精準感知流體動力學信息對于水下機器人在復雜水下環境中的智能導航與控制至關重要。當前基于膜片的差壓傳感器通常受限于分辨率不足，難以滿足流體動力學感知需求。
據麥姆斯咨詢報道，近日，北京航空航天大學與西北工業大學組成的研究團隊提出了一種具有高靈敏度的熱式MEMS差壓傳感器，其特征在于將精確設計的熱式測量組件集成于微懸臂梁結構上。該差壓傳感器在水下實現了優異的差壓分辨率（18.9?mPa）和較低的重復性標準差（0.38%）。通過將由三個此類傳感器構成的陣列集成到水下機器人模型中，可同時實現速度與偏航角的估算，其平均求解誤差分別為2.9?mm·s?1和0.94°。得益于其高靈敏度，通過感知卡門渦街（Kármán vortex street）中的流體動力學變化，還可實現對水下障礙物的識別，準確率達到97.5%。總體而言，該熱式MEMS差壓傳感器在水下流場感知及水下機器人控制方面展現出廣闊的應用潛力。上述研究成果以“Calorimetric differential pressure sensor with high sensitivity for hydrodynamic perception”為題發表于Microsystems & Nanoengineering期刊。
熱式MEMS差壓傳感器的設計
為實現水下差壓的高精度測量，研究人員設計了圖1a所示的熱式MEMS差壓傳感器，其由壓力腔和傳感芯片構成。該傳感芯片包括一對帶有微間隙的懸臂梁（800?μm ×?500?μm），其端部集成了加熱器和鉑（Pt）熱敏電阻。得益于懸臂梁結構，加熱器和熱敏電阻與襯底實現了良好的熱隔離，從而有效降低了通過硅（Si）襯底的熱傳導。熱式MEMS差壓傳感器的工作原理如圖1b所示。
圖1 熱式MEMS差壓傳感器設計
為進一步闡明并驗證熱式MEMS差壓傳感器的工作原理，研究人員建立了一個熱-流體動力學耦合仿真模型。如圖1c所示，當微懸臂梁兩側施加5?Pa的差壓時，在微間隙處會產生可測量的局部流動。該局部流動引起的熱對流會降低靠近加熱器的熱敏電阻溫度，從而產生包含流動壓力信息的信號輸出。當差壓增大至100?Pa時，加速的局部流動會引發更強的熱對流效應，進一步降低熱敏電阻的溫度（圖1d）。這一基本原理使得熱式MEMS差壓傳感器能夠解析流體壓力的變化。如圖1e所示，熱式MEMS差壓傳感器可被集成于水下機器人模型的前端。通過預訓練的基于機器學習的神經網絡模型，可以估算偏航角、速度以及渦源位置等多種航行信息。
熱式MEMS差壓傳感器的制備
傳感芯片是熱式MEMS差壓傳感器實現高精度測量的核心部件。如圖2a所示，研究人員提出的MEMS制造工藝流程為：首先，采用LPCVD工藝在雙面拋光、晶向為（100）的硅襯底上沉積低應力氮化硅（Si?N?）薄膜。隨后，采用離子束濺射結合lift-off工藝制備用于熱敏電阻與補償電阻的金屬層，其電阻溫度系數為1150 ppm/°C。電極與加熱電阻同樣采用相同工藝制備。通過雙面光刻在背面Si?N?薄膜上圖形化光刻膠，隨后以該光刻膠作為掩膜，采用反應離子刻蝕（RIE）對Si?N?薄膜進行刻蝕。圖形化后的Si?N?薄膜作為硬掩膜，在90?°C條件下使用25 wt% TMAH溶液對硅襯底進行各向異性濕法刻蝕。當刻蝕深度接近上層Si?N?薄膜時停止濕法刻蝕。隨后，通過RIE刻蝕去除上層Si?N?薄膜，從而形成懸臂梁結構。最后，采用HNA溶液對硅襯底進行各向同性濕法刻蝕，以釋放懸臂梁結構。完成制備的熱式MEMS差壓傳感器如圖2d所示。
圖2 熱式MEMS差壓傳感器的制備工藝流程和照片
熱式MEMS差壓傳感器的性能表征
為了表征熱式MEMS差壓傳感器的性能，將其按照如圖3a所示形式進行封裝。該差壓傳感器的測壓口通過硅膠管連接至移動液槽與固定液槽的底部接口（圖3b）。
圖3 熱式MEMS差壓傳感器的性能表征
研究人員定義了兩個熱敏電阻，其按照與加熱器的距離遠近分別記為T1和T2，并與各自的補償電阻一起連接至差分放大電路。該差壓傳感器工作在恒壓模式下，加熱電壓為2 V，在該條件下可獲得較高的信噪比。如圖3c所示的響應結果表明，兩個熱敏電阻的輸出電壓均隨差壓的增加而單調上升。圖3d展示了在0–400 Pa差壓范圍內兩個熱敏電阻的相對電壓變化ΔV，結果表明距離加熱器最近的熱敏電阻通常表現出最高的靈敏度。研究人員對熱式MEMS差壓傳感器的差壓分辨率進行了評估，結果如圖3e所示。
為評估熱式MEMS差壓傳感器的穩定性，在為期一周的時間內，分別于第1、3、5和7天對其施加20 Pa和60 Pa的差壓進行多次加載–卸載循環測試。圖3h展示了該傳感器穩定的動態電壓輸出響應，并且其零點漂移幾乎可以忽略不計。
水下速度與偏航角的估算
熱式MEMS差壓傳感器的高靈敏度與良好重復性使其特別適合用于水下航行器運動參數的測量。如圖4a所示，該差壓傳感器被用于估算水下機器人模型的速度與偏航角。圖4b展示了傳感器在水下機器人模型上的壓力測點分布。
圖4 基于熱式MEMS差壓傳感器陣列的水下速度與偏航角估算
圖4c表明，在不同偏航角條件下，DP2處的差壓隨速度增加而增大。在固定偏航角下，水下機器人模型前緣對稱點處的流場畸變相對穩定；而速度的增加會放大這些對稱點之間的差壓。圖4d展示了不同速度條件下，DP2處差壓隨偏航角的變化規律。偏航角的增大會導致水下機器人模型前緣對稱點之間的流場差異更加顯著，進而使壓力梯度增大，從而導致這些對稱點之間的差壓進一步增加。如圖4e所示的三維曲面圖表明，DP2處差壓隨速度與偏航角變化呈現穩定的規律性變化，這為后續基于神經網絡的速度與偏航角預測提供了有效支撐。
多層感知機（MLP）神經網絡能夠實現輸入到輸出之間的高度非線性映射，具有結構簡單和較強泛化能力的特點。因此，采用MLP神經網絡對測試數據進行訓練，并用于航行參數的估算。熱式MEMS差壓傳感器陣列（DP1–DP3）的數據作為輸入層，MLP神經網絡輸出速度與偏航角。訓練集如圖4f所示，圖4g給出了測試集的預測結果（紅色點），其與實際值高度一致。圖4h展示了速度與偏航角絕對估算誤差的統計結果，平均估算誤差分別為2.9?mm·s?1和0.94°。
水下障礙物的識別
魚類通過側線系統感知并處理流場信息，能夠基于流體動力學特征準確識別不同的獵物和物體，如圖5a所示。受這一生物機制啟發，研究人員在水下機器人模型中將該差壓傳感器陣列與機器學習算法進行了概念性整合，使其能夠利用測得的流體動力學信息識別水下障礙物。
圖5 利用熱式MEMS差壓傳感器陣列進行水下障礙物識別
用于水下障礙物識別的20種障礙物示意圖如圖5e所示。采用MLP神經網絡對測試數據進行訓練，并用于識別水下障礙物。通過將流體動力學感知與基于MLP的機器學習模型相結合，研究人員成功驗證了水下機器人模型具備識別水下障礙物的能力，其識別準確率高達97.5%（圖5h）。
為驗證熱式差壓傳感器數量對識別精度的影響，研究人員在不同輸入條件下對識別結果進行了比較。如圖5i所示，隨著熱式差壓傳感器數量的增加，識別準確率逐步提升，表明多傳感器融合的有效性。傳感器數量的增加能夠有效降低隨機噪聲對識別結果的干擾。此外，多傳感器融合還可以整合多維度的流場特征，從而實現更加全面且精確的流體動力學感知。
論文鏈接：
https://doi.org/10.1038/s41378-026-01270-9
