基于SOM-SVM組合分類器的涂層防護性能研究

徐安桃，李錫棟，周慧

（陸軍軍事交通學院 a.投送裝備保障系；b.學員5大隊 研究生隊，天津 300161）

電化學阻抗譜（EIS）對涂層體系施加微小擾動，通過解析從而可得到大量有關的信息，該技術具有定量分析、測試時間較短等優點，現已得到了廣泛的應用[1]。對于一些復雜的涂層體系，其阻抗值很高，失效過程非常復雜，等效電路通常難以選擇。此外，EIS測試獲取的是涂層界面的平均信號，導致涂層的失效過程與響應信息無法一一對應，涂層性能各變化階段間的界限重疊、不清晰，同時在低頻區還存在著信號漂移和數據彌散的問題。

電化學噪聲（EN）技術則是通過研究電極體系本身產生的電化學噪聲信號，從中得出電極反應的有關信息[2]。電化學噪聲法應用也存在一些問題，如電化學噪聲產生原因尚不完全清楚，一般認為金屬體系電化學噪聲的產生與點蝕形核、亞穩態點蝕、穩態點蝕、腐蝕產物脫落以及擴散過程等有關。對于防護性能較好的涂層體系，以上過程不容易發生。此外，電化學噪聲數據處理與分析方法還有欠缺，不同的數據分析方法可能得出不同甚至相反的結論。

為解決 EIS，EN可能出現的問題，提出基于SOM-SVM 的組合分類器模型。該模型是利用 SOM的聚類特點，將具有相同特征的輸入樣本聚集在一塊，后選取離聚類中心近的、具有代表性的小樣本輸入SVM訓練。SOM-SVM模型具有強大的自適應性和學習能力，可解決各類別特征不明顯、特征參數相互交錯混雜、非線性分布的類型識別問題。因此文中以EIS技術與EN技術相結合，提取出特征參數——低頻阻抗模值|Z|0.1Hz與涂層噪聲電阻 Rn，以此建立SOM-SVM組合分類器對電化學特征參數進行輔助分析，期望能夠對涂層的防護性能進行較為準確的評價。

1 實驗方法

1.1 涂層試樣與腐蝕試驗

所用試樣為兩種現役軍車有機涂層，其中軍綠有機涂層試樣基板為Q/BQB403/ST14冷軋低碳鋼板，基板厚1 mm，尺寸為60 mm×60 mm，基板經磷酸鋅磷化處理后，電泳環氧樹脂底漆，中涂聚氨酯類樹脂，面漆為含顏料的丙烯酸樹脂，總厚度約為34.48 μm。灰色有機涂層采用的基板為國產汽車熱軋鋼板T610L，基板厚10 mm，尺寸為60 mm×60 mm，基板經鋅系磷化處理后涂裝灰色丙烯酸、聚氨酯底盤專用漆（含水性面漆），總厚度約為40.23 μm。

參考ASTM D5984及ISO 11997等相關標準[3]，設計了紫外試驗以及鹽霧/紫外循環暴露試驗，其流程如圖1所示。紫外試驗從紫外輻照循環開始，設置輻照水平為（60±10）W/m2，交替進行（60±3）℃下4 h紫外照射與（50±3）℃下4 h冷凝的循環，累計96 h為1個周期，共進行9個周期。鹽霧/紫外循環暴露試驗從紫外試驗開始，累計進行96 h，而后進行鹽霧試驗，交替進行（24±3）℃下1 h鹽霧與（35±1.5）℃下1 h干燥的循環，累計進行96 h。鹽霧/紫外循環暴露試驗以192 h為1個周期，共進行9個周期。每個周期結束后進行一次電化學阻抗譜、電化學噪聲測試。

1.2 電化學測試

采用Parstat 2263型電化學工作站。電化學阻抗測試采用三電極體系，其中工作電極為車輛有機涂層，輔助電極為釕，參比電極為飽和甘汞電極。測試采用的電解質為3.5% NaCl溶液，電解池安裝完，待體系穩定后，在開路電位下對體系施加幅值為20 mV的交流信號，頻率范圍為10 mHz～100 kHz，測試面積為12.566 cm2。

電化學噪聲測試的電解質溶液為 3.5%NaCl溶液，工作電極為兩相同的帶涂層試樣，其面積為12.566 cm2，測試采用零阻電流計（ZRA）模式。參比電極采用飽和甘汞電極，采樣頻率2 Hz，采樣時間512 s。

2 基于SOM與SVM的涂層評價模型

2.1 電化學特征參數的提取

利用EIS以及EN的有關參數，可以對兩種涂層在循環暴露試驗中的防護性能變化情況進行分析。EN技術與EIS技術有著本質上的區別，都可以較好地反映涂層性能變化情況。通過EIS測試選取了低頻阻抗模值|Z|0.1Hz作為評價參數，通過EN測試選取了噪聲電阻 Rn作為評價參數。兩種涂層在循環暴露試驗中的低頻阻抗模值|Z|0.1Hz、噪聲電阻Rn變化情況如圖2所示。前人研究已經證明了這兩種參數可以很好地反應涂層防護性能變化[4-5]。由圖 2可知，軍綠涂層防護性能較好，實驗中未表現出明顯的失效；而灰色涂層初始狀態下防護性能則較為一般，且隨著試驗的進行涂層防護性能逐漸下降，試驗后期時已基本失效。通過分析可知，兩者的電化學表現綜合在一起，基本可以代表涂層失效的各個過程[6]。

2.2 失效階段劃分

自組織神經網絡（Self-organizing feature mapping, SOM）由芬蘭神經網絡專家 Kohonen于 1981年提出，是一種無監督學習算法。其算法思想是模仿生物神經系統自組織特征映射過程，通過學習逐步縮小神經元之間的作用鄰域，加強中心神經的激活程度，從而實現“近興奮遠抑制”[7]。

SOM 網絡由一個輸入層和自組織特征映射層（競爭層）組成，可以對輸入參數的特征進行聚類。在該網絡中，與獲勝神經元對應的權值和閾值將得到修正，同時其鄰近范圍內的其他神經元也有一定概率進行權值和閾值調整，這種實時動態的調整有效提高了網絡的學習能力和泛化能力[8]。

在特征參數選取方面，期望聯合運用兩種電化學測試技術的評價參數，以得到涂層防護性能更準確的評價，因此選取了循環暴露試驗中兩種涂層的|Z|0.1Hz與Rn作為評價指標，組成了20個樣本輸入神經網絡進行分析。其中樣本 1—10、樣本 11—20分別對應軍綠與灰色涂層從初始至試驗結束各周期的涂層狀態。在樣本輸入之前，首先對其進行了歸一化處理（見表1），以提高訓練的速度與準確性。

表1 樣本參數歸一化數值

利用Matlab2015b及神經網絡工具箱進行神經網絡的建立與數據分析。其基本步驟如下：

1）調用net=selforgmap([n 1])創建一個自組織映射網絡，[n 1]這個網絡的競爭層為n×1結構。

2）將20組樣本輸入矩陣P。

3）調用net = train(net，P)對網絡進行訓練。

4）調用yc_train=vec2ind(sim(net, P))對訓練集進行仿真，得到不同樣本對應的激活程度。

當自組織特征映射層的維數為1時，輸出神經元的相應位置反應了涂層的狀態信息[9]。經過200次訓練，得到不同n值下20個樣本對應的神經元激發水平變化規律，如圖 3所示。n值與分類狀態有關，n越大表示影響神經元分類的位置越多。可以看出n=4時，已經可以反應涂層狀態的聚類信息，隨著n值升高，涂層所處狀態類別也越加清晰。當n=20時已足以判斷涂層失效狀態的聚類信息。通過觀察可以發現，樣本1—7代表涂層良好的狀態，樣本8—11代表涂層防護性能下降階段，樣本 12—20代表涂層基本失效階段。

2.3 涂層評價模型

支持向量機（Support Vector Machine，SVM）的核心內容是在1992—1995年間，最早由V.Vapnik提出。其基本思想是：當數據為線性可分時，可以直接求取兩類數據最大間隔的超平面；而對于非線性情況時，SVM通過選取核函數將原數據映射到高維空間，將數據特征變成線性可分情況，從而在高維空間構建最優超平面。

SVM 算法以統計學習理論作為理論基礎，尋求最小結構化風險，克服了傳統方法陷入過擬合和陷入局部最小的問題，具有很強的泛化能力。即當訓練樣本較少時，也可以得到較好的統計規律，使得獨立的測試集仍保持較小的誤差。支持向量機算法求解的是二次型尋優的問題，得到的是全局最優點，可以有效避免神經網絡方法中的局部極值問題[10]。此外，SVM采用的核函數方法，可向高維空間進行映射，同時有效避免了高維空間中的復雜計算。

經過SOM神經網絡的初步處理，為SVM算法訓練樣本類別的確定奠定了基礎。根據SOM聚類結果，將涂層防護性能良好、防護性能下降、基本失效三個階段分別對應于 “類別 1”、“類別 2”、“類別 3”，并將其與對應的低頻阻抗模值|Z|0.1Hz以及噪聲電阻Rn共同組成訓練樣本集。

SVM 算法最初用于處理二分類問題，因此文中采用一對多（OVR）法，將SVM用于解決三分類問題。其算法思路如下：對每一個類別一次用一個SVM分類器訓練，即將第 i（i=1,2,3）類中的訓練樣本作為正訓練樣本，而將不屬于該類的作為負訓練樣本進行訓練，得到3個二分類支持向量機。

利用Matlab2015b及SVM工具箱可進行樣本的訓練，從而建立相應的分類器，其基本步驟如下：

1）將訓練樣本依次分成三類，對應不同的“train_label”。

2）調用[bestacc, bestc, bestg]=psoSVMcgForClass()函數，對懲罰參數c與核函數參數g進行優化；該語句利用粒子群優化算法（Particle Swarm Optimization, PSO），優化了SVM的相關參數。

3）調用 model=svmtrain(train_label, train_scale,'options')函數進行訓練（options中選擇’-s 0’設置SVM類型為C-SVC，‘-t 2’設置核函數類型為RBF函數，‘-c’、‘-g’分別設為其對應的優化值），得到三個分類器，分別為“model_1”、“model_2”、“model_3”。

3 實例驗證

以兩種涂層在紫外試驗中的數據進行驗證，對其進行歸一化處理后作為測試樣本輸入支持向量機進行測試。首先將測試樣本分別輸入三個分類器，調用[predict_label, accuracy, decision]=svmpredict (test_label, test_scale, model)函數進行輸出預測，然后將三個predict_label中的標簽轉換成對應的類別。

測試樣本集數據、來源及相應的分類編號見表2。由表2可知，軍綠涂層在紫外試驗中，前6個周期內整體防護性能較好，第7至第9周期內有所下降；灰色涂層則是初始狀態防護性能就比較一般，經過2個周期試驗后，防護性能就大幅下降，涂層基本失效，與電化學分析結果基本一致。

表2 測試結果

4 結論

1）利用SOM神經網絡，將軍綠與灰色兩種涂層在循環暴露試驗中的防護性能的變化分成三個階段，分別對應涂層防護性能良好、防護性能下降以及涂層基本失效。

2）用SVM算法對SOM神經網絡分類的樣本進行訓練，建立了相應的分類器，并且通過實例驗證了該方法的有效性。

參考文獻：

[1] 夏大海. 金屬包裝材料的腐蝕失效過程和腐蝕檢測[D].天津: 天津大學, 2012.

[2] 張鑒清. 電化學測試技術[M]. 北京: 化學工業出版社,2010.

[3] 張紅雨. ASTM D 5894-05《涂漆金屬鹽霧/紫外線循環暴露標準規程(交替暴露于噴霧/干燥室和紫外線/冷凝室)》標準解讀[J]. 環境技術, 2008, 26(4): 42-44.

[4] POTVIN E, BROSSARD L, LAROCHELLE G. Corrosion Protective Performances of Commercial Low-VOC Epoxy/Urethane Coatings on Hot-rolled 1010 Mild Steel[J].Progress in Organic Coatings, 1997, 31(4): 363-373.

[5] JAMALI S S, MILLS D J. A Critical Review of Electrochemical Noise Measurement as a Tool for Evaluation of Organic Coatings[J]. Progress in Organic Coatings, 2016,95: 26-37.

[6] 高志明, 宋詩哲, 徐云海. 涂層失效過程電化學阻抗譜的神經網絡分析[J]. 中國腐蝕與防護學報, 2005, 25(2):106-109.

[7] 杜棟, 龐慶華, 吳炎. 現代綜合評價方法與案例精選[M]. 北京: 清華大學出版社, 2015.

[8] 張寧致. 基于智能算法的股票市場決策模型[D]. 南京:南京大學, 2013.

[9] 趙霞. 有機涂層失效過程的電化學阻抗譜響應特征研究[D]. 青島: 中國海洋大學, 2007.

[10] 孔偉康. 基于電化學噪聲的腐蝕信號的數據處理技術的研究[D]. 天津: 天津大學, 2013.