Diseño y modelado con procesos Gaussianos de un sensor blando
Contenido principal del artículo
Resumen
En este estudio, se presenta el diseño y modelado de un sensor blando piezoresistivo utilizando hilos de poliamida recubiertos de plata. Estos sensores destacan por su flexibilidad, bajo coste y fácil integración en textiles, lo que los hace ideales para aplicaciones en tecnología vestible. Se evalúan diferentes recubrimientos, identificando la silicona como la mejor opción para mejorar la sensibilidad y la relación señal/ruido. El montaje experimental incluye un banco de pruebas especializado para medir la respuesta del sensor bajo diversas condiciones de deformación. Se han aplicado Procesos Gaussianos (GP) para modelar la histéresis tensión-deformación, mostrando un rendimiento excepcional en la predicción y manejo de la incertidumbre. Las pruebas de validación cruzada confirman la eficacia de los GP en la caracterización del sensor, proporcionando una herramienta poderosa para aplicaciones de monitoreo de movimientos humanos y asistencia tecnológica. Este trabajo contribuye al avance de los sensores blandos, ofreciendo soluciones prácticas y precisas para su implementación en textiles inteligentes.
Palabras clave:
Detalles del artículo
Citas
Araromi, O.A., Walsh, C.J., Wood, R.J., 2017. Hybrid carbon fiber-textile compliant force sensors for high-load sensing in soft exosuits, in: 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE. pp. 1798–1803. doi:10.1109/iros.2017.8205994. DOI: https://doi.org/10.1109/IROS.2017.8205994
Atalay, A., Sanchez, V., Atalay, O., Vogt, D.M., Haufe, F.,Wood, R.J.,Walsh, C.J., 2017. Batch fabrication of customizable silicone-textile composite capacitive strain sensors for human motion tracking. Advanced Materials Technologies 2, 1700136. doi:10.1002/admt.201700136. DOI: https://doi.org/10.1002/admt.201700136
Dai, Y., Yang, C., Liu, Y., Yao, Y., 2023. Latent-enhanced variational adversarial active learning assisted soft sensor. IEEE Sensors Journal 23, 15762–15772. doi:10.1109/jsen.2023.3279203. DOI: https://doi.org/10.1109/JSEN.2023.3279203
Guo, F., Xie, R., Huang, B., 2020. A deep learning just-in-time modeling approach for soft sensor based on variational autoencoder. Chemometrics and Intelligent Laboratory Systems 197, 103922. doi:10.1016/j.chemolab.2019.103922. DOI: https://doi.org/10.1016/j.chemolab.2019.103922
Jin, X., Feng, C., Ponnamma, D., Yi, Z., Parameswaranpillai, J., Thomas, S., Salim, N.V., 2020. Review on exploration of graphene in the design and engineering of smart sensors, actuators and soft robotics. Chemical Engineering Journal Advances 4, 100034. doi:10.1016/j.ceja.2020.100034. DOI: https://doi.org/10.1016/j.ceja.2020.100034
Kamat, A.M., Pei, Y., Jayawardhana, B., Kottapalli, A.G.P., 2021. Biomimetic soft polymer microstructures and piezoresistive graphene MEMS sensors using sacrificial metal 3D printing. ACS Applied Materials & Interfaces 13, 1094–1104. doi:10.1021/acsami.0c21295. DOI: https://doi.org/10.1021/acsami.0c21295
Li, T., Qu, M., Carlos, C., Gu, L., Jin, F., Yuan, T.,Wu, X., Xiao, J.,Wang, T., Dong,W.,Wang, X., Feng, Z.Q., 2020. High-performance poly(vinylidenedifluoride)/dopamine core/shell piezoelectric nanofiber and its application for biomedical sensors. Advanced Materials 33, 2006093. doi:10.1002/adma.202006093. DOI: https://doi.org/10.1002/adma.202006093
Liu, Y., Chen, T., Chen, J., 2015. Auto-switch gaussian process regression-based probabilistic soft sensors for industrial multigrade processes with transitions. Industrial &; Engineering Chemistry Research 54, 5037–5047. doi:10.1021/ie504185j. DOI: https://doi.org/10.1021/ie504185j
Meng, Y., Wang, X., Li, L., Huang, W., Zhu, L., 2022. Hysteresis modeling and compensation of piezoelectric actuators using gaussian process with high-dimensional input. Actuators 11, 115. doi:10.3390/act11050115. DOI: https://doi.org/10.3390/act11050115
Nasiri, S., Khosravani, M.R., 2020. Progress and challenges in fabrication of wearable sensors for health monitoring. Sensors and Actuators A: Physical 312, 112105. doi:10.1016/j.sna.2020.112105. DOI: https://doi.org/10.1016/j.sna.2020.112105
Shen, B., Yao, L., Ge, Z., 2020. Nonlinear probabilistic latent variable regression models for soft sensor application: From shallow to deep structure. Control Engineering Practice 94, 104198. doi:10.1016/j.conengprac.2019.104198. DOI: https://doi.org/10.1016/j.conengprac.2019.104198
Shieldex®-Metallized Technical Textiles, 2023-05-05. Shieldex® 235/36 x2 HCB. https://www.shieldex.de/en/products/shieldex-235-36-x2-hcb-2/. Accessed: 2023-10-13.
Sun, Q., Ge, Z., 2021. A survey on deep learning for data-driven soft sensors. IEEE Transactions on Industrial Informatics 17, 5853–5866. doi:10.1109/tii.2021.3053128. DOI: https://doi.org/10.1109/TII.2021.3053128
Tao, Y.D., Li, H.X., Zhu, L.M., 2019. Rate-dependent hysteresis modeling and compensation of piezoelectric actuators using gaussian process. Sensors and Actuators A: Physical 295, 357–365. doi:10.1016/j.sna.2019.05.046. DOI: https://doi.org/10.1016/j.sna.2019.05.046
Tocco, J.D., Presti, D.L., Rainer, A., Schena, E., Massaroni, C., 2022. Silicone-textile composite resistive strain sensors for human motionrelated parameters. Sensors 22, 3954. doi:10.3390/s22103954. DOI: https://doi.org/10.3390/s22103954
Wang, J., Lu, C., Zhang, K., 2019. Textile-based strain sensor for human motion detection. Energy & Environmental Materials 3, 80–100. doi:10.1002/eem2.12041. DOI: https://doi.org/10.1002/eem2.12041
Yan, X., Wang, J., Jiang, Q., 2020. Deep relevant representation learning for soft sensing. Information Sciences 514, 263–274. doi:10.1016/j.ins.2019.11.039. DOI: https://doi.org/10.1016/j.ins.2019.11.039