基于線性極化腐蝕傳感器的飛機結構腐蝕監控

趙一昭 高鵬飛 劉德峰 李欣 劉馬寶

摘要：針對現階段我國在飛機結構腐蝕監控方面手段落后、效率低的現狀，開發基于線性極化法的能夠實時監測飛機鋁合金結構腐蝕速率的微型傳感器，并設計加速腐蝕試驗對該傳感器的有效性進行了驗證。同時，開展基于人工神經網絡的鋁合金結構腐蝕速率預測研究。結果表明，線性極化腐蝕傳感器所測腐蝕深度與鋁合金試樣實測值隨腐蝕時間變化趨勢相同，其能夠有效地對飛機結構腐蝕狀況進行實時監測；構建的網絡模型在不同環境下預測的腐蝕速率平均誤差不到8%，能夠有效實現對鋁合金結構瞬時腐蝕速率的預測。

關鍵詞：飛機結構；線性極化；腐蝕速率；實時監測；人工神經網絡

中圖分類號：TG174.3文獻標識碼：ADOI：10.19452/j.issn1007-5453.2020.07.011

基金項目：航空科學基金（20163470003）；陜西省重點研發計劃（2018ZDCXL-GY-03-01）

腐蝕是飛機金屬結構最主要的失效形式之一。我國飛機服役環境嚴酷，機體結構老化和腐蝕問題嚴重，導致有些機種出勤率降低，維修工作量及其費用大幅增加，制約著航空領域的經濟性發展[1]。測算表明，腐蝕造成的經濟損失有30%～40%是可以通過有效的控制與防護手段避免的[2]。因此，研究飛機的腐蝕控制與防護，對飛機結構腐蝕進行監測，保證其在壽命期內的可靠性不僅具有重要的軍事意義，而且具有重要的安全和經濟意義。

由于腐蝕的普遍性導致金屬的腐蝕無法根本消除，同時，隨著飛機逐漸步入老齡化，腐蝕問題也必將日益嚴重。為了提高飛機的安全性，延長飛機日歷壽命，對飛機在使用過程中的腐蝕情況進行腐蝕和監測是非常重要的[3]。采用傳感器來監測腐蝕是迄今為止最好的選擇，它可以較早地發現結構腐蝕，很大程度上避免不必要的損失[4]。

針對不同的腐蝕環境，不同的結構部位，傳感器的類型都不盡相同。其中，以線性極化法這一快速、靈敏、準確的電化學腐蝕測量方法為主要原理的腐蝕傳感器在快速測定金屬瞬時腐蝕速度方面獨具優勢，目前已成為發達國家在石油、化工等領域首選的腐蝕監測技術。

目前在國內亦有諸多學者利用線性極化法對金屬腐蝕進行了研究。聶向暉[5]等利用線性極化技術研究Q235鋼在大港土中的腐蝕行為，結果表明Q235鋼的線性極化電阻隨溫度升高而減??；胡杰珍[6]等利用線性極化法研究金屬在海水-大氣界面的腐蝕狀況，表明垂直于海水-大氣界面的碳鋼分別在水線區域和近水線海水區域存在腐蝕峰；汪俊英[7]等采用線性極化法比較兩種鋁合金在不同酸堿度的3%鹽溶液中的腐蝕速率及腐蝕特性，得出ZL102型鋁合金耐蝕性要優于LF6型鋁合金，且前者腐蝕速率總體較后者腐蝕速率小。國內對線性極化法的研究多集中于建筑、化工等領域，與航空領域相比，這些應用在傳感器材料、尺寸、靈敏度、工作環境等方面均有較大差別，更無法滿足對飛機金屬結構進行在線監測的需求。

因此，開發基于線性極化法的直接測量飛機金屬結構腐蝕速率的腐蝕監測傳感器，實現對飛機結構腐蝕的在線監測，將對我國飛機結構腐蝕控制與防護技術研究起到重大的推進作用。

1線性極化傳感器

1.1傳感器原理

當電流通過電極時引起電極電位移動的現象，稱為電極的極化。線性極化技術是一種使用三電極或雙電極的電化學方法，在金屬的腐蝕電位？c附近，對待測體系施加小的電位擾動進行電化學極化，測量所產生的直流電流。在低電流密度極化時，極化電位與電流接近直線關系，將二者的比值稱為極化電阻，其與腐蝕速率成反比。

1.2傳感器結構設計

線性極化腐蝕傳感器由兩個間距為200μm梳狀交叉排列的微加工電極組成，其工程圖如圖1所示。圖1中的傳感器材料為2524鋁合金，傳感器厚度為2mm，基板材料為聚酰亞胺。相較于一般較大規格的腐蝕傳感器，該微線性極化腐蝕傳感器的特點主要體現在兩個方面：首先，不同于常見電化學體系由工作電極、輔助電極和參比電極構成三電極系統，該傳感器是一個雙電極系統。由于該傳感器的工作電極和輔助電極之間間距微小，可以忽略由電極之間的溶液電阻引起的電壓降低，因此可以省略參比電極，極大地簡化了傳感器模型；其次，不同于一般的電化學系統輔助電極由惰性金屬組成，該傳感器的工作電極和輔助電極都由工作金屬組成，即2524-T3鋁合金材料，該設計的優點在于能夠直接給出結構腐蝕的測量信息[9]。

1.3傳感器制造

利用數控電火花機床對鋁合金材料進行加工制作線性極化腐蝕傳感器電極，鉬絲寬度為0.18mm。加工完成后，考慮到傳感器的梳齒狀工作電極細長比大，采用酸洗或金相砂紙打磨表面的方法處理傳感器會導致工作電極變形，影響傳感器的精度，因此分別利用Na2CO3溶液、純凈水和乙醇溶液在數控超聲波清洗器中對傳感器表面進行清洗，去除電火花加工廢液殘留。

采用環氧樹脂將腐蝕傳感器雙電極粘貼于絕緣性好、耐腐蝕的聚酰亞胺基板上。由于鋁合金在空氣中表面易生成三氧化二鋁等非金屬物質難以焊接，因此采用螺栓將導線固定于電極表面，導線多余部分利用焊錫包裹。最后再用環氧樹脂包裹螺栓和傳感器的背面、四周，留出電極有效腐蝕面積。待凝固后，利用無水乙醇清洗傳感器表面并吹干。制得微線性極化腐蝕傳感器如圖2所示。

2傳感器可行性驗證試驗

2.1試驗流程

本次試驗將線性極化腐蝕傳感器與鋁合金試樣置于相同的腐蝕環境下共同腐蝕，通過比較傳感器計算得到的腐蝕深度與試樣的實際腐蝕深度，驗證傳感器的可行性，具體試驗設計流程圖如圖3所示。

將鋁合金加工成20mm×30mm×2.4mm的長方體形試樣，共9塊。將試樣按照與傳感器相同的處理方式進行表面處理，待完全干燥后，利用分析天平分別測得每個試樣的質量。在室溫條件下配置濃度為3.5%的NaCl溶液，將傳感器與鋁合金試樣共同放入腐蝕溶液中。

試驗所用儀器為RST5000F電化學工作站，將傳感器與工作站相連，待腐蝕體系開路電位穩定后，設置試驗方法為“Tafel圖”，試驗電位相對于開路電位的增量為-250～ 250mV，掃描速率為1mV/s，得到體系陰極、陽極Tafel常數，如圖4所示。

測得體系Tafel常數后，更改試驗方法為“線性伏安掃描”，試驗電位相對于開路電位的增量為-10～10mV，掃描速率不變，得到腐蝕體系的極化電流隨電位變化曲線。考慮到雙電層電容效應導致的電流響應滯后現象，對曲線后段線性擬合，得到一次函數斜率即為腐蝕體系極化電阻的倒數，如圖5所示。

2.2極化電阻測量結果的修正

2.4試驗結果及分析

鋁合金試樣與傳感器共同放入腐蝕溶液中，在相同條件下腐蝕60天。利用式（15）計算傳感器腐蝕深度，得到傳感器腐蝕深度隨腐蝕時間的變化關系。傳感器在腐蝕溶液中腐蝕60天后腐蝕深度ds=0.0321mm。

鋁合金試樣分成三組，分別在腐蝕試驗進行20天、40天、60天后取出，試樣腐蝕情況如圖7所示。去除試樣表面產物，利用式（16）計算鋁合金試樣腐蝕深度。試樣腐蝕減重及計算得到腐蝕深度見表2。

將鋁合金試樣腐蝕深度數據進行擬合，與傳感器進行對比，得到試樣與傳感器的腐蝕深度對比結果如圖8所示。

由圖8可知：（1）傳感器所測得腐蝕深度與鋁合金試樣的腐蝕深度隨腐蝕時間變化趨勢相同，證明線性極化微型腐蝕傳感器可以有效地對鋁合金的腐蝕狀況進行實時監測；（2）傳感器所測得的腐蝕深度相較于鋁合金試樣實際腐蝕深度結果偏大，這是由于傳感器在實際工作過程中受到外界環境及基體結構發生腐蝕等因素的影響，從而使得傳感器測量精度降低。因此，在傳感器實際應用前需要進行標定，選取合適的修正因數以提高傳感器的精度。

3基于人工神經網絡的飛機結構腐蝕預測

隨著由金屬結構腐蝕造成的飛機老化問題越來越嚴重，利用已知參數構建飛機結構腐蝕預測模型，實現對飛機結構的壽命評估和腐蝕程度預測將十分重要。然而，由于引起腐蝕的原因復雜，造成腐蝕的因素與腐蝕后果往往又無確切的關系，傳統的數據分析處理方法應用于腐蝕試驗數據處理存在適應性差、精度低、對腐蝕過程的非線性特征把握不夠等缺點[10]。

隨著人工神經網絡技術的不斷發展，其高度的并行性、非線性和強大的聯想記憶能力、推廣能力、自適應和學習能力，在工程中發揮了重要作用。其中，誤差反傳網絡模型（back propagating，BP）是迄今為止在腐蝕領域應用最普遍和最廣泛的神經網絡模型。本節基于MATLAB軟件，采用BP神經網絡模型對腐蝕試驗數據進行學習和訓練，建立腐蝕環境因素與飛機鋁合金結構腐蝕速率間的映射關系，從而實現飛機金屬結構的腐蝕預測。

3.1試驗及測試樣本

自然環境對飛機結構的腐蝕作用是一個緩慢、長期的過程，因此實際中常采用加速模擬環境試驗技術研究飛機結構的腐蝕問題。本次樣本腐蝕試驗采用加速腐蝕試驗方法，通過電化學工作站及腐蝕傳感器模擬并測得的不同環境因素下鋁合金的腐蝕速率作為腐蝕試驗數據樣本，在保證樣本容量足夠進行有效預測的情況下，參考正交試驗表，選擇一部分有代表性的水平組合進行試驗。

選取溫度、鹽霧沉降量、pH值、Cl-濃度作為影響腐蝕的主要環境因素，每個因素設有三個水平。參考文獻中腐蝕環境參數水平的選取[11-15]并結合飛機鋁合金結構的實際腐蝕環境，最終確定試驗環境因素設計見表3。

按試驗設計參數配置不同濃度及pH值的NaCl溶液，將線性極化腐蝕傳感器放入鹽霧箱中，設置鹽霧箱試驗溫度及鹽霧沉降量，待環境穩定后開始電化學測量。開啟電化學工作站，將傳感器的陽極導線與工作站工作電極相連，陰極導線與工作站輔助電極和參比電極相連，待開路電壓穩定后，測得體系Tafel常數及極化電阻，利用公式求得該環境參數下腐蝕體系的腐蝕速率。試驗裝置連接如圖9所示。

3.2神經網絡模型建立

神經網絡結構采用三層BP網絡結構，第一層為輸入層，中間為隱含層，第三層為輸出層，相鄰兩層的神經元之間相互連接，各層內的神經元之間無連接。以試驗數據作為原始樣本進行網絡訓練和驗證，將每組試驗環境參數（溫度、鹽霧沉積量、pH值、Cl-濃度共4個）作為輸入因子，試驗所得鋁合金結構瞬時腐蝕速率v作為輸出因子，可由式（17）得到，單位為mm/a。

隱含層中神經元的數量在理論上沒有一個明確的規定，但可參考經驗公式。通過對不同中間層神經元數的網絡進行訓練比對，確定節點數為5時的模型預測結果最理想。綜上所述，最終選用的模型結構為4-5-1三層BP神經網絡模型。

3.3結果及討論

利用線性極化腐蝕傳感器得到不同環境參數下瞬時腐蝕速率見表4。選取第3、第7組試驗作為驗證樣本不參與網絡構建，將其余7組試驗有效樣本數據輸入網絡進行訓練，建立腐蝕環境因素與鋁合金結構腐蝕速率間的映射關系，將第3、第7組試驗環境參數輸入BP網絡模型中進行腐蝕速度預測，得到相應環境下不同傳感器預測值及誤差見表5。

由預測結果可知，在不同的環境參數下利用人工神經網絡預測得到的腐蝕速率結果與實際測量值的誤差分別為：8.1%、7.0%、12.2%、10.8%、5.1%和2.7%，平均誤差為7.65%，表明利用BP神經網絡構建的腐蝕特征量與系統監測信號的映射關系模型能夠對不同環境參數下的鋁合金腐蝕速率進行有效的預測。

4結論

通過分析，可以得出以下結論：

（1）開發基于線性極化法的腐蝕傳感器并設計試驗對傳感器可行性進行驗證。結果表明，傳感器所測得腐蝕深度與鋁合金試樣的腐蝕深度隨腐蝕時間變化趨勢相同，標定后的傳感器可有效實時監測鋁合金的腐蝕狀況。

（2）開展基于人工神經網絡的鋁合金腐蝕速度預測研究。利用BP神經網絡結構，建立腐蝕環境參數與鋁合金腐蝕速率的人工網絡模型。神經網絡預測結果與實測值吻合良好，平均誤差為7.65%。因此，構建的網絡模型能較好地反映腐蝕環境參數對鋁合金瞬時腐蝕速率的影響，可以實現在不同環境參數條件下對鋁合金結構腐蝕速率的預測。

參考文獻

[1]陳群志，康獻海，劉健光，等.軍用飛機腐蝕防護與日歷壽命研究[J].中國表面工程， 2010， 23（4）：1-6. Chen Qunzhi， Kang Xianhai， Liu Jianguang， et al. Discussion about military aircraft anti-corrosion and calendar life research[J]. China Surface Engineering， 2010， 23（4）：1-6.（in Chinese）

[2]羅延生，程普強.經驗與教訓：飛機腐蝕損傷案例分析[M].西安：西北工業大學出版社， 2016. Luo Yansheng， Cheng Puqiang. Experiences and lessons：Case study of aircraft corrosion damage[M]. Xian： Northwestern Polytechnical University Press， 2016.（in Chinese）

[3]郭小波.飛機機身結構的腐蝕及防護方法[J].航空科學技術， 2013（4）： 31-33. Guo Xiaobo. Structure corrosion and protective measures for aircraft fuselage[J]. Aeronautical Science & Technology， 2013（4）： 31-33.（in Chinese）

[4]王利恒.復合材料飛機結構健康監測系統的若干問題探討[J].航空科學技術， 2011（5）： 63-66. Wang Liheng. Discussion on composite structural health monitoring system[J]. Aeronautical Science & Technology， 2011（5）： 63-66.（in Chinese）

[5]聶向暉，杜翠薇，李曉剛.溫度對Q235鋼在大港土中腐蝕行為和機理的影響[J].北京科技大學學報， 2009， 31（1）：48-53. Nie Xianghui， Du Cuiwei， Li Xiaogang. Influence of temperature on the corrosion behavior and mechanism of Q235 steel in Dagang soil[J]. Journal of University of Science and Technology Beijing， 2009， 31（1）：48-53.（in Chinese）

[6]胡杰珍，程學群，李曉剛，等.陣列電極（WBE）聯合線性極化技術（LP）研究海水-大氣界面區碳鋼的腐蝕行為[J].腐蝕與防護， 2015， 36（11）：1014-1020. Hu Jiezhen， Cheng Xuequn， Li Xiaogang， et al. Evaluation of sea-air interface area corrosion for carbon steel by WBE technique and LP technique[J]. Corrosion and Protection， 2015， 36（11）：1014-1020.（in Chinese）

[7]汪俊英，孔小東.兩種鋁合金在3%NaCl溶液中的腐蝕特性[J].腐蝕科學與防護技術， 2011， 23（1）：41-44. Wang Junying， Kong Xiaodong. Electrochemical corrosion behavior of two Al-based alloys in 3%NaCl solution[J]. Corrosion Science and Protection Technology， 2011， 23（1）：41-44.（in Chinese）

[8]張寶宏，叢文博，楊萍.金屬電化學腐蝕與防護[M].北京：化學工業出版社， 2005. Zhang Baohong， Cong Wenbo， Yang Ping. Electrochemical corrosion and protection of metals[M]. Beijing： Chemical Industry Press， 2005.（in Chinese）

[9]Brown D，Darr D，Morse J，et al. Real-time corrosion monitoring of aircraft structures with prognostic applications[C]//Proceedings of the Prognostics and Health Management Society，2012：23-27.

[10]毛旭輝，甘復興，汪的華.人工神經網絡在腐蝕與防護領域的應用[J].材料保護， 2001， 34（9）：55-56. Mao Xuhui， Gan Fuxing， Wang Dehua. The application of artificial neural network （ANN） technology in corrosion and protection field[J]. Journal of Materials Protection， 2001， 34（9）： 55-56.（in Chinese）

[11]劉延利，鐘群鵬，王宇魁.鋁合金預腐蝕與疲勞性能灰色模型研究[J].北京航空航天大學學報， 2001， 27（2）：129-132. Liu Yanli， Zhong Qunpeng， Wang Yukui. Research of gray model applied in the prior corrosion and fatigue of aluminum alloys[J]. Journal of Beijing University of Aeronautics and Astronautics， 2001， 27（2）：129-132.（in Chinese）

[12]周希沅.中國飛機結構腐蝕分區和當量環境譜[J].航空學報， 1999， 20（3）：230-233. Zhou Xiyuan. Corrosion zoning and equivalent environmental spectrum of Chinese aircraft structures[J]. Acta Aeronautica et Astronautica Sinica， 1999， 20（3）：230-233.（in Chinese）

[13]何澤能，譚炳全，高陽華，等.重慶市酸雨分布特征[J].氣象科技， 2008， 36（6）：706-711. He Zeneng， Tan Bingquan， Gao Yanghua， et al. Distribution features of acid rain in Chongqing[J]. Meteorological Science and Technology， 2008， 36（6）：706-711.（in Chinese）

[14]向斌，閆華，胡舸.低碳鋼人工神經網絡腐蝕模型構建和改進[J].腐蝕與防護， 2010， 31（11）：837-839. Xiang Bin， Yan Hua， Hu Ge. Development and improvement of artificial neural network corrosion model for low carbon steels[J]. Corrosion and Protection， 2010， 31（11）：837-839.（in Chinese）

[15]Seetharaman R， Ravisankar V， Balasubramanian V. Corrosion performance of friction stir welded AA2024 aluminium alloy under salt fog conditions[J]. Transactions of Nonferrous Metals Society of China， 2015（5）：1427-1438.（責任編輯王為）

作者簡介

趙一昭（1995-）男，碩士。主要研究方向：飛機結構可靠性及健康狀態監測研究。

Tel：18392887180

E-mail：zhaoyz0217@163.com

高鵬飛（1994-）男，碩士，助理工程師。主要研究方向：結構可靠性及健康狀態監測研究。

Tel：19990583758

E-mail：545673184@qq.com

劉德峰（1981-）男，碩士，高級工程師。主要研究方向：航空特種傳感器。

Tel：18611707908E-mail：liu_defeng@126.com

李欣（1988-）女，碩士，工程師。主要研究方向：航空特種傳感器。

Tel：18810346764E-mail：lixin634@163.com

劉馬寶（1966-）男，博士，教授。主要研究方向：飛機結構可靠性及健康狀態監測研究。

Tel：13991303863

E-mail：mliu@xjtu.edu.cn

Corrosion Monitoring of Aircraft Structure Based on Linear Polarization Resistance Sensor

Zhao Yizhao1，Gao Pengfei2，Liu Defeng3，Li Xin3，Liu Mabao1，*

1. State Key Laboratory for Strength and Vibration of Mechanical Structures，Xian Jiaotong University，Xian 710049，China

2. CRRC Changchun Railway Co.，Ltd.，Changchun 130000，China

3. AVIC Beijing Changcheng Aeronautical Measurement and Control Technology Research Institute，Beijing 101111，China

Abstract： In order to fix the weakness of domestic aircraft structural corrosion monitoring， the micro-sized linear polarization resistance sensor was developed to monitor the corrosion rates of aluminum alloy structures in real time. Accelerated corrosion experiments were carried out to verify the feasibility of the developed sensors. The results indicated that the corrosion depth measured by sensors had the same trend as that of aluminum alloy samples with time， which showed the sensors can monitor the corrosion rates of aircraft structures in real time effectively. Meanwhile， the prediction model for corrosion rates of aluminum alloys was established based on BP neural network. The established network model can predict the corrosion rates of aluminum alloy structures in different environments with the average error less than 8%.

Key Words： aircraft structure； linear polarization resistance； corrosion rate； real-time monitoring； artificial neural network