一种激光器的故障诊断方法及电子装置

1.本发明涉及故障诊断领域，尤其涉及一种激光器的故障诊断方法及电子装置。


背景技术：

2.光纤激光器具有体积小、重量轻、增益高、效率高、性能稳定、光束质量好、可长距离传输、容易实现高输出功率等优点，在印字、打标、金属焊接、先进加工制造等领域得到广泛应用。
3.但是由于使用年限的增长及人为使用不当，系统中一些设备、器件的故障往往无法避免，同时又难以排查。目前故障诊断的方法主要是厂家指派专业维修人员赶赴激光器所在位置或场所，依据以往维修经验，人工进行重点器件排查，或对各部分进行逐一排查。这种传统人为的故障诊断耗费时间长，诊断效率低且准确率不高。往往会造成设备的停机时间过长，给使用者或者主管部门造成极大的不便和巨大的经济损失。
4.机器学习是将人对问题的处理和思考方式赋予计算机，让计算机拥有自我学习的能力。而在机器学习中，计算机是通过已有的数据来训练模型，通过这样的训练来获得类似于人已有的经验和知识，从而对问题进行预测。采用机器学习的故障诊断方法可减少故障诊断耗费时长，提高诊断效率低且和准确率，具有重大意义。


技术实现要素：

5.为解决传统人为的故障诊断耗费时间长，诊断效率不高的技术问题，本发明提出了一种激光器故障诊断的方法及电子装置区别传统的机理分析法，本方法基于光纤激光器采集的大量真实数据，基于机器学习手段，建立三层神经网络故障预警模型，对测试数据进行推断，用以解决光纤激光器运行出现故障时，难以判断出现故障的部件，以及人为故障诊断时效性、便捷性较差的技术问题。
6.本发明的技术内容包括：
7.一种激光器的故障诊断方法，其步骤包括：
8.1)获取激光器输出的参数，
9.2)将各参数输入故障诊断模型，定位所述激光器的故障器件；
10.其中，通过以下步骤得到故障诊断模型：
11.a)获取激光器正常或器件故障时输出的参数，获取若干样本数据；
12.b)利用各样本数据训练一个使用分类算法的神经网络，得到故障诊断模型。
13.进一步地，所述参数包括：光谱、功率和时频特性。
14.进一步地，利用各样本数据训练一个使用分类算法的神经网络之前，对样本数据进行预处理和数据降维。
15.进一步地，所述预处理包括：采用十基数变换规格化与零均值规格化方法或十基数变换规格化与最大最小规格化方法对样本数据进行规格化。
16.进一步地，通过以下步骤对数据降维：
17.1)将规格化的样本数据划分为若干份；
18.2)选取每份中的最大值和最小值，作为训练神经网络的样本数据。
19.进一步地，所述神经网络包括：svr1神经网络、bp神经网络或线性回归神经网络。
20.进一步地，通过以下步骤对神经网络进行训练：
21.1)依据评估参数，训练神经网络，得到训练好的神经网络；
22.2)通过评估指标，对训练好的神经网络进行评估；
23.3)若评估合格，则对神经网络训练完毕。
24.进一步地，评估参数包括：召回率、准确率、虚警率、f1参数和训练好的神经网络输出结果的时长。
25.进一步地，评估指标包括：正确率。
26.一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述所述的方法。
27.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机以执行上述所述的方法。
28.与现有技术相比，本发明具有以下有益效果：
29.1)在已获得所述模型基础上，根据激光器结构各参数对系统故障进行诊断，不需要编写代码块、具有较好的可扩展性和便捷性。
30.2)可对不同结构的光纤激光器进行故障诊断，只需要在进行大量实验的基础上，合理选择测量参数类型，将测量的参数和结果形成数据集，之后采用人工智能手段，训练神经网络模型，利用所述模型进行参数反演，推断故障位置和原因，实现故障诊断，具有较好的可扩展性和便捷性。
附图说明
31.图1示出了一种实现光纤激光器故障诊断的方法原理步骤图。
32.图2示出了一种实验光纤激光器的实验装置原理图。
具体实施方式
33.为了使本发明的目的、技术方案更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。
34.如图1所示，其描述的是本发明的的故障诊断方法，具体描述如下。
35.(1)利用泵浦源、掺杂光纤等器材搭建所述光纤激光器系统，依据如图2所示的原理，完成各实验器材部分连接，确保激光器可以正确运行，对于已搭建好的激光器系统成品此过程可以省略。
36.(2)将所述光纤激光器系统的输出与测试仪器相连接，进行大量实验，测量激光器输出的参数(输入和输出参数类型可以自行选择，不断改变输入参数值记录输出参数)，完成数据采集，建立样本数据库；例如对所述激光器数据采集得到的输出光谱、功率、时频特性等特性建立与影响激光器系统的关联数据集，形成数据集样本。
37.(3)利用机器学习的手段对所述数据样本中的训练集的数据进行训练。主要有以下内容组成：
38.1)划分数据集。数据划分采用常规的7:2:1的划分方法，70％用于训练，20％用于验证，10％用于测试；如果数据充足，可不用此方法，只要测试数据集测出的指标可行即可。
39.2)数据预处理，采用十基数变换规格化方法。该方法通过移动属性a值的小数位置来达到规格化的目的。所移动的小数位数取决于属性a绝对值的最大值。属性a的v值可以通过以下计算公式获得其映射值v'。
[0040][0041]
采用零均值规格化方法。该方法是根据属性a的均值和偏差来对a进行规格化。属性a的v值可以通过以下计算公式获得其映射值v'。
[0042][0043]
其中的和σa分别为属性a的均值和方差。零均值规格化方法常用于属性a最大值与最小值未知或使用最大最小规格化方法时会出现异常数据的情况。
[0044]
3)数据降维，数据划分按照顺序划分100份，每份取其中最大值和最小值即可，这样数据无论原始多少维度，最后维度为200维。优点在于：(1)无论什么参数下的光谱图，得到的都是同样表征维度的数据。(2)减少计算量，加速推断时间。
[0045]
4)评估指标选取。采用分类算法的评估方法，依据数据特性，采用召回率、准确率、虚警率和f1参数作为评估参数。同时为了满足实时性的要求，时间也作为一个指标。具体指标为准确率达到0.95，召回率达到0.9，实时性需要在500ms内完成。
[0046]
5)神经网络模型设计，综合考虑了不同的神经网络模型主要指svr1、bp(back propagation)、线性回归，利用各种模型算法在数据集上的表现进行了对比实验。分别考虑准确率、召回率等指标综合结果，最后选定bp神经网络。
[0047]
6)模型训练(参数调优)；人工神经网络模型中隐藏层层数和每层的节点个数，正则项中常数大小等等，它们都需要事先指定。超参数选择不恰当，就会出现欠拟合或者过拟合的问题。而在选择超参数的时候，有两个途径，一个是凭经验微调，另一个就是选择不同大小的参数，带入模型中，挑选表现最好的参数。bp神经网络中隐含层的设置可为多层，对于多层神经网络来说，它拥有更大的处理能力，但内部训练结构相对复杂，耗时有所增加。对于所述的光纤激光器系统采用三层神经网络设计，输入层神经元为200个神经元、隐含层为128、32、输出层为3。采用relu激活函数，loss采用mae加mse的损失函数。学习率为0.01,优化函数为adam。
[0048]
7)模型评估
[0049]
利用验证集对训练好的网络进行准确性测试，如果准确性测试不合格，则需要重新进行神经网络模型设计和模型训练，若准确性通过，则可进入到模型预测。
[0050]
8)模型预测
[0051]
当反演的激光器输入参数与实验测得的不一致并在容差范围外时，说明激光器该参数有误，激光器出现故障，检查激光器与该参数相关模块，达到预警和诊断的功能。根据本发明的方案，在已获得所述模型基础上，根据激光器结构各参数对系统故障进行诊断，不需要编写代码块、具有较好的可扩展性和便捷性。
[0052]
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。