第一作者：袁廷康

通讯作者：潘路军教授、范曾副教授、李成伟副教授

通讯单位：大连理工大学物理学院、东北农业大学文理学院

原文链接：https://doi.org/10.1002/adfm.202519606

全文速览

全方向应变传感器因其在柔性电子领域的潜在应用而受到广泛关注。然而，现有的大多数设计基于多单元集成阵列结构，需要多个电极与复杂的信号采集系统，显著限制了其在便携式应用中的实用性。本文提出了一种具备多级非对称结构的单体式应变传感器，用于高精度方向识别。该传感器采用由异质介电基底与两组非对称电容电极构成的电容器结构，仅通过三个电极即可同时获取独立的电阻与电容信号。通过将模量相差超过一个数量级的Ecoflex与Ecoflex- PDMS组合，构建出具有异质扇形结构的介电基底，实现了显著的非对称应力分布，从而增强了方向判别能力。此外，本文建立了数学模型以定量评估不同拉伸方向下的信号离散性，并结合数据驱动的逆向设计策略，高效筛选了2,073,600种结构，确定了具有优异方向识别性能的非对称感应层构型。借助机器学习算法，传感器实现了高达98.6%的方向识别准确率（分辨率为15°），以及在50%应变范围内的高精度应变预测。得益于其优异的全方向感知能力，该传感器成功实现了12个方向触点的精确定位，展示出在柔性电子领域的巨大应用潜力。

背景介绍

具备全方向（0–180°）感知能力的柔性应变传感器在人机交互、电子皮肤以及健康监测等领域引起了广泛关注。然而，由于普遍采用单轴结构设计，大多数应变传感器在复杂的多方向变形条件下难以实现有效的方向区分。为了实现方向感知，目前的研究通常采用阵列式结构布置多个感知单元（三个或以上），并通过空间分布的响应信号推断应变方向。尽管这种设计可以提高方向分辨率，但也不可避免地引入了大量电极连接以及高复杂度的多通道信号系统。此外，不同感知单元之间在制备工艺与信号响应方面往往难以保持一致性，从而可能影响器件的整体稳定性与可靠性。因此，开发一种具备简化电极布局与信号通道的独立全方向应变传感器，对于推动柔性传感系统的便携化与高集成化发展具有重要意义。

最新研究表明，在单体式传感器中引入非对称结构或各向异性材料分布，可以实现来自不同方向的拉伸应变检测。然而，此类设计通常依赖单通道信号进行感知，数据维度有限，难以借助机器学习（ML）或类似算法精确识别特定应变方向。因此，为了实现更高精度的方向感知，有必要在保持单体结构优势的同时，构建具备多通道输出能力的传感器。近期，有学者提出了一种具有渐开线结构的单体应变传感器，其感应层上布置了四个电极。通过依次采集由相邻电极对形成的三组信号，并结合机器学习，实现了应变方向识别。然而，由于该结构具有较高的对称性，各信号通道之间的变化有限，难以为机器学习提供足够明显的特征差异。因此，仍需三个或更多信号通道才能实现可靠的方向识别，与多单元阵列结构具有一定相似性。在确保方向识别可靠性的同时，如何进一步降低信号通道复杂度并简化电路设计，依然是当前面临的重要挑战。

研究出发点

1）现有的全方向应变传感器多依赖多单元阵列结构以实现方向识别，但这类设计需要多个电极连接与复杂的信号采集系统，不仅增加了电路复杂度，也限制了器件在便携与高集成柔性电子中的应用。因此，本研究从结构简化与系统集成的角度出发，旨在探索一种单体式结构的全方向应变传感器，实现以更少电极与更低通道数完成方向识别。

2）传统单体式传感器因结构对称或基底均质，其在不同拉伸方向下产生的应力分布差异有限，难以实现高分辨率的方向判别。为此，本研究从材料层级的非对称性设计出发，引入模量差异超过一个数量级的Ecoflex与PDMS复合基底，构建具有异质扇形结构的多级非对称介电层，以诱导显著的非对称应力分布，从而增强方向响应的差异性与信号区分度。

3）传统方向敏感传感器的结构设计往往依赖经验或有限的仿真分析，缺乏系统性与全局优化。本研究引入数学建模与机器学习驱动的逆向设计策略，对大规模结构参数空间（超过两百万种）进行高效筛选与性能预测，从而寻找最优非对称结构配置，实现高方向识别精度与可预测的多模态信号响应。

图文解析

为克服传统全对称应变传感器信号差异不足、方向识别精度受限的问题，本研究提出了一种仅含三个电极的多级非对称单体式电容传感器结构。电极1和2采集电阻信号，电极2和3构成电容通道，共用电极2实现双模信号输出。传感层采用Ag/CNT-Ecoflex复合导电弹性体以提升灵敏度和稳定性，介电基底由Ecoflex与Ecoflex-PDMS异质扇形结构组成，产生显著的非对称应力分布。为提高机械稳定性，在电极下方引入PET高模量薄膜，并通过榫卯结构增强电极接触可靠性。错位布置的导电层形成无对称轴的平行四边形结构，电阻与电容信号相互独立。考虑到结构参数耦合复杂，本文结合有限元仿真、数学建模与机器学习，采用数据驱动的逆向设计策略，对两百余万种结构进行筛选，最终获得具有优异方向识别性能的最优非对称设计。

图1. 多级非对称单体式应变传感器的结构设计

通过在图案化PET模具上依次旋涂Ecoflex与Ecoflex-PDMS混合物制备异质非对称介电基底，实现扇形结构的清晰界面，并通过矩形榫卯结构安置导电电极。CNT-Ecoflex填充榫卯后经热固化形成稳固的机械连接，PET岛增强了界面稳定性。Ecoflex-PDMS的模量显著高于Ecoflex，产生明显应力差异并保证循环拉伸下的界面完整性。为降低电阻滞后与基线漂移，CNT-Ecoflex表面沉积Ag薄膜，形成双相导电网络，在拉伸-释放循环中有效恢复导电性并显著提高信号稳定性（平均基线漂移占比由31.1%降至0.00312%）。通过比较不同CNT含量的复合材料，发现Ag/CNT-Ecoflex_17.5兼具高电阻灵敏度和稳定的电容响应，经1000次循环仍保持结构与性能稳定，因此被选为最优感应材料，用于后续传感器制备与性能测试。

图2. 非对称介电基底与感应层的制备及表征

通过数据驱动的逆向设计策略优化非对称感应层，以提升不同拉伸方向下的信号离散度，从而增强方向识别能力。以两角度（α、β）和两宽度（L₁、L₂）为设计变量，生成超过2,073,600种候选结构，并通过有限元模拟计算应变下的方向响应，。基于离散度指标F(R,C)评估结构方向可区分性，构建回归模型预测所有候选结构的F(R,C)值，并通过跳跃选择算法筛选代表性结构进行迭代优化。经过六轮迭代，F(R,C)高于85的结构比例显著增加，最终筛选出S7结构，其在实验中验证了优异的全方向应变感知性能，表明该方法可高效指导高性能非对称感应层设计。

图3. 基于数据驱动的逆向设计优化非对称感应层

S7全方向应变传感器具备多级非对称结构，优化后在多方向拉伸下表现出明显的信号离散性，电阻和电容响应分别达到最大6.65倍和4.92倍差异。基于机器学习构建方向分类（KNN，准确率98.6%）与应变幅值回归（MLP，R²=0.998）模型，实现高精度方向与应变识别。循环测试表明，在50%应变下100次循环输出稳定，长期6,000次循环及50%高应变下均保持界面完整，无明显机械退化或层间剥离。动态性能测试显示电阻/电容响应速率匹配（74–80 ms响应，93–104 ms恢复），在不同拉伸速率、梯度应变、温度变化及曲率条件下均稳定可靠。传感器信号重复性高、耐久性好，并能在最少电极和信号通道下实现15°角分辨率的全方向识别，显示出在柔性电子及智能感知系统中的应用潜力。

图4. 传感器的全向感知能力及基本性能

为验证全方向应变传感器的实际应用潜力，构建了方向触点识别装置。传感器夹在两块空心PET圆板之间，沿内圆周均匀设置12个触点，对应0°–165°的方向。施加压力时产生方向特异的电阻和电容信号，构成触点识别数据集。通过信号提取、特征转换（连续小波变换生成时间-频率特征矩阵）和卷积神经网络（CNN）训练，实现触点位置预测。实验结果显示，不同方向触点的电阻/电容响应清晰且可区分，经PCA降维后形成明显聚类。CNN模型训练100轮后收敛，最终触点识别准确率达98%。该应用充分利用了传感器非对称结构设计及双通道信号协同，实现了在最少电极和通道下的高精度多方向触点识别，展示了传感器在柔性电子与智能交互系统中的应用潜力。

图5. 多方向触点识别应用

总结与展望

本研究提出了一种多级非对称单体式全方向应变传感器，解决了传统阵列式传感器需多电极及复杂电路的问题。通过集成模量相差超过一个数量级的异质介电基底，并设计非对称的上下电极，该传感器仅用三根电极即可独立采集电阻与电容信号，实现多方向拉伸下的高信号离散性，显著提升方向判别能力。为系统优化全方向感知性能，研究引入了数据驱动的逆向设计策略，结合有限元仿真、实验校正和机器学习回归模型，对超过200万种结构候选进行评估，并基于新定义的信号离散度指标高效筛选出高性能设计。优化后的传感器展示出优异的全方向感知能力，方向识别准确率达98.6%，应变幅值预测R²为0.998。该工作不仅实现了高性能、低通道需求的全方向应变传感器，还建立了机械结构设计与数据驱动方法结合的可推广设计框架，为电子皮肤、可穿戴设备及软体机器人等新兴柔性智能系统的发展提供了重要参考。

课题组介绍

潘路军教授课题组主页：https://faculty.dlut.edu.cn/2007011172/zh_CN/index.htm

原文信息

T. Yuan, R. Yin, W. Wang, J. Xing, C. Li, S. Gao, C. Sun, J. Liu, Z. Fan, L. Pan. “ Multilevel Asymmetric Monolithic Stretchable Device for Omnidirectional Strain Sensing.” Adv. Funct. Mater. (2025): e19606. https://doi.org/10.1002/adfm.202519606