摘要
物联网技术已经成为全球新一轮科技革命和产业变革的重要力量，推动人类从“万物互联”走向“万物智联”的新时代。然而，随着物联网的发展，广泛分布的传感器网络对功耗的需求逐级增加，数以万亿计的传感单元累计功耗达到惊人高度，迫切需要开发分布式的独立供能和传感技术，以突破物联网传感节点的能耗限制。摩擦纳米发电机自2012年由王中林院士团队提出以来，利用微纳米材料高效地收集环境中的能量，将低频机械能转化成电能，且可直接将机械信号转化为电信号，进而实现压力、振动等多维信息的自供电传感。因此，基于摩擦纳米发电机技术的自供电传感器，不仅适用于物联网领域的信息感知，还能促进传感网络的智能化发展。然而，摩擦纳米发电机的输出性能仍需提高以满足物联网的规模化应用，但传统改性方法存在成本高、耐久性低和稳定性差等缺点。此外，摩擦纳米发电机的随机性输出使得自供电传感器的信号特征过于复杂，额外的信号处理模块显著增加了系统冗余，影响处理效率和准确性。 因此，针对自供电传感器在物联网中对高输出、高稳定性和复杂信号精准处理等需求，本文基于摩擦纳米发电机技术和静电纺丝工艺设计并优化了自供电传感器，对其性能进行了表征和分析，并结合深度学习实现了手势、物体和身份识别等应用。具体而言，以正负两种极性的摩擦电材料为路线：在负摩擦电材料研究中，基于聚偏二氟乙烯（Polyvinylidenedifluoride,PVDF）纺丝膜和压电膜，设计了复合式自供电传感器；基于钛酸钡（Bariumtitaniumoxide,BTO）介电粒子填充和高压极化法增强PVDF纺丝膜的负摩擦电性，提出了PVDF-BTO高性能柔性自供电传感器。在正摩擦电材料研究中，基于静电纺丝尼龙膜和云母介电粒子填充，设计了尼龙-云母柔性自供电传感器；基于稀土元素掺杂显著优化尼龙纺丝膜的正摩擦电性，提出了尼龙-稀土元素高性能自供电传感器。通过材料改性、结构设计、理论推导和性能表征分析，对相关设计进行了系统性研究，为未来基于摩擦纳米发电机的自供电传感器在物联网、人工智能等领域的规模化应用提供新思路、新方案和新参考。本文的主要研究内容如下： （1）基于摩擦纳米发电机和压电纳米发电机设计复合式自供电传感器，模拟人体皮肤对触碰和按压的感知功能。首先，通过静电纺丝技术制备PVDF纳米纤维膜，并将金属电极和PVDF压电膜切割成蛇形结构，满足传感器对拉伸和输出的需求。其次，通过理论分析和等效电路证明了摩擦纳米发电机和压电纳米发电机的互补性。复合式传感器的开路电压为200V，短路电流为10μA，峰值功率密度达3.5W/m2，具有高灵敏度（13.1V/kPa）和信噪比（29.2dB）。最后，针对传感器信号处理复杂耗时的问题，将其和深度学习算法相结合，基于卷积神经网络模型对6种手势进行识别，获得了平均94.63%的准确率，当判别结果与预设相匹配时向终端发送信号，实现了开关控制功能。 （2）为了进一步优化自供电传感器的性能，基于上述研究在PVDF纺丝膜中添加BTO介电纳米粒子，并进行额外的高压极化处理，有效改善了PVDF纺丝膜的微观特性和晶体结构。通过对自供电传感器输出性能的测试和分析，确定了最佳BTO比例为3%，传感器开路电压高达300V，短路电流达20μA，转移电荷达100nC，峰值功率密度为4.62W/m2，具有高灵敏度（29.3V/kPa）和高信噪比（37.01dB）的特性。相较于同类研究文献，PVDF-BTO自供电传感器的峰值功率密度和灵敏度提高了数倍。通过将传感器集成至人体，实现了运动检测和摩尔斯密码通信功能，证明其在信号监测和智能传感领域的应用价值。 （3）为实现自供电传感器全方位的研究，优化正摩擦电材料来提升摩擦纳米发电机性能是同样重要的方向。本文提出了基于静电纺丝和云母粒子掺杂的尼龙膜作为正摩擦电材料，与全氟乙烯丙烯共聚物构建高性能自供电传感器。得益于云母粒子对尼龙纺丝膜介电常数、晶体结构和官能团属性的改善作用，传感器的开路电压最高为400V，短路电流为40μA，转移电荷为150nC，峰值功率密度可达到11.82W/m2，同时具有35.95V/kPa的高灵敏度，51.95dB的信噪比，高于同类型正摩擦电材料研究的数倍至数十倍。更重要的是，基于高性能自供电传感器和VGG深度学习模型，实现了物体形状的判别功能，对7种物体的识别准确率最高达到99%，平均准确率为96.57%。 （4）为了进一步拓宽正摩擦电材料优化方案的选择范围，在上述研究的基础上，选择稀土元素作为介电粒子掺杂至尼龙纺丝膜中，系统地研究了不同稀土元素对尼龙性能的优化作用。通过对纺丝膜特性和传感器输出的表征分析，阐明了稀土元素对尼龙纺丝膜微观结构、官能团属性和正摩擦电特性等作用机理。基于尼龙-镧元素的自供电传感器具有最佳的性能，开路电压高达600V，短路电流高达70μA，转移电荷高达250nC，负载功率密度最高为18.5W/m2，同时具有高灵敏度（60.87V/kPa）和高信噪比（56.34dB），相较以往正摩擦电材料的研究高出1-3个数量级。此外，通过构建传感器阵列键盘，使用GRU深度学习算法分析信号特征，实现了按键用户身份的识别，平均准确率达94.5%。
NETL