基于机器学习的激光器温度控制系统及方法技术方案

本发明专利技术公开了基于机器学习的激光器温度控制系统及方法，包括：通过温度采集模块采集被控对象的实时温度数据，将所述实时温度数据分别传输给微控制器模块和用户界面模块；基于所述用户界面模块设置温度设定值，基于所述微控制器模块，根据所述实时温度数据与所述温度设定值，获得当前温度的温度误差结果；根据所述当前温度的温度误差结果，基于控温模块对被控对象进行温度控制操作，完成温度控制。本发明专利技术有效解决了激光器研发中因被控对象控温困难而引起的输出功率不稳定、光束质量不理想等问题，大大提升激光器的性能。大大提升激光器的性能。大大提升激光器的性能。

【技术实现步骤摘要】
基于机器学习的激光器温度控制系统及方法


[0001]本专利技术属于光学工程领域和机器学习领域，特别是涉及一种基于机器学习的激光器温度控制系统及方法。

技术介绍

[0002]激光器具有体积小、稳定性高、光束质量好、强度噪声低等优良特性，对比起普通光源，它产生的高质量激光有着优异的相干性和极高的亮度，这样的优势使其能够广泛地应用于科学研究、仪器科学、精密测量、光学全息和光存储等重要领域。而随着科技的进步与发展，普通激光器已经不能满足广大科研人员的工作需求，人们希望激光器能够有更高的输出功率、更好的频率特性、以及更低的强度噪声，来提升自己的科研效率，为激光实验增添动力、保驾护航。另一方面，更高激光器的性能可以提供更好的光束质量，对激光医疗，全息技术，量子光学研究等方面有着重大意义。因为要实现长期稳定的单频运转，高功率的激光器对工作环境的要求往往比较苛刻。经研究发现，影响激光器性能的原因之一在于激光器内部的温度控制是否得当。以全固态连续单频激光器为例，其内部包含了谐振腔、Nd:YVO4晶体、激光二极管LD、倍频晶体LBO和标准具等部分，它们的工作效率都会受到温度的影响。例如激光晶体温度过高，会导致ETU效应加剧，进而加大晶体的热负载，晶体的热效应也会变得越来越严重，导致激光器的光
‑
光转换效率降低，最终限制激光器输出功率的提高。因此，研究如何通过温度控制来提升连续单频激光器的性能具有重要的实际意义。当前我们使用传统工业中的PID算法对加载在晶体上的热电制冷片TEC电流做响应的方法进而控制晶体的温度，但普通的PID控制技术使用试凑法选择的PID参数不具有适应性。一方面，不同的晶体、不同的被控对象需要使用不同的PID参数；另一方面，不同的工作环境也需要不同的PID参数。而试凑法操作繁琐，会消耗大量时间，且往往不能取到最佳的PID参数值。

技术实现思路

[0003]本专利技术针对现有的激光器中被控对象在温度控制时PID参数难以确定而导致控温困难的问题，进而会对激光输出功率、光束质量等造成严重的影响，提供了一种通过引入机器学习算法的解决方案，帮助在不同实验环境下自动计算出需要对被控对象控温的PID参数并交付于控温系统使用，进而实现对被控对象的有效控温，其具有较高的控温效率，较稳定的控温性能，以及较强的鲁棒性。
[0004]为实现上述目的，本专利技术提供了如下方案：基于机器学习的激光器温度控制系统及方法，包括：
[0005]依次连接的温度采集模块、微控制器模块、控温模块；
[0006]所述温度采集模块，用于采集被控对象的实时温度数据，并将所述实时温度数据传输至所述微控制器模块；
[0007]所述微控制器模块，用于接收并分析处理所述实时温度数据，并命令控温模块做出相应的控温处理；
[0008]所述控温模块，用于对所述微控制器模块下发的控制命令做出响应，对被控对象进行温度控制操作，完成温度控制。
[0009]优选地，所述激光器温度控制系统还包括用户界面模块，所述用户界面模块分别与所述温度采集模块、微控制器模块相连接，用于显示温度采集模块所测得被控对象当前的温度值，并通过用户界面设置不同温度目标值交予所述微控制器模块进行算法处理。
[0010]优选地，所述微控制器模块包括BP神经网络单元、参数处理单元、PID控制单元；
[0011]所述BP神经网络单元的输入端与所述微控制器模块的输入端共用同一输入端；所述BP神经网络单元的输出端与所述参数处理单元的输入端连接；所述参数处理单元的输出端与所述PID控制单元的输入端连接；所述PID控制单元的输出端与所述微控制器模块的输出端共用同一输出端。
[0012]优选地，所述BP神经网络单元包括输入层、隐藏层、输出层；
[0013]所述输入层位于所述BP神经网络单元的输入端，包括三个神经元，分别输出为当前温度误差、误差的变化量、误差的变化趋势；
[0014]所述隐藏层位于BP神经网络单元中输入层与输出层之间，对应神经元个数为8；
[0015]所述输出层位于BP神经网络单元的输出端，包括三个神经元，分别输出为比例系数、积分系数、微分系数。
[0016]优选地，所述参数处理单元包括：倍数放大模拟预测单元、数据结果筛选处理单元；
[0017]所述倍数放大模拟预测单元与所述数据结果筛选处理单元连接，分别用于对输出层神经元所得的计算结果、不能直接用于激光器被控对象温度控制时的PID参数，进行按比例倍数放大模拟预测以及数据结果筛选处理。
[0018]基于机器学习的激光器温度控制方法，包括以下步骤：
[0019]通过温度采集模块采集被控对象的实时温度数据，将所述实时温度数据分别传输给微控制器模块和用户界面模块；
[0020]基于所述用户界面模块设置温度设定值，所述微控制器模块根据所述实时温度数据与所述温度设定值，获得当前温度的温度误差结果；
[0021]根据所述当前温度的温度误差结果，基于控温模块对被控对象进行温度控制操作，完成温度控制。
[0022]优选地，所述当前温度的温度误差结果包括当前温度误差值、误差的变化量、误差的变化趋势。
[0023]优选地，根据所述当前温度的温度误差结果，基于控温模块对被控对象进行温度控制操作的过程包括，基于所述微控制器模块，通过BP神经网络算法、参数处理算法、PID控制算法进行算法处理，获得PID参数值；根据所述PID参数值进行PID控制运算，获得增量运算结果；将所述增量运算结果传输至所述控温模块，所述控温模块根据所述增量运算结果对被控对象进行温度调整，使温度测量值逐渐向温度设定值靠拢，直至温度误差趋于零并最终等于零完成温度控制。
[0024]本专利技术公开了以下技术效果：
[0025](1)本专利技术提出的基于BP神经网络算法的PID温度控制方式能够有效解决激光器研发中因被控对象控温困难而引起的输出功率不稳定、光束质量不理想等问题，大大提升
激光器的性能。
[0026](2)本专利技术解决了在设置PID参数时需要手动试凑的繁琐问题，取而代之的是一种更具有科学性的机器学习算法，通过梯度下降法的原则，构建的BP神经网络在工作过程中将变得更加稳定牢固，提高效率的同时降低了错误率。
[0027](3)本专利技术设计了一种在BP神经网络计算过后的数据处理及筛选机制，对PID参数是否适用于激光器被控对象的控温系统中做出了增量的提前预测，确保了被控对象的控温安全，有利于激光器的稳定运转。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0029]图1为本专利技术实施例的系统结构示意图；
[0030]图中：1
‑
温度采集模块，2
‑
微控制器模块，3...

【技术保护点】

【技术特征摘要】
1.基于机器学习的激光器温度控制系统，其特征在于，包括：依次连接的温度采集模块、微控制器模块、控温模块；所述温度采集模块，用于采集被控对象的实时温度数据，并将所述实时温度数据传输至所述微控制器模块；所述微控制器模块，用于接收并分析处理所述实时温度数据，并命令控温模块做出相应的控温处理；所述控温模块，用于对所述微控制器模块下发的控制命令做出响应，对被控对象进行温度控制操作，完成温度控制。2.根据权利要求1所述的基于机器学习的激光器温度控制系统，其特征在于，所述激光器温度控制系统还包括用户界面模块，所述用户界面模块分别与所述温度采集模块、微控制器模块相连接，用于显示温度采集模块所测得被控对象当前的温度值，并通过用户界面设置不同温度目标值交予所述微控制器模块进行算法处理。3.根据权利要求1所述的基于机器学习的激光器温度控制系统，其特征在于，所述微控制器模块包括BP神经网络单元、参数处理单元、PID控制单元；所述BP神经网络单元的输入端与所述微控制器模块的输入端共用同一输入端；所述BP神经网络单元的输出端与所述参数处理单元的输入端连接；所述参数处理单元的输出端与所述PID控制单元的输入端连接；所述PID控制单元的输出端与所述微控制器模块的输出端共用同一输出端。4.根据权利要求3所述的基于机器学习的激光器温度控制系统，其特征在于，所述BP神经网络单元包括输入层、隐藏层、输出层；所述输入层位于所述BP神经网络单元的输入端，包括三个神经元，分别输出为当前温度误差、误差的变化量、误差的变化趋势；所述隐藏层位于BP神经网络单元中输入层与输出层之间，对应神经元个数为8；所述输出层位于BP神经网络单元的输出端，...

【专利技术属性】
技术研发人员：卢华东，乔浩铭，靳丕铦，苏静，彭堃墀，
申请(专利权)人：山西大学，
类型：发明
国别省市：