王中林院士团队AM：新“电子皮肤”0.3秒识破21种危险化学品，重金属检测极限低至0.1 ppb|信号|液滴|王中林|电子皮肤|重金属

在化学工厂、实验室或事故现场，危险化学品泄漏不仅会污染环境、损坏设备，更对人员安全构成直接威胁，尤其是高温腐蚀性或有毒液体——附件指出，60°C以上液体接触皮肤仅15秒即可造成二度烫伤。为了安全有效地干预，机器人不仅需要识别泄漏物的成分、浓度和温度，还需掌握其动态行为，如流动路径、速度和单点/多点泄漏情况。然而，尽管电子皮肤（E-skin）在检测压力、形变等固态物理属性方面进展显著，液体感知研究仍处于早期阶段。液体的复杂动态特性及实时感知的困难，加之现有液体传感器多依赖刚性基板，难以无缝集成至柔性机器人表面，构成了重大挑战。同时，能同时识别液体类型、温度及多液滴动态轨迹的柔性电子皮肤亟待开发，以满足下一代电子技术创新与可持续发展的双重需求。

为此，中国科学院北京纳米能源与系统研究所王中林院士、张金洋副研究员团队设计了一种名为PSLSES的柔性、掌形液体传感电子皮肤，其最大宽度150毫米，厚度仅0.168毫米。该器件采用柔性印刷电路技术制作了128个金属电极阵列，并覆有30微米厚的氟化乙烯丙烯薄膜。通过捕捉液滴运动轨迹上的局部摩擦电信号，PSLSES实现了多模态动态液体传感，可同时完成液体成分识别、温度感知，并借助可视化轨迹图案追踪液滴运动。结合一维卷积神经网络，该系统在21种液体（包括去离子水、酸、碱、盐及有机溶液）中实现了99.5%的超高识别准确率，对Pb²⁺浓度检测限低至0.1 ppb，温度识别准确率达98%，且识别时间仅需0.3秒。该电子皮肤具备优异的稳定性与可重复性，单器件内信号均匀性超过97%，器件间一致性超过95%，其集成至可穿戴机器人系统有望显著提升机器人在危险环境中分析处理化学品泄漏的能力。相关论文以“Triboelectric E-Skin for Robotic Perception of Hazardous Chemical Leaks”为题，发表在Advanced Materials上。

图1 自供电PSLSES的设计。 (a) 人体触觉神经系统及用于液体传感的自供电电子皮肤感知系统示意图。 (b) 自供电PSLSES的详细结构，电极层与背面布线层通过过孔连接。 (c) 过孔的放大视图。 (d) 自供电PSLSES的柔韧性展示。 (e) 自供电PSLSES的防水性展示。 (f) 自供电PSLSES的表面水接触角。 (g) PSLSES与其它工作中液体识别类型及准确率的比较[3, 33–36, 39, 40]。

器件设计与工作机理

PSLSES的结构从顶层到底层依次为柔性FEP摩擦层、128个圆形铜电极阵列层、聚酰亚胺基底、布线层及底部PI保护层，各电极通过过孔独立连接至布线层，确保电气隔离（图1c）。该器件具备出色的柔韧性（可弯曲180°，图1d）和防水性（图1e），其表面水接触角达105°（图1f），保障液滴顺畅滑过而不留残留。设计时，为平衡信号强度与结构耐用性，FEP薄膜厚度选定为30微米；电极直径设为3毫米以提升路径识别分辨率（图2f，图2g），间距设为8毫米以消除相邻电极间的信号串扰，确保各通道信号独立（图2h-2k）。不过附件也指出，直径小于8毫米的液滴可能落入电极间隙而无法被可靠检测。当液滴滑过FEP表面时（图2a），因FEP强电负性而转移电子，使其带负电、液滴带正电，伴随产生H₂O⁺并快速反应生成OH和H₃O⁺，随后阳离子吸附于FEP表面并部分屏蔽表面电子，导致信号幅值变化（图2b）。这些变化取决于离子的组成、浓度、尺寸、价态及吸附亲和力等理化性质，而液体粘度、表面张力等则影响滑动态，共同形成独特的时空电信号指纹，最终由多通道采集系统记录（图2c，图2d）并重构液滴轨迹（图2e）。

图2 工作原理及电极尺寸与间距控制。 (a) 液滴在PSLSES上滑动的示意图。 (b) PSLSES的工作原理示意图。 (c) 液滴在自供电PSLSES表面滑动时产生的电压波形。 (d) 电压波形的放大显示。 (e) 由电压波形获得的液滴路径可视化展示。 (f) 不同电极尺寸测试的示意图。 (g) 不同电极尺寸下获得的电压。 (h) 间距为d的两个相邻电极的电信号示意图。 (i) 液滴经过上方电极时两个相邻电极的输出信号。 (j) 当1≤d≤7 mm时产生的干扰信号。 (k) 当8≤d≤12 mm时无干扰信号产生。

液滴动态行为感知

PSLSES能精确感知液滴的滑动速度、频率及运动轨迹。通过调节倾斜角度（40°、50°、60°），系统可准确测定液滴平均速度分别为0.43、0.52、0.63 m/s（图3a，图3b），并依据电极上连续电压峰的时间间隔计算液滴频率（0.5至3 Hz范围可清晰分辨；频率过高时液滴合并为连续流，电压曲线不再呈现离散峰值，图3c）。在单液滴垂直滑动实验中（图3d），多通道采集系统记录电压峰时序为57-56-55-54-53-47-48-49-50-51-52（图3e），斜向滑动时路径为92-84-76-48-37-19（图3h），可视化程序生成相应轨迹图（图3f，图3i）。更关键的是，该系统能同时追踪多个液滴的滑动路径，即使三滴同时从不同位置下落（图3j），也能依据电压峰时序和电极位置明确分辨三条轨迹：75-76-77-68-69、44-32-33-34-35-36-37和10-11-5（图3k，图3l）。此外，该电子皮肤表现出优异的长期稳定性，为可靠液体识别奠定基础。

图3 液滴滑动动态的感知与表征。 (a) 液滴滑动速度、滑动频率、滑动路径及方向的感知。 (b) 液滴滑动速度的识别。 (c) 液滴滑动频率的识别。 (d-f) 单液滴垂直滑动的示意图、对应的电压信号与电极位置，及滑动路径的可视化。 (g-i) 单液滴斜向滑动的示意图、对应的电压信号与电极位置，及滑动路径的可视化。 (j-l) 三滴同时滑动的示意图、对应的电压信号与电极位置，及滑动路径的可视化。

深度学习赋能液体识别

结合一维卷积神经网络，机器人可利用PSLSES实时处理化学品泄漏（图4a）。液滴滑过掌心电极阵列时，仅0.3秒内捕获的电压波形（其形状、幅值、峰宽因溶液离子组成而异）输入模型，经训练（每种溶液100次独立测试，共2100个样本）后，该模型对21种液体（包括水、酸、碱、盐、有机物，图4e）的识别准确率达99.5%（图4b-4d），显著优于随机森林（95.5%）和XGBoost（96.9%）模型（图4c）。t-SNE聚类图进一步证实各液体样本间清晰有序的分离（图4f）。浓度识别方面，对三种浓度的H₂SO₄和NaOH识别准确率均达100%，对Pb²⁺五种浓度识别准确率达94%，最低检测限低至0.1 ppb（图4g）。手指弯曲至近180°时不影响位于掌心区域的识别性能，保证了实际机器人操作中的可靠性。

图4 自供电PSLSES在深度学习辅助下帮助机器人识别不同种类溶液。 (a) 结合深度学习模型，机器人可利用PSLSES实时检测危险化学品泄漏。 (b) 1D CNN模型训练流程图。 (c) 1D CNN模型与其他两种机器学习模型的识别准确率比较。 (d) 1D CNN模型识别21种溶液的混淆矩阵。 (e) 21个编号对应的溶液名称。 (f) 21种溶液的聚类图。 (g) 识别Pb²⁺浓度的混淆矩阵。

温度感知与应用前景

高温液体泄漏（≥60°C）可致严重烫伤，故温度同步检测至关重要（图5a）。实验显示，去离子水从30°C升至90°C时，各电极输出电圧显著下降（如第一电极从4.6 V降至3.4 V，图5b），原因在于高温增强界面电子热发射耗散及阳离子热运动加剧吸附，更有效屏蔽FEP表面电子，从而降低净电荷转移。借助神经网络，系统对五个温度等级的识别准确率达98%（图5c），聚类图与混淆矩阵结果一致（图5d）。这意味着装备PSLSES的智能机器人可深入危险区域（图5e，图5f），现场采样并快速分析泄漏物成分、浓度、温度、路径及范围，提供应对方案，最大限度减少危害。未来，得益于器件结构简单且兼容柔性印刷电路制造技术，该系统具备高度可扩展性；通过更换或修饰FEP膜、采用更稳定材料、增加接地屏蔽层和低通滤波等措施，可进一步提升耐用性和抗干扰能力，并结合更先进算法和无线传输模块，扩展至环境监测、工业安全、智能制造与人机交互等领域。