基于SOM-SVM組合分類器的涂層防護(hù)性能研究

徐安桃，李錫棟，周慧

（陸軍軍事交通學(xué)院 a.投送裝備保障系；b.學(xué)員5大隊(duì) 研究生隊(duì)，天津 300161）

電化學(xué)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(guān)的信息，該技術(shù)具有定量分析、測試時(shí)間較短等優(yōu)點(diǎn)，現(xiàn)已得到了廣泛的應(yīng)用[1]。對于一些復(fù)雜的涂層體系，其阻抗值很高，失效過程非常復(fù)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(dǎo)致涂層的失效過程與響應(yīng)信息無法一一對應(yīng)，涂層性能各變化階段間的界限重疊、不清晰，同時(shí)在低頻區(qū)還存在著信號漂移和數(shù)據(jù)彌散的問題。

電化學(xué)噪聲（EN）技術(shù)則是通過研究電極體系本身產(chǎn)生的電化學(xué)噪聲信號，從中得出電極反應(yīng)的有關(guān)信息[2]。電化學(xué)噪聲法應(yīng)用也存在一些問題，如電化學(xué)噪聲產(chǎn)生原因尚不完全清楚，一般認(rèn)為金屬體系電化學(xué)噪聲的產(chǎn)生與點(diǎn)蝕形核、亞穩(wěn)態(tài)點(diǎn)蝕、穩(wěn)態(tài)點(diǎn)蝕、腐蝕產(chǎn)物脫落以及擴(kuò)散過程等有關(guān)。對于防護(hù)性能較好的涂層體系，以上過程不容易發(fā)生。此外，電化學(xué)噪聲數(shù)據(jù)處理與分析方法還有欠缺，不同的數(shù)據(jù)分析方法可能得出不同甚至相反的結(jié)論。

為解決 EIS，EN可能出現(xiàn)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(diǎn)，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(xùn)練。SOM-SVM模型具有強(qiáng)大的自適應(yīng)性和學(xué)習(xí)能力，可解決各類別特征不明顯、特征參數(shù)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(shù)與EN技術(shù)相結(jié)合，提取出特征參數(shù)——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(xué)特征參數(shù)進(jìn)行輔助分析，期望能夠?qū)ν繉拥姆雷o(hù)性能進(jìn)行較為準(zhǔn)確的評價(jià)。

1 實(shí)驗(yàn)方法

1.1 涂層試樣與腐蝕試驗(yàn)

所用試樣為兩種現(xiàn)役軍車有機(jī)涂層，其中軍綠有機(jī)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(jīng)磷酸鋅磷化處理后，電泳環(huán)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?；疑袡C(jī)涂層采用的基板為國產(chǎn)汽車熱軋鋼板T610L，基板厚10 mm，尺寸為60 mm×60 mm，基板經(jīng)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(guān)標(biāo)準(zhǔn)[3]，設(shè)計(jì)了紫外試驗(yàn)以及鹽霧/紫外循環(huán)暴露試驗(yàn)，其流程如圖1所示。紫外試驗(yàn)從紫外輻照循環(huán)開始，設(shè)置輻照水平為（60±10）W/m2，交替進(jìn)行（60±3）℃下4 h紫外照射與（50±3）℃下4 h冷凝的循環(huán)，累計(jì)96 h為1個周期，共進(jìn)行9個周期。鹽霧/紫外循環(huán)暴露試驗(yàn)從紫外試驗(yàn)開始，累計(jì)進(jìn)行96 h，而后進(jìn)行鹽霧試驗(yàn)，交替進(jìn)行（24±3）℃下1 h鹽霧與（35±1.5）℃下1 h干燥的循環(huán)，累計(jì)進(jìn)行96 h。鹽霧/紫外循環(huán)暴露試驗(yàn)以192 h為1個周期，共進(jìn)行9個周期。每個周期結(jié)束后進(jìn)行一次電化學(xué)阻抗譜、電化學(xué)噪聲測試。

1.2 電化學(xué)測試

采用Parstat 2263型電化學(xué)工作站。電化學(xué)阻抗測試采用三電極體系，其中工作電極為車輛有機(jī)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(zhì)為3.5% NaCl溶液，電解池安裝完，待體系穩(wěn)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(xué)噪聲測試的電解質(zhì)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(jì)（ZRA）模式。參比電極采用飽和甘汞電極，采樣頻率2 Hz，采樣時(shí)間512 s。

2 基于SOM與SVM的涂層評價(jià)模型

2.1 電化學(xué)特征參數(shù)的提取

利用EIS以及EN的有關(guān)參數(shù)，可以對兩種涂層在循環(huán)暴露試驗(yàn)中的防護(hù)性能變化情況進(jìn)行分析。EN技術(shù)與EIS技術(shù)有著本質(zhì)上的區(qū)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(jià)參數(shù)，通過EN測試選取了噪聲電阻 Rn作為評價(jià)參數(shù)。兩種涂層在循環(huán)暴露試驗(yàn)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(jīng)證明了這兩種參數(shù)可以很好地反應(yīng)涂層防護(hù)性能變化[4-5]。由圖 2可知，軍綠涂層防護(hù)性能較好，實(shí)驗(yàn)中未表現(xiàn)出明顯的失效；而灰色涂層初始狀態(tài)下防護(hù)性能則較為一般，且隨著試驗(yàn)的進(jìn)行涂層防護(hù)性能逐漸下降，試驗(yàn)后期時(shí)已基本失效。通過分析可知，兩者的電化學(xué)表現(xiàn)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(jīng)網(wǎng)絡(luò)（Self-organizing feature mapping, SOM）由芬蘭神經(jīng)網(wǎng)絡(luò)專家 Kohonen于 1981年提出，是一種無監(jiān)督學(xué)習(xí)算法。其算法思想是模仿生物神經(jīng)系統(tǒng)自組織特征映射過程，通過學(xué)習(xí)逐步縮小神經(jīng)元之間的作用鄰域，加強(qiáng)中心神經(jīng)的激活程度，從而實(shí)現(xiàn)“近興奮遠(yuǎn)抑制”[7]。

SOM 網(wǎng)絡(luò)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?yún)?shù)的特征進(jìn)行聚類。在該網(wǎng)絡(luò)中，與獲勝神經(jīng)元對應(yīng)的權(quán)值和閾值將得到修正，同時(shí)其鄰近范圍內(nèi)的其他神經(jīng)元也有一定概率進(jìn)行權(quán)值和閾值調(diào)整，這種實(shí)時(shí)動態(tài)的調(diào)整有效提高了網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力[8]。

在特征參數(shù)選取方面，期望聯(lián)合運(yùn)用兩種電化學(xué)測試技術(shù)的評價(jià)參數(shù)，以得到涂層防護(hù)性能更準(zhǔn)確的評價(jià)，因此選取了循環(huán)暴露試驗(yàn)中兩種涂層的|Z|0.1Hz與Rn作為評價(jià)指標(biāo)，組成了20個樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行分析。其中樣本 1—10、樣本 11—20分別對應(yīng)軍綠與灰色涂層從初始至試驗(yàn)結(jié)束各周期的涂層狀態(tài)。在樣本輸入之前，首先對其進(jìn)行了歸一化處理（見表1），以提高訓(xùn)練的速度與準(zhǔn)確性。

表1 樣本參數(shù)歸一化數(shù)值

利用Matlab2015b及神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行神經(jīng)網(wǎng)絡(luò)的建立與數(shù)據(jù)分析。其基本步驟如下：

1）調(diào)用net=selforgmap([n 1])創(chuàng)建一個自組織映射網(wǎng)絡(luò)，[n 1]這個網(wǎng)絡(luò)的競爭層為n×1結(jié)構(gòu)。

2）將20組樣本輸入矩陣P。

3）調(diào)用net = train(net，P)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

4）調(diào)用yc_train=vec2ind(sim(net, P))對訓(xùn)練集進(jìn)行仿真，得到不同樣本對應(yīng)的激活程度。

當(dāng)自組織特征映射層的維數(shù)為1時(shí)，輸出神經(jīng)元的相應(yīng)位置反應(yīng)了涂層的狀態(tài)信息[9]。經(jīng)過200次訓(xùn)練，得到不同n值下20個樣本對應(yīng)的神經(jīng)元激發(fā)水平變化規(guī)律，如圖 3所示。n值與分類狀態(tài)有關(guān)，n越大表示影響神經(jīng)元分類的位置越多?？梢钥闯鰊=4時(shí)，已經(jīng)可以反應(yīng)涂層狀態(tài)的聚類信息，隨著n值升高，涂層所處狀態(tài)類別也越加清晰。當(dāng)n=20時(shí)已足以判斷涂層失效狀態(tài)的聚類信息。通過觀察可以發(fā)現(xiàn)，樣本1—7代表涂層良好的狀態(tài)，樣本8—11代表涂層防護(hù)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(jià)模型

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

SVM 算法以統(tǒng)計(jì)學(xué)習(xí)理論作為理論基礎(chǔ)，尋求最小結(jié)構(gòu)化風(fēng)險(xiǎn)，克服了傳統(tǒng)方法陷入過擬合和陷入局部最小的問題，具有很強(qiáng)的泛化能力。即當(dāng)訓(xùn)練樣本較少時(shí)，也可以得到較好的統(tǒng)計(jì)規(guī)律，使得獨(dú)立的測試集仍保持較小的誤差。支持向量機(jī)算法求解的是二次型尋優(yōu)的問題，得到的是全局最優(yōu)點(diǎn)，可以有效避免神經(jīng)網(wǎng)絡(luò)方法中的局部極值問題[10]。此外，SVM采用的核函數(shù)方法，可向高維空間進(jìn)行映射，同時(shí)有效避免了高維空間中的復(fù)雜計(jì)算。

經(jīng)過SOM神經(jīng)網(wǎng)絡(luò)的初步處理，為SVM算法訓(xùn)練樣本類別的確定奠定了基礎(chǔ)。根據(jù)SOM聚類結(jié)果，將涂層防護(hù)性能良好、防護(hù)性能下降、基本失效三個階段分別對應(yīng)于 “類別 1”、“類別 2”、“類別 3”，并將其與對應(yīng)的低頻阻抗模值|Z|0.1Hz以及噪聲電阻Rn共同組成訓(xùn)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(xùn)練，即將第 i（i=1,2,3）類中的訓(xùn)練樣本作為正訓(xùn)練樣本，而將不屬于該類的作為負(fù)訓(xùn)練樣本進(jìn)行訓(xùn)練，得到3個二分類支持向量機(jī)。

利用Matlab2015b及SVM工具箱可進(jìn)行樣本的訓(xùn)練，從而建立相應(yīng)的分類器，其基本步驟如下：

1）將訓(xùn)練樣本依次分成三類，對應(yīng)不同的“train_label”。

2）調(diào)用[bestacc, bestc, bestg]=psoSVMcgForClass()函數(shù)，對懲罰參數(shù)c與核函數(shù)參數(shù)g進(jìn)行優(yōu)化；該語句利用粒子群優(yōu)化算法（Particle Swarm Optimization, PSO），優(yōu)化了SVM的相關(guān)參數(shù)。

3）調(diào)用 model=svmtrain(train_label, train_scale,'options')函數(shù)進(jìn)行訓(xùn)練（options中選擇’-s 0’設(shè)置SVM類型為C-SVC，‘-t 2’設(shè)置核函數(shù)類型為RBF函數(shù)，‘-c’、‘-g’分別設(shè)為其對應(yīng)的優(yōu)化值），得到三個分類器，分別為“model_1”、“model_2”、“model_3”。

3 實(shí)例驗(yàn)證

以兩種涂層在紫外試驗(yàn)中的數(shù)據(jù)進(jìn)行驗(yàn)證，對其進(jìn)行歸一化處理后作為測試樣本輸入支持向量機(jī)進(jìn)行測試。首先將測試樣本分別輸入三個分類器，調(diào)用[predict_label, accuracy, decision]=svmpredict (test_label, test_scale, model)函數(shù)進(jìn)行輸出預(yù)測，然后將三個predict_label中的標(biāo)簽轉(zhuǎn)換成對應(yīng)的類別。

測試樣本集數(shù)據(jù)、來源及相應(yīng)的分類編號見表2。由表2可知，軍綠涂層在紫外試驗(yàn)中，前6個周期內(nèi)整體防護(hù)性能較好，第7至第9周期內(nèi)有所下降；灰色涂層則是初始狀態(tài)防護(hù)性能就比較一般，經(jīng)過2個周期試驗(yàn)后，防護(hù)性能就大幅下降，涂層基本失效，與電化學(xué)分析結(jié)果基本一致。

表2 測試結(jié)果

4 結(jié)論

1）利用SOM神經(jīng)網(wǎng)絡(luò)，將軍綠與灰色兩種涂層在循環(huán)暴露試驗(yàn)中的防護(hù)性能的變化分成三個階段，分別對應(yīng)涂層防護(hù)性能良好、防護(hù)性能下降以及涂層基本失效。

2）用SVM算法對SOM神經(jīng)網(wǎng)絡(luò)分類的樣本進(jìn)行訓(xùn)練，建立了相應(yīng)的分類器，并且通過實(shí)例驗(yàn)證了該方法的有效性。

參考文獻(xiàn)：

[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(xué), 2012.

[2] 張鑒清. 電化學(xué)測試技術(shù)[M]. 北京: 化學(xué)工業(yè)出版社,2010.

[3] 張紅雨. ASTM D 5894-05《涂漆金屬鹽霧/紫外線循環(huán)暴露標(biāo)準(zhǔn)規(guī)程(交替暴露于噴霧/干燥室和紫外線/冷凝室)》標(biāo)準(zhǔn)解讀[J]. 環(huán)境技術(shù), 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(xué)阻抗譜的神經(jīng)網(wǎng)絡(luò)分析[J]. 中國腐蝕與防護(hù)學(xué)報(bào), 2005, 25(2):106-109.

[7] 杜棟, 龐慶華, 吳炎. 現(xiàn)代綜合評價(jià)方法與案例精選[M]. 北京: 清華大學(xué)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(xué), 2013.

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

[10] 孔偉康. 基于電化學(xué)噪聲的腐蝕信號的數(shù)據(jù)處理技術(shù)的研究[D]. 天津: 天津大學(xué), 2013.