| 主权项 |
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(x<sub>1</sub>，x<sub>2</sub>，x<sub>3</sub>，x<sub>4</sub>)，计算同一时刻下的四路通道信号相互之间的峰峰值V<sub>pp</sub>、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<sub>pp</sub>、方差Var和斜率变化kk，构造训练样本特征量分布表：<img file="FDA0001024131450000011.GIF" wi="694" he="706" />其中，U称为样本集，X<sub>1</sub>～X<sub>n</sub>为各训练样本；C为样本特征量集，其中C<sub>1</sub>,C<sub>2</sub>,C<sub>3</sub>依次为四路通道信号相互之间的峰峰值V<sub>pp</sub>、方差Var和斜率变化kk；D为类型决策集，元素为D<sub>1</sub>,D<sub>2</sub>,D<sub>3</sub>，依次为良好焊缝、含气孔焊缝和未焊透焊缝；C<sub>ij</sub>，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<sub>ij</sub> 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：<img file="dest_path_BDA0000454272740000032.GIF" wi="882" he="547" />其中,<img file="FDA0001024131450000022.GIF" wi="483" he="359" />i＝1，2，3，j＝1，2....n，P1<sub>i</sub>,P2<sub>i</sub>为基于最小熵原理的离散化算法获得的两个断点值；C<sub>1</sub>',C<sub>2</sub>',C<sub>3</sub>'依次为C<sub>1</sub>,C<sub>2</sub>,C<sub>3</sub>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C<sub>1</sub>',C<sub>2</sub>',C<sub>3</sub>'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<sub>ij</sub>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C<sub>1</sub>',C<sub>2</sub>',C<sub>3</sub>'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D<sub>1</sub>,D<sub>2</sub>,D<sub>3</sub>，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(x<sub>1</sub>，x<sub>2</sub>，x<sub>3</sub>，x<sub>4</sub>)，计算待测焊缝的峰峰值、方差和斜率变化，分别记作C<sub>测1</sub>，C<sub>测2</sub>，C<sub>测2</sub>，采用步骤(3)的方法对其离散化处理，依次记作C’<sub>测1</sub>，C’<sub>测2</sub>，C’<sub>测2</sub>，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。 |
