觸覺傳感性能研究

曹鑫林，王先進，郭成東，李鷺揚，邊義祥

(揚州大學 機械工程學院，江蘇 揚州 225127)

0 引言

生物對外界信息的采集主要依靠皮膚，皮膚將受到的物理刺激的強度及位置傳到大腦。隨著機器人科技的發展，能夠感知環境的刺激并做出合理反應是人們對機器人的新要求，這促使了電子皮膚的誕生[2]。目前電子皮膚主要在機器人、假肢及穿戴設備3個領域使用[3]。因此，設計制備電子皮膚柔性觸覺傳感器非常重要，它可以提高機器人的智能化水平，在機器人工作時，除能有效地避免障礙物外，還能對突然碰撞的物體做出合理的反應，而且環境感知能力能夠幫助機器人在惡劣環境的情況下工作[4]。設計制備電子皮膚柔性觸覺傳感器有兩種形式[5]：

1) 如人體皮膚一樣放置在機器人上[6]。

2) 如數字手套一樣穿戴在機器人上[7]。

作為電子皮膚感知外界刺激的觸覺傳感器應具有高靈敏度，能夠感知皮膚上微小的刺激；高柔軟性能適應機器人上不同的曲面，并能夠承受拉伸、擠壓、彎曲、扭轉等變形[8]；低成本，制備工藝應簡單[9]。以聚偏二氟乙烯(PVDF)為材料的壓電傳感器能達到以上要求。近年來，由于PVDF材料具有優良的壓電性及柔軟性而備受關注[10-11]。與其他壓電材料(如壓電陶瓷)相比，PVDF材料更靈活、柔軟[12]。因此，本文設計制備了以PVDF為材料的壓電式電子皮膚柔性觸覺傳感器，以液體芯PVDF壓電纖維表面的壓電效應產生電荷為基礎，實驗分析了陣列的電子皮膚柔性傳感器在不同力及不同位置的信號差異。最后通過機器學習來實現通過信號數據得知力的大小及坐標位置。

1 液體芯PVDF壓電纖維的制備

將PVDF顆粒放在100 ℃的恒溫裝置上，完全干燥后放入拉絲裝置中熔化。PVDF在170 ℃時達到熔融狀態，因此，將恒溫爐調到200 ℃使PVDF達到熔融狀態[13]。再將PVDF和金屬絲從模具底部擠出，在空氣中冷卻后形成金屬芯PVDF壓電纖維(見圖1)。PVDF纖維在受到外力作用下，其表面的電荷密度會發生變化,因此，PVDF涂導電銀漿后通過電極來收集電荷，然后以信號的形式進行反饋。

圖1 金屬芯PVDF壓電纖維

將金屬芯PVDF壓電纖維進行極化處理。PVDF是半結晶高分子材料，具有α、β、γ、δ4種晶相，其中β相是有極性的[14]。極化裝置可使PVDF纖維的β相方向與極化方向相同，這樣能讓PVDF的壓電性更強。最后將金屬絲抽出，注入超導電炭黑水溶劑。在PVDF纖維中間插入一根超細的金屬絲作為一個電極，PVDF纖維表面的導電銀漿作為另一個電極。這樣便制備出了液體芯PVDF壓電纖維(見圖2)，其橫截面如圖3所示。

圖2 液體芯PVDF纖維

圖3 液體芯PVDF纖維的橫截面

2 神經網絡狀電子皮膚柔性觸覺傳感器的制備

將6根液體芯PVDF壓電纖維以3×3的陣列放置在68 mm×68 mm的正方形模具中(制備的液體芯PVDF壓電纖維為68 mm)，液體芯PVDF壓電纖維兩兩相距17 mm，且兩兩相互編織。由于液體芯PVDF壓電纖維表面涂布的是全電極，當液體芯PVDF壓電纖維表面兩兩接觸后會造成其表面電極間的短路，為了克服短路而導致電子皮膚對于信號輸出的影響，在兩個液體芯PVDF壓電纖維交匯處用絕緣薄膜隔開。這里的絕緣薄膜使用保鮮膜，因為保鮮膜具有透明、柔軟、薄和絕緣的特點， 幾乎不影響電子皮膚的性能。最后將編織后的液體芯PVDF壓電纖維放在自制裝置中并注入人體硅橡膠,制備的神經網絡狀電子皮膚柔性觸覺傳感器如圖4所示。

圖4 陣列的電子皮膚柔性觸覺傳感器

3 電子皮膚柔性觸覺傳感器的傳感原理

液體芯PVDF壓電纖維受到推力計的壓力時，由于壓電效應，將在其表面產生電荷Q。液體芯PVDF壓電纖維是圓柱形狀，使用圓柱坐標系。液體芯PVDF纖維幾何形狀如圖5所示。圖中，Rm為內部半徑，Rp為外部半徑，L為液體芯PVDF纖維的長度，θ為標準圓柱坐標系的方位角。

圖5 液體芯PVDF壓電纖維的圓柱坐標系和幾何形狀

壓電方程具有4種類型，采用d型壓電方程[15]。由于液體芯PVDF壓電纖維的L?2Rp，所以受到的周向應力、切應力可忽略。當液體芯PVDF壓電纖維表面電極與中間液體芯電極導電,且受到外加電壓時，應力條件和電場條件為

T33=T22=T32=T21=T31=0

(1)

E2=E1=0

(2)

式中：Tij為液體芯PVDF壓電纖維所受應力；Ei為電場強度。此時壓電方程為

(3)

由式(3)可知,當有應變時，液體芯PVDF壓電纖維表面電極與內部液體芯電極產生電荷。但由于電荷過小，在電路中電荷易被消耗，用電荷放大器將Q轉化成電壓(V),并通過數據采集卡讀取。

4 電子皮膚柔性觸覺傳感器實驗

為了明確電子皮膚受到壓力作用產生信號值的標準，使用以單根液體芯PVDF壓電纖維制備成的電子皮膚柔性傳感器，將推力計連接電腦端，采集推力計作用在電子皮膚上力的作用波形。電子皮膚表面受到壓力后，纖維產生的電荷變化通過電荷放大器被數據采集卡采集，形成電壓信號波形，與推力計作用在電子皮膚上的波形進行對比,如圖6所示。通過對比圖6(a)、(b)的波形發現，當電子皮膚受到壓力后，電壓信號也發生相應的變化，因此，選擇以電壓波形的幅值大小作為信號標準。

圖6 纖維受到壓力時信號波形、推力計施加壓力波形

將電子皮膚固定在三維位移平臺的上方，調動位移平臺的x、y、z軸,以精確移動人工皮膚的柔性觸覺傳感器。接著劃分坐標，將6根纖維以A、B、C、D、E、F為代號區分，如圖7所示，共有49個坐標點。液體芯的鉬絲、銅絲作為正、負極，連接到電荷放大器并接入數據采集卡，將信號傳輸至上位機，實驗裝置布置圖如圖8所示。推力計以若干確定坐標擠壓刺激人工皮膚柔性觸覺傳感器(見圖9)，記錄壓力的大小、受力坐標。將電荷變化數據導入Origin濾波計算后得到幅值。

圖7 皮膚柔性觸覺傳感器坐標劃分

圖8 實驗裝置布置圖

圖9 推力計垂直作用在電子皮膚上實驗圖

通過實驗可知,在電子皮膚上施加相應的力，則6根液體芯PVDF壓電纖維有對應的信號。將信號通過數據采集卡采集后，通過Origin建立坐標系形成圖像，再采用非線性擬合得到擬合曲線及對應的數學方程。

圖10為推力計給6根液體芯PVDF壓電纖維正上方施加的力與信號關系。由圖可知，隨著力的增加，液體芯PVDF壓電纖維的信號也隨之增大。通過Origin將點擬合后得到擬合曲線的方程為

(4)

式中：C為壓電纖維信號；F為施加壓力；a1、a2、a3、p為擬合后方程參數。已知信號大小后通過式(4)可得出作用力的大小。

不同距離對電子皮膚中的液體芯PVDF壓電纖維施加的力所產生的信號也不同，即可看作方程參數不同，如表1所示。

表1 擬合曲線的方程參數

通過式(4)可推理出力的作用點及坐標。首先挑選出4個信號最大的液體芯PVDF壓電纖維以鎖定坐標區域，當單根的液體芯PVDF壓電纖維的信號比其他纖維大時，則可以推斷出力的坐標在哪根纖維上，采用式(4)可計算出力的大小。當4根液體芯PVDF壓電纖維的信號一致時，可判斷出力作用在中間位置，將4個信號值代入式(4)后得出4個力的大小，并取4個力的平均數。當然這樣計算不精確，且當液體芯PVDF壓電纖維的數量增加到很大時，面積將增加到很大，坐標變復雜，對作用力的計算也會復雜。因此需要采用機器學習，用覆蓋式的實驗采集到的數據來進行機器學習，以達到方便且精確的力大小及坐標。

5 采用機器學習實現電子皮膚對力的采集

運用Matlab可以對數據使用函數進行分類及學習。Matlab可以瀏覽數據、選擇功能、指定驗證方案、培訓模型和評估結果，可以執行自動培訓以搜索最佳分類模型類型, 包括決策樹、判別分析、支持向量機、邏輯回歸、最近鄰居和集合分類等[16]。Matlab的工具箱功能多樣且強大，這里運用逆向傳播(BP)神經網絡算法及分類學習對數據進行處理。

5.1 運用BP神經網絡算法

BP神經網絡算法具有任意復雜的模式分類能力和優良的多維函數映射能力，解決了簡單感知器不能解決的異或和其他問題。結構上BP神經網絡具有輸入層、隱藏層和輸出層；本質上BP算法是以網絡誤差平方為目標函數,采用梯度下降法來計算目標函數的最小值[17]。

BP神經網絡算法可以針對每一個液體芯PVDF壓電纖維不同的信號數據，通過不斷地訓練、驗證、測試，得到一個契合電子皮膚的神經網絡，從而能夠將6根液體芯PVDF壓電纖維不同的信號輸出成力的具體數值。

首先將信號與力的數據分別作為訓練的輸入值和目標值，然后分別將訓練集、驗證集、測試集設置為70%、15%、15%，接著將神經元數量設置為10，最后訓練及查看訓練結果圖的誤差分析圖(Performance)及回歸分析圖(Regression)，如圖11所示。

圖11 BP神經網絡算法訓練結果圖

由圖11(a)可知，3條曲線分別為訓練集、驗證集、測試集，且當迭代次數達到36次時，迭代結束。由圖11(b)可看出回歸系數(R)為0.874 22，說明訓練的結果很理想，所以訓練的神經網絡效果很好。

5.2 運用分類學習

Matlab工具箱里的分類學習(Classification Learner)可以將不同的液體芯PVDF壓電纖維的信號進行分類，由于力的作用點不同，6根液體芯PVDF壓電纖維的信號大小也不同，以此來對數據進行分類學習。通過不同信號的表現能輸出具體的坐標，最終在BP神經網絡算法及分類學習下將6根液體芯PVDF壓電纖維的信號轉化成力的大小及作用點。

首先將數據導入其中，然后設置預測值以及反饋值。由于每個算法對數據的處理不同，所以使用所有的算法進行計算后發現，中等高斯向量機(Medium Gaussian SVM)算法學習的程度最高(為94.2%)。因此，哪個學習程度較高，就采用哪個算法。最后查看分類學習結果的平行坐標圖(Parallel Coordinates Plot)及接受者操作特征曲線圖(ROC Curve)。

圖12(a)為機器學習的平行坐標圖。由圖可知，同一屬性的相同顏色相對集中，且屬性上線條有顏色、有規律，這代表了本次實驗的數據具有非常好的規律性，能夠很好地進行分類學習。圖12(b)為49個接受者操作特征曲線的其中一種，由圖可知，曲線下面積(AUC)的取值是1，這說明檢測方法的真實性很高，左上角直角程度代表了本次分類學習的結果很好。最后保存至工作區，等待后續驗證及采用。

圖12 分類學習結果圖

5.3 機器學習結果分析

在Matalb的命令行窗口輸入代碼，首先將6個信號值以矩陣形式輸入，然后用sim語句及trainedClassifier.predictFcn語句來讀取力的大小及坐標。將預留的10組實際的力大小、坐標與機器學習后Matlab輸出結果對比發現(見圖13、14)，實際力的大小與Matlab輸出的數值有一定偏差，力作用點坐標的結果基本相同，表明利用機器學習對于本實驗數據處理計算較精確。

圖13 測試壓力結果與實際壓力的比較

圖14 測試坐標結果與實際坐標對比

6 結束語

本文介紹了液體芯PVDF壓電纖維、電子皮膚柔性觸覺傳感器的材料及制備過程。其中單個壓電纖維的傳感原理是壓電效應，纖維變形引起的電荷變化。傳感實驗的設計用推力計對電子皮膚柔性觸覺傳感器施加壓力，通過電荷放大器將纖維的電荷轉化為電壓信號后再用數據采集卡進行采集。通過對比壓力波形、纖維電荷變化波形，將電荷波形幅值標定為信號大小。推力計不斷增加壓力后，信號不斷增大，采用Origin擬合曲線得到數學方程。在Matlab應用機器學習中的BP神經網絡算法及分類學習對數據進行訓練學習，其中圖11(b)中R=0.87，分類學習中學習結果接受者操作特征曲線(ROC)下的面積為1，這表明機器學習結果優良。最后通過測試結果發現,陣列的電子皮膚柔性觸覺傳感器對于壓力感應時壓力大小偏差不大，作用點坐標僅個別有偏差。