AS | 南方科技大学薛亚辉、郑州大学董林:双模力致发光助力高精准速度可视化识别

MgF₂荧光粉展现出独特的、随滑动速度变化的ML发光色分布特性。在手动慢速滑动过程中，蓝光发射占主导地位，长曝光下可记录到连续发光轨迹。在电机驱动快速滑动条件下，MgF₂荧光粉呈现多色ML发射：接触点处为蓝光，拖尾区域则形成鲜明的橙色发光轨迹。这种随加载速度变化的鲜明色彩映射，源于MgF₂荧光粉具有寿命不同的多模ML发射，从而形成不同长度的发光拖尾轨迹（图1）。

在不同单轴力缓慢滑动下，随着施加力增大，ML亮度增强，MgF₂的ML光谱呈现从紫外到可见光区域的宽带发射。ML总强度与施加单轴力呈线性相关。此外，循环测试证实了ML发光的优异自恢复性和可重复性。值得注意的是，ML循环测试未采用外部光源（如紫外光或X射线）进行预照射。这些卓越的ML性能可满足更多实际应用需求。在电机驱动的快速滑动条件下观测到多色ML图像。随着单轴力的增加，接触点的发光强度增强，发光轨迹变长。与慢速滑动类似，快速滑动下的ML总强度也呈现近似线性关系。经1000次循环测试后，ML强度仍保持初始值的95%以上。这些结果表明，即使在高负荷速率摩擦条件下，MgF₂仍展现出卓越的循环稳定性（图2）。

ML发射强度与发光拖尾分布同样受电机加载速度影响。随着加载速度的增加，ML强度增强，同时拖尾长度增加。通过分析相机提取ML图像，提出了一种基于ML长度分析ML发射寿命的方法。另外，验证了滑动产生的ML在不同温度下的稳定性（图3）。

通过利用具有MgF₂双模ML特性，结合机器学习算法，开发出实时载荷速度监测系统。在电机驱动的轴承表面涂覆薄层MgF₂/环氧树脂涂层，并在单轴压力下通过摄像机采集荧光图像。随后通过卷积神经网络（CNN）对图像进行特征提取与分类分析。具体而言，将ML图像预处理，经卷积层、池化层及全连接层处理后，最终输出预测的转速分类结果。设置了6个不同的加载速度，最终实现了100%的超高预测准确率（图4）。该方法开创了一种独特且自驱动的组件加载速度评估途径，在动态力学分析中的应用提供了巨大潜力。

该研究通过固态烧结法开发出无掺杂MgF₂力致发光材料，可同时呈现瞬态蓝色ML与持久性橙色ML。该MgF₂荧光粉不仅展现出卓越的ML性能，更具备优异的稳定性和可重复性。通过瞬态与持久性ML的协同作用，可借助鲜明的ML色彩变化生动呈现加载速度的变化。此外，基于快速滑动过程中获取的ML图像分析，提出了一种简便有效的ML寿命初步评估方法。将卷积神经网络与ML图像结合，可实现不同载荷速度的精准识别，达到100%的超高准确率。该研究为载荷速度检测提供了创新实用的策略，彰显了基于ML传感技术在动态力学分析领域的应用潜力。