CN103760231B - 基于决策树的焊接缺陷巨磁电阻涡流检测方法及检测装置 - Google Patents

Abstract

本发明属于无损检测技术领域，涉及一种基于决策树的焊接缺陷巨磁电阻涡流检测装置，包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器，其中，交流激励电压产生电路的输出连接到矩形线圈；四个巨磁电阻传感器排列成一条直线固定在矩形线圈的底部；巨磁电阻的敏感轴方向平行于矩形线圈的导线，使得矩形线圈产生的一次磁场方向垂直于巨磁电阻的敏感轴方向；四个巨磁电阻传感器输出的信号被送入到分析计算模块，经解调检测到的四路通道信号的实部数据，并根据实部数据检测是否存在焊接缺陷。本发明同时提供一种采用此种检测装置的检测方法。本发明具有响应速度快，实时性好且测量过程简单并容易实现的优点。

Description

基于决策树的焊接缺陷巨磁电阻涡流检测方法及检测装置

技术领域

本发明属于无损检测技术领域，特别涉及一种焊接质量的电涡流检测装置和方法。

背景技术

焊接技术被广泛应用于能源，石化，核工业，交通运载工具制造以及其他一些工业过程[1-3]。在焊接过程中，对焊接缺陷进行检测和估计，可降低废品率提高生产效率；在设备运行过程中，检测焊接处由于温度、压力和外部影响造成的早期缺陷，可避免灾难性事故的发生[4]。常见的焊接缺陷有气孔、未焊透、裂纹等等，通过对焊接缺陷的检测和分类可以对后续的修补和替换带来判断依据。

电涡流检测是一种重要的无损检测方法[5]。对于焊接缺陷的电涡流检测，焊接区域粗糙表面引入的测量噪声对缺陷检测影响极大[6]。许多改进的电涡流检测的激励线圈，如矩形线圈[7]、差分薄饼线圈、TR探头、带差分检测线圈的均匀涡流探头[8]、正交涡流线圈[2]被应用于焊接缺陷的检测[7-9]。在激励方式的改进方面，不同的激励方式如双频激励技术和脉冲激励技术被用于检测焊接缺陷[10,11]。

焊接缺陷如气孔，夹杂和裂纹的存在会影响到被测试件内部的涡流分布，从而导致磁场分布的变化，因此直接检测磁场给对缺陷的检测和评估带来了便利。人们尝试使用直接的磁敏感元件来检测磁场的变化情况来确定焊接质量的好坏，Hall[12]，AMR[6]，GMR[13]已经被用来对焊接周围的涡流磁场进行检测。

除了对激励线圈和传感器的改进外，对获得的缺陷信号的处理也是检测能够成功的关键因素。对缺陷信号的识别有多种方法，很多先进的信号处理技术被用于焊接缺陷的涡流检测。神经网络被用于对缺陷进行分类和重构[4,14]；通过仿真模型数据和检测数据的对比来进行缺陷形状估计[9]，二维离散小波变换被用于焊接信号的去噪[14]。但是针对焊接缺陷电涡流检测特征量非常少。特别是由于焊接表面的复杂纹理和结构，造成焊接涡流电磁信号通常带有比较强的噪声。如何区分噪声信号和缺陷信号，给电涡流检测提出了新的挑战。

参考文献

[1].任吉林.我国涡流检测技术的发展[J].无损检测,1994,(10):280-283+298.

[2].黄建明,林俊明.焊缝电磁涡流检测技术[J].无损检测,2004,(02):95-98.

[3].林俊明.电磁(涡流)检测技术现状及发展趋势[J].航空制造技术,2004,(09):40-41.

[4].Rao,B.,Raj,B.,Jayakumar,T.,etc.An artificial neural network foreddy current testing of austenitic stainless steel welds[J].NDT&E Int,2002,35(6):393-398.

[5].Tian,G.,Sophian,A.,Taylor,D.,etc.Wavelet-based PCA defectclassification and quantification for pulsed eddy current NDT[A].In Science,Measurement and Technology,IEE Proceedings-[C],2005;141-148.

[6].Allweins,K.,Von Kreutzbruck,M.,Gierelt,G.Defect detection inaluminum laser welds using an anisotropic magnetoresistive sensor array[J].JAppl Phys,2005,97(10).

[7].Koyama,K.,Hoshikawa,H.,Taniyama,N.Investigation of eddy currenttesting of weldzone by uniform eddy current probe[A].In Proceedings of WCNDT[C],2000.

[8].Yusa,N.,Machida,E.,Janousek,L.,etc.Application of eddy currentinversion technique to the sizing of defects in Inconel welds with roughsurfaces[J].Nucl Eng Des,2005,235(14):1469-1480.

[9].Yusa,N.,Janousek,L.,Rebican,M.,etc.Detection of embedded fatiguecracks in Inconel weld overlay and the evaluation of the minimum thickness ofthe weld overlay using eddy current testing[J].Nucl Eng Des,2006,236(18):1852-1859.

[10].Mandache,C.,Dubourg,L.,Merati,A.,etc.Pulsed eddy current testingof friction stir welds[J].Mater Eval,2008,66(4):382-386.

[11].Mandache,C.,Levesque,D.,Dubourg,L.,etc.Non-destructive detectionof lack of penetration defects in friction stir welds[J].Sci Technol WeldJoi,2012,17(4):295-303.

[12].Abdul,S.,Zhou,Z.Evaluation of piezoresistivity in heattreated5A06Al-Mg alloy due to applied stress using eddy current method.InChengdu,2012;Vol.548,377-381.

[13].Postolache,O.,Ribeiro,A.L.,Ramos,H.A novel uniform eddy currentprobe with GMR for non destructive testing applications[A].In Lisbon,2011.

[14].Kumar,A.,Sasi,B.,Sharma,G.K.,etc.Nondestructive evaluation ofaustenitic stainless steel welds.In Mumbai,2013;Vol.794,366-374.

发明内容

本发明的目的是克服现有技术上的不足，提供一种响应速度快，实时性好且测量过程简单并容易实现的焊接电涡流检测装置。为此，本发明采用如下的技术方案：

一种基于决策树的焊接缺陷巨磁电阻涡流检测装置，包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据采集模块、分析计算模块，其中，交流激励电压产生电路的输出连接到矩形线圈；四个巨磁电阻传感器排列成一条直线固定在矩形线圈的底部；巨磁电阻的敏感轴方向平行于矩形线圈的导线，使得矩形线圈产生的一次磁场方向垂直于巨磁电阻的敏感轴方向；矩形线圈的内部放置一块永磁铁，用于对磁场进行偏置；四个巨磁电阻的输出分别连接信号调理电路的不同的通道，信号调理电路用于对巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块输入到分析计算模块，分析计算模块用于解调检测到的四路通道信号的实部数据，并根据实部数据检测是否存在焊接缺陷。

本发明同时提供一种采用所述的电涡流焊接检测装置实现的基于决策树的焊接缺陷巨磁电阻涡流检测方法，包括下列步骤：

（1）获取学习样本：对良好焊缝和不同种类缺陷焊缝进行编号，分别采集良好焊缝和不同缺陷焊缝的四输出通道数据（x₁，x₂，x₃，x₄），计算同一时刻下的四路信号相互之间的峰峰值V_pp、方差Var和斜率变化kk；

（2）在步骤（1）得到的学习样本的基础上，基于各组学习样本的峰峰值V_pp、方差Var和斜率变化kk，构造训练样本特征量分布表：

其中，U称为样本集，X₁～X_n为各训练样本；C为样本特征量集，其中C₁,C₂,C₃依次为四路信号相互之间的峰峰值V_pp、方差Var和斜率变化kk；D为类型决策集，元素为D₁,D₂,D₃，依次为良好焊缝，含气孔焊缝和未焊透焊缝；C_ij(i＝1,2,3,j＝1,2...n)为各个样本特征量的取值；

（3）对训练样本特征量分布表中的各个样本特征量的取值C_ij(i＝1,2,3,j＝1,2...n)的连续数据采用基于最小熵原理的离散化算法进行离散化，得到离散化诊断决策表：

其中， $a_{\mathrm{ij}}=\left\{\begin{array}{cc}1& C_{\mathrm{ij}}\&le;{P1}_i\\ 2& {P1}_i<C_{\mathrm{ij}}\&le;{P2}_i(i=\mathrm{1,2},3,j=\mathrm{1,2}...n),\\ 3& C_{\mathrm{ij}}>{P2}_i\end{array}\right.$ P1_i，P2_i为基于最小熵原理的离散化算法获得的两个断点值；C₁',C₂',C₃'依次为C₁,C₂,C₃离散化之后的数值；

（4）利用C4.5算法对离散化诊断决策表进行分析，计算C₁',C₂',C₃'三个特征量各自的信息增益率，选择信息增益率最大的特征量作为第一个根节点，对各分支重复利用C4.5算法，根据离散化诊断决策表中各特征量的a_ij值确定if…then诊断规则，建立的决策树模型，输入节点，即根节点为C₁',C₂',C₃'三个特征量中信息增益率最大的特征量，输出节点为三种样本类型D₁,D₂,D₃，中间层节点及分支情况由训练样本数据确定的if…then规则生成；

（5）样本测试：测试待测焊缝的四通道输出数据（x₁，x₂，x₃，x₄），计算待测焊缝的峰峰值、方差和斜率变化，分别记作C₁,C₂,C₃，采用步骤（3）的方法对其离散化处理，依次记作C₁',C₂',C₃'，并输入步骤（4）训练好的决策树模型，经过各层节点的分类选择，得到焊缝的分类结果。

本发明在一个矩形线圈下部同时放置四个巨磁电阻传感器，同时检测焊缝两侧的磁场分布，以四个通道的信号的峰峰值、方差和斜率变化三个参数作为评价焊接质量的参数，根据这三个参数离线构造训练样本集合，根据训练样本特征量的取值及分布情况，选择最佳的特征量作为根节点确定诊断规则，建立决策树模型。在进行焊接电涡流检测时，将被测样本的特征量输入到决策树模型，根据确定好的诊断规则经过决策树各个节点的分类，最终得到被测样本所含缺陷类型。本发明的检测方法，模型简单，分类步骤清晰，且测量过程简单，造价低，易于实施。

附图说明

图1、(a)焊缝电涡流检测装置探头示意图；

(b)焊缝电涡流检测装置探头截面示意图；

(c)焊缝电涡流检测装置探头侧面示意图；

图2、焊缝电涡流检测系统结构图；

图3、焊缝电涡流检测实现过程示意图；

图4、本发明所采用的决策树网络结构图；

图5、以C₃为根节点建立的决策树模型；

图6、以C₁为根节点建立的决策树模型；

图中：

1、焊缝 2、激励线圈

3、交流激励电压产生电路 4、巨磁电阻传感器

5、巨磁电阻敏感轴方向 6、信号调理电路

7、数据采集模块 8、分析计算模块

9、永磁铁

具体实施方式：

下面结合附图和实施例对本发明做进一步说明。

参见图1和图2，检测装置包括一个矩形激励线圈2(本实施例矩形线圈的尺寸为长60mm，宽30mm，高25mm)、激励电压信号产生电路3、四个相同的巨磁电阻传感器芯片4(本实施例四个巨磁电阻芯片之间的距离为2mm)、信号调理电路6、数据采集模块7、分析计算模块8。激励电压产生电路3的输出连接矩形线圈2的导线；四个巨磁电阻传感器4(1)、4(2)、4(3)、4(4)位于同一条直线上(本实施例选用NVE公司生产的巨磁电阻传感器芯片AA002-E)，分别固定在矩形线圈2的底部；永磁铁9放置于矩形线圈2的内部，用于对磁场进行偏置；巨磁电阻4的敏感轴方向平行于矩形线圈的导线绕行方向，使得矩形线圈产生一次磁场方向垂直于巨磁电阻的敏感轴方向；四个巨磁电阻的输出分别连接具有四个通道的信号调理电路6，信号调理电路6用于将巨磁电阻的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块7输入到分析计算模块8。测量过程中，将焊缝放置于检测探头的巨磁电阻芯片4(2)和4(3)之间。分析计算模块8负责解调采集到的四路通道信号的实部，然后计算同一时刻下的四路信号实部相互之间的峰峰值、方差和斜率变化，通过这三个参数对决策树模型进行训练，将根据不同缺陷类型参数训练好的决策树用于对新的待测焊缝进行缺陷评估和分类，以下所述数据如无特殊说明，均表示解调出来的实部数据。

检测算法主要步骤如下(以下算法均在分析计算模块8中，通过软件编程实现)：

（1）获取学习样本

对良好焊缝和不同种类缺陷焊缝进行编号。通过焊接缺陷检测系统的分析计算模块8计算四个通道信号的峰峰值、方差和斜率变化。本实施例中,经过四个通道输出的四个巨磁电阻4(1)、4(2)、4(3)、4(4)的输出电压信号分别为x₁，x₂，x₃，x₄，在分析计算模块8中计算峰峰值

V_pp＝max(x₁,x₂,x₃,x₄)-min(x₁,x₂,x₃,x₄) (1)

在分析计算模块8中计算信号x₁，x₂，x₃，x₄的方差为Var

$\mathrm{\&mu;}=E(x_1,x_2,x_3,x_4)=\frac{1}{n}\underset{i=1}{\overset{1}{\mathrm{\&Sigma;}}}{x}_i(n=4)---\left(2\right)$

Var(x₁,x₂,x₃,x₄)＝E[(x_i-μ)²] (3)

在分析计算模块8中计算斜率变化kk

k₁＝(x₂-x₁) (4)

k₂＝(x₄-x₃) (5)

kk＝k₁k₂＝(x₂-x₁)(x₄-x₃) (6)

（2）训练决策树

首先依据粗糙集原理由训练样本数据构建训练样本特征量分布表；然后利用基于最小熵原理的离散化方法对特征量进行离散化处理，获得离散化诊断决策表；之后利用C4.5算法确定if…then诊断规则，构建出诊断决策树；最后利用该诊断决策树进行对待测样本缺陷类型的诊断。

第一步：构建样本特征量分布表

由训练样本可以构造出如表1所示的训练样本特征量分布表，其中U称为样本集，X₁～X_n为各训练样本；C为样本特征量集，其中C₁,C₂,C₃依次为四路信号相互之间的峰峰值、方差和斜率变化；D为类型决策集，D₁,D₂,D₃依次为良好焊缝，含气孔焊缝和未焊透焊缝。表中C_ij(i＝1,2,3,j＝1,2...n)为各个样本特征量的取值。

表1训练样本特征量分布表

第二步：连续属性离散化

由于粗糙集理论只能处理离散数据，因此需要对表1中的连续数据C_ij(i＝1,2,3,j＝1,2...n)设计基于最小熵原理的离散化算法。

1）将C_i1,...C_ij,...C_iN按升序排列为C'_i1,...C'_ij,...C'_iN

2）计算两两相邻数据的平均值，记为其中 ${\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}=({C^{\&prime;}}_{\mathrm{ij}}+{C^{\&prime;}}_{i(j+1)})/2,j=\mathrm{1,2},...N-1$

3）确定离散分类数r，取r＝3

4）每个可将区间[C'_i1,C'_iN]划分为两个子区间和分别记为p区间和q区间，计算在区间[C'_i1,C'_iN]内所具有的信息熵并令信息熵最小的为PRI；

$S\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)=p\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)S_p\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)+q\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)S_q\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right),$

$S_p\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)=-\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)\ln p_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right),$

$S_q\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)=-\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{q}_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)\ln q_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right),$

$p_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)=(n_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)+1)/(n\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)+1),$

$q_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)=(N_k\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)+1)/(N\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)+1),$

$p\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)=n\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)/N,$

$q\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right)=1-p\left({\stackrel{\&OverBar;}{C^{\&prime;}}}_{\mathrm{ij}}\right),$

其中，分别为第k类缺陷在p区间和q区间上的条件概率；分别是所有样本在p区间和q区间上的概率，分别为第k类缺陷在p区间和q区间上的样本数，分别为p区间和q区间上的样本总数，

N是区间[C'_i1,C'_iN]上的样本总数。

5）针对每个按上面的公式重新计算它在区间[C'_i1,PRI_i]内所具有的的信息熵，并令信息熵最小的为SEC1_i；针对每个按上面的公式重新计算它在区间[PRI_i,C'_iN]内所具有的信息熵，并令信息熵最小的为SEC2_i，这样就得到了三个值，SEC1_i，PRI_i，SEC2_i

6）基于最大隶属度原则，将各连续数据C_i1,...Ci_j,...C_iN按下式进行离散化处理，离散化后的条件数据值为C_di1,...C_dij,...C_diN

$C_{\mathrm{dij}}=\begin{array}{}\end{array}\left\{\begin{array}{cc}1& C_{\mathrm{ij}}\&le;{P1}_i\\ 2& {P1}_i<C_{\mathrm{ij}}\&le;{P2}_i\\ 3& C_{\mathrm{ij}}>{P2}_i\end{array}\right.----\left(7\right)$

其中，j＝1,2,...N；P1_i,P2_i为C_i离散化处理的两个断点值，且P1_i＝(SEC1_i+PRI_i)/2,P2_i＝(SEC2_i+PRI_i)/2，这样就实现了C_i的离散化。将表1中的所有数据都进行离散化处理，就能得到离散化诊断决策表2。

表2离散化诊断决策表

其中, $a_{\mathrm{ij}}=\begin{array}{}\end{array}\left\{\begin{array}{cc}1& C_{\mathrm{ij}}\&le;{P1}_i\\ 2& {P1}_i<C_{\mathrm{ij}}\&le;{P2}_i\\ 3& C_{\mathrm{ij}}>{P2}_i\end{array}(i=\mathrm{1,2,3},j=\mathrm{1,2}...n),\right.$ D集合取值D₁,D₂,D₃，分别对应良好焊缝，含气孔焊缝和未焊透焊缝。

利用C4.5算法对离散化诊断决策表进行分析，计算C₁,C₂,C₃三个特征量各自的信息增益率，选择信息增益率最大的特征量作为第一个根节点，对各分支重复利用C4.5算法，根据离散化诊断决策表中各特征量的a_ij值确定if…then诊断规则，建立如图4所示的决策树模型（大体结构如图4，输入节点，即根节点为C₁,C₂,C₃三个特征量中信息增益率最大的特征量，输出节点为三种样本类型D₁,D₂,D₃，中间层节点及分支情况由训练样本数据确定的if…then规则生成）。

本实施例测试待测焊缝的四通道输出数据（x₁，x₂，x₃，x₄）。样本总计30组，计算峰峰值、方差和斜率变化并构成训练样本。其中良好焊缝样本数据如表3，含气孔焊缝样本数据如表4，未焊透样本数据如表5。

表3良好焊缝10组四通道输出数据

表4含气孔焊缝10组四通道输出数据

表5未焊透焊缝10组四通道输出数据

根据表3-表5的总计30组四通道输出数据，计算这30组数据的峰峰值、方差和斜率变化，构成如表6所示的训练样本特征量分布表。

表6训练样本特征量分布表

对表6中数据利用最小熵原理，结合公式（7）进行离散化处理，得到如表7所示的离散化诊断决策表。

表7离散化诊断决策表

选择C₃为根节点，建立if…then诊断规则如下，

根据上述诊断规则构造的决策树模型如图5所示。

如果选择C₁或者C₂作为根节点，将会大大简化if…then诊断规则，从而优化决策树模型。其中，选择C₁作为根节点时if…then诊断规则如下，

对应的决策树模型如图6所示。

这样，在实际应用中选择对分类贡献率最大的特征量，即信息增益率最大的特征量作为根节点，将会大大简化if…then诊断规则，优化决策树模型，使得该模型具有更好的使用性。

（3）样本测试

对于新的未经测试的待测焊缝，采集四通道输出数据（x₁，x₂，x₃，x₄），计算待测焊缝的峰峰值、方差和斜率变化。将待测焊缝的峰峰值、方差和斜率变化通过步骤（2）中C_i离散化处理的两个断点值P1_i,P2_i离散化后输入步骤（2）训练好的决策树模型，经过决策树各层节点的选择与分类，最终得到待测焊缝所含缺陷类型的准确分类。

Claims (1)

1.一种基于决策树的焊接缺陷巨磁电阻传感器涡流检测方法，所采用的装置包括一个矩形线圈、交流激励电压产生电路、四个相同的巨磁电阻传感器、信号调理电路、数据采集模块、分析计算模块，其中，交流激励电压产生电路的输出连接到矩形线圈；四个巨磁电阻传感器排列成一条直线固定在矩形线圈的底部；巨磁电阻传感器的敏感轴方向平行于矩形线圈的导线，使得矩形线圈产生的一次磁场方向垂直于巨磁电阻传感器的敏感轴方向；矩形线圈的内部放置一块永磁铁，用于对磁场进行偏置；四个巨磁电阻传感器的输出分别连接信号调理电路的不同的通道，信号调理电路用于对巨磁电阻传感器的输出信号进行滤波及放大；经过调理后的信号经过数据采集模块输入到分析计算模块，分析计算模块用于解调检测到的四路通道信号的实部数据，并根据实部数据检测是否存在焊接缺陷，所述检测方法包括下列步骤：

(1)获取学习样本：对良好焊缝和不同种类缺陷焊缝进行编号，分别采集良好焊缝和不同缺陷焊缝的四路输出通道数据(x₁，x₂，x₃，x₄)，计算同一时刻下的四路通道信号相互之间的峰峰值V_pp、方差Var和斜率变化kk；

(2)在步骤(1)得到的学习样本的基础上，基于各组学习样本的峰峰值V_pp、方差Var和斜率变化kk，构造训练样本特征量分布表：

其中，U称为样本集，X₁～X_n为各训练样本；C为样本特征量集，其中C₁,C₂,C₃依次为四路通道信号相互之间的峰峰值V_pp、方差Var和斜率变化kk；D为类型决策集，元素为D₁,D₂,D₃，依次为良好焊缝、含气孔焊缝和未焊透焊缝；C_ij，i＝1，2，3，j＝1，2....n，为各个样本特征量的取值；

(3)对训练样本特征量分布表中的各个样本特征量的取值C_ij 的连续数据采用基于最小熵原理的离散化算法进行离散化，得到离散化诊断决策表：

其中,i＝1，2，3，j＝1，2....n，P1_i,P2_i为基于最小熵原理的离散化算法获得的两个断点值；C₁',C₂',C₃'依次为C₁,C₂,C₃离散化之后的数值；

(4)利用C4.5算法对离散化诊断决策表进行分析，计算C₁',C₂',C₃'三个特征量各自的信息增益率，选择信息增益率最大的特征量作为第一个根节点，对各分支重复利用C4.5算法，根据离散化诊断决策表中各特征量的a_ij值确定if…then诊断规则，建立的决策树模型，输入节点，即根节点为C₁',C₂',C₃'三个特征量中信息增益率最大的特征量，输出节点为三种样本类型D₁,D₂,D₃，中间层节点及分支情况由训练样本数据确定的if…then规则生成；

(5)样本测试：测试待测焊缝的四路通道输出数据(x₁，x₂，x₃，x₄)，计算待测焊缝的峰峰值、方差和斜率变化，分别记作C_测1，C_测2，C_测2，采用步骤(3)的方法对其离散化处理，依次记作C’_测1，C’_测2，C’_测2，并输入步骤(4)训练好的决策树模型，经过各层节点的分类选择，得到焊缝的分类结果。