一种自学习激光功率波动识别的方法及系统与流程

1.本公开一般涉及激光功率检测技术领域，具体涉及一种自学习激光功率波动识别的方法及系统。


背景技术：

2.超快激光器指激光脉冲宽度很短，脉冲宽度小于15皮秒，高单脉冲能量，高重复频率有良好的脆性材料的加工效果的一种激光器，行业通常为皮秒激光器和飞秒激光器。此类激光器的重复频率通常为1khz
‑
1000khz可选，脉冲串个数从1个到10个可调，不同的重复频率和脉冲串个数应用于不同的加工工艺。
3.在激光器正常使用时客户在加工不同的材料时会改变激光器的重复频率和脉冲串个数，改变了重复频率和脉冲穿个数，激光器的正常输出功率也会发生改变。
4.对应于实际使用过程中，当功率波动过大时，易导致后端加工失败，影响正常生产进度，甚至产生经济损失。因此，亟需一种激光功率波动识别的方法或系统，确保可第一时间发现问题，减少经济损失。


技术实现要素：

5.鉴于现有技术中的上述缺陷或不足，期望提供一种自学习激光功率波动识别的方法及系统，
6.第一方面，本技术提供一种自学习激光功率波动识别的方法，包括以下步骤：
7.s100：自学习阶段：
8.获取激光a
ij
(i＝1
…
n，j＝1
…
m)，i为脉冲串个数，j为重频；
9.多次检测每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率并获取每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)；
10.将所有所述平均功率p(a
ij
)拟合，形成自变量为脉冲串个数i以及重频j，函数值为基准功率的二元分段函数预测模型；
11.s200：检测阶段：
12.获取待测激光的实际功率以及基准功率，计算波动差值。
13.根据本技术实施例提供的技术方案，获取每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)的方法具体包括以下步骤：
14.对每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率进行多次检测，得到多个数据样本；
15.去除多个所述数据样本中的最大值以及最小值；
16.获取剩余数据样本的均值，作为所述平均功率p(a
ij
)。
17.根据本技术实施例提供的技术方案，形成所述二元分段函数预测模型的方法具体为：
18.将具有相同脉冲串个数i的平均功率p(a
ij
)分为一组；
19.对每组中所有平均功率p(a
ij
)进行拟合，形成自变量为重频j、函数值为基准功率的函数单元；
20.所有所述函数单元形成所述二元分段函数预测模型。
21.根据本技术实施例提供的技术方案，形成所述函数单元具体为：
22.设定基准功率与重频j的函数关系式为：
23.p＝f(j)＝a*lnj+b
24.定义总误差平方和：
[0025][0026]
将se2对a、b分别求偏导；
[0027]
将se2取最小值，并将每个重频j与其对应的平均功率p(a
ij
)的值带入，求得a、b的值并带入至所述函数关系式中。
[0028]
根据本技术实施例提供的技术方案，计算所述波动差值后还包括以下步骤：
[0029]
判断所述波动差值大于设定值时，发送报警信息。
[0030]
第二方面，本技术提供一种自学习激光功率波动识别系统，包括：
[0031]
激光器，用于发射激光a
ij
(i＝1
…
n，j＝1
…
m)；
[0032]
控制模块，与所述激光器连接，用于控制所述激光器发射的激光脉冲串个数i以及重频j；
[0033]
功率检测模块，用于检测所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率数据；
[0034]
功率自学习模块：用于计算每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)，并将所有所述平均功率p(a
ij
)拟合，形成自变量为脉冲串个数i以及重频j，函数值为基准功率的二元分段函数预测模型；
[0035]
功率预测模块，用于通过所述二元分段函数预测模型输出所发射激光的基准功率值。
[0036]
根据本技术实施例提供的技术方案，所述功率自学习模块包括：功率数据采集单元，功率数据统计单元以及功率自学习单元；
[0037]
所述功率数据采集单元与所述控制模块、功率检测模块连接；所述功率数据采集单元配置用于：向所述控制模块发送控制指令，改变所述激光a
ij
(i＝1
…
n，j＝1
…
m)的脉冲串个数i以及重频j；获取所述功率检测模块所检测的每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率数据；
[0038]
所述功率数据统计单元与所述功率数据采集单元连接，用于计算每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)；
[0039]
所述功率自学习单元与所述功率数据统计单元连接，用于将所有所述平均功率p(a
ij
)拟合，形成自变量为脉冲串个数i以及重频j，函数值为基准功率的二元分段函数预测模型。
[0040]
根据本技术实施例提供的技术方案，所述功率自学习单元具体配置用于：
[0041]
将具有相同脉冲串个数i的平均功率p(a
ij
)分为一组；
[0042]
对每组中所有平均功率p(a
ij
)进行拟合，形成自变量为重频j、函数值为基准功率的函数单元；
[0043]
所有所述函数单元形成所述二元分段函数预测模型。
[0044]
根据本技术实施例提供的技术方案，形成所述函数单元具体为：
[0045]
设定基准功率与重频j的函数关系式为：
[0046]
p＝f(j)＝a*lnj+b
[0047]
定义总误差平方和：
[0048][0049]
将se2对a、b分别求偏导；
[0050]
将se2取最小值，并将每个重频j与其对应的平均功率p(a
ij
)的值带入，求得a、b并带入至所述函数关系式中。
[0051]
根据本技术实施例提供的技术方案，还包括功率报警模块；所述功率报警模块包括比较单元以及报警单元；
[0052]
所述比较单元配置用于获取待测激光的实际功率以及基准功率，计算波动差值；所述报警单元配置用于判断所述波动差值大于设定值时，发送报警信息。
[0053]
本技术的有益效果在于：通过获取不同脉冲串个数i以及重频j的激光a
ij
(i＝1
…
n，j＝1
…
m)并检测其平均功率值，同时将所有所述平均功率以及其对应的脉冲串个数i以及重频j拟合，形成了自变量为脉冲串个数i以及重频j、函数值为基准功率的二元分段函数预测模型；
[0054]
通过获取所述二元分段函数预测模型使得可针对以不同的脉冲串个数i、重频j发射出的激光进行基准功率的预测，以对应的基准功率作为基准量，实现了识别不同的脉冲串个数i、重频j的激光波动；
[0055]
检测阶段过程中，将待测激光的脉冲串个数i以及重频j输入至所述二元分段函数预测模型中，即可得到该脉冲串个数i、重频j下的基准功率；最后，将基准功率与实际功率进行比较，即可计算出波动差值。
[0056]
通过获取基准功率以及实际功率，使得波动差值得以量化，便于实际生产过程中，波动异常出现时可第一时间发现问题，减少经济损失。
附图说明
[0057]
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
[0058]
图1为本技术提供的一种自学习激光功率波动识别的方法的流程图。
[0059]
图2为图1所示步骤s120的方法流程图；
[0060]
图3为本技术提供的一种自学习激光功率波动识别系统。
[0061]
图中标号：1、激光器；2、控制模块；3、功率检测模块；4、功率自学习模块；5、功率预测模块；6、功率数据采集单元；7、功率数据统计单元；8、功率自学习单元；9、功率报警模块；10、比较单元；11、报警单元。
具体实施方式
[0062]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描
述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
[0063]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0064]
实施例1
[0065]
请参考图1为本技术提供的一种自学习激光功率波动识别的方法：
[0066]
s100：自学习阶段：
[0067]
s110：获取激光a
ij
(i＝1
…
n，j＝1
…
m)，i为脉冲串个数，j为重频；
[0068]
具体的，脉冲串个数以及重频为表示激光的物理量，通常状态下激光的脉冲串个数为1
‑
10个，激光的重频为100hz
‑
1000hz；因此，为了便于说明本技术的技术方案，本实施例以n＝10，m＝19为例，当然，本领域其他工作人员可根据实际需求进行设定。
[0069] i＝1i＝2i＝3
……
i＝10脉冲串个数123 10
[0070]
表
‑1[0071] j＝1j＝2j＝3
……
j＝19重频100150200
……
1000
[0072]
表
‑2[0073]
如表
‑
1及表2所示，脉冲串个数共有10个，重频共有19个；因此所述激光a
ij
(i＝1
…
n，j＝1
…
m)从a
11
到a
1019
共190个。
[0074]
s120：获取每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)；
[0075]
具体的，获取每个激光的平均功率p(a
ij
)通过多次测量激光a
11
的输出功率并通过算法取得均值，得到所述平均功率p(a
ij
)。
[0076]
s130：将所有所述平均功率p(a
ij
)拟合，形成自变量为脉冲串个数i以及重频j，函数值为基准功率的二元分段函数预测模型；
[0077]
s200：检测阶段：
[0078]
s210：获取待测激光的实际功率以及基准功率；
[0079]
获取待测激光的基准功率时，将待测激光的重频以及脉冲串个数输入至所述二元分段函数预测模型中，计算出其基准功率。
[0080]
获取待测激光的实际功率可通过检测装置进行检测。
[0081]
s220：计算波动差值。
[0082]
计算波动差值可将所述基准功率与所述实际功率作差，得到波动差值。得到波动差值后还可与设定阈值进行比较，当波动差值大于设定阈值时，输出报警信息。
[0083]
工作原理：自学习阶段主要用于获取二元分段函数预测模型，即通过获取不同脉冲串个数i以及重频j的激光a
ij
(i＝1
…
n，j＝1
…
m)并检测其平均功率值，同时将所有所述平均功率以及其对应的脉冲串个数i以及重频j拟合，形成了自变量为脉冲串个数i以及重频j、函数值为基准功率的二元分段函数预测模型；
[0084]
检测阶段过程中，将待测激光的脉冲串个数i以及重频j输入至所述二元分段函数预测模型中，即可得到该脉冲串个数i、重频j下的基准功率；最后，将基准功率与实际功率进行比较，即可计算出波动差值。上述步骤中，通过获取所述二元分段函数预测模型使得可
针对以不同的脉冲串个数i、重频j发射出的激光进行基准功率的预测；通过获取基准功率以及实际功率，使得波动差值得以量化，便于第一时间发现问题，减少经济损失。
[0085]
其中，在一优选实施方式中，如图2所示，获取每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)的方法具体包括以下步骤：
[0086]
s121：对每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率进行多次检测，得到多个数据样本；
[0087]
具体的，每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率检测600次，得到600个数据样本；总样本数为600*190＝114000。
[0088]
需要知道的是，检测次数可以根据实际需求进行设定，本实施例中设置为检测600次，提高了检测结果的精确性；在实际使用的过程可在保证测试结果准确的情况下减少检测次数，以提高检测速度，例如可设置为20次。
[0089]
s122：去除多个所述数据样本中的最大值以及最小值；
[0090]
s123：获取剩余数据样本的均值，作为所述平均功率p(a
ij
)。
[0091]
具体的，对应每个所述激光的600个数据样本中，去除最大值以及最小值后，剩余598个数据，将所述598个数据进行均值计算，即可得到所述平均功率p(a
ij
)。通过上述去除最大值以及最小值，减少了因测量或外部因素所产生的非正常数据或错误数据，使得最终获取到的均值更精确。
[0092]
其中，在一优选实施方式中，形成所述二元分段函数预测模型的方法具体为：将具有相同脉冲串个数i的平均功率p(a
ij
)分为一组；以i＝1，m＝19为例，如下表所示：
[0093]
序号激光a
ij
脉冲串数重频(hz)p(a
ij
)(0.01w)1激光a
11
110016272激光a
12
115016843激光a
13
120017174激光a
14
125017535激光a
15
130017676激光a
16
135017837激光a
17
140018008激光a
18
145018149激光a
19
1500182610激光a
110
1550183711激光a
111
1600184812激光a
112
1650185713激光a
113
1700186714激光a
114
1750187715激光a
115
1800188616激光a
116
1850189217激光a
117
1900189818激光a
118
1950190519激光a
119
110001915
[0094]
表
‑3[0095]
对每组中所有平均功率p(a
ij
)进行拟合，形成自变量为重频j、函数值为基准功率的函数单元；
[0096]
所有所述函数单元形成所述二元分段函数预测模型。
[0097]
具体的，将m个具有相同脉冲串个数i的平均功率p(a
ij
)分为一组，共n组；每组中将m个平均功率p(a
ij
)以及其对应的重频j
[0098]
进行拟合，形成自变量为重频j、函数值为基准功率的函数单元；n个所述函数单元即形成所述二元分段函数预测模型。
[0099]
其中，在一优选实施方式中，形成所述函数单元具体为：
[0100]
设定基准功率p与重频j的函数关系式为：
[0101]
p＝f(j)＝a*lnj+b
[0102]
式中，a、b为待定系数；
[0103]
为使求得的函数关系式的函数值更贴近实测值，定义总误差平方和：
[0104][0105]
由于不同的a、b会得到不同的se2，根据多元微积分，se2对a、b分别求偏导：
[0106][0107][0108]
将se2取最小值，即se2＝0，整理可得：
[0109]
a*2*[lnj1+lnj2+......+lnj
19
]+b*2*(lnj1+lnj2+lnj
19
)＝2(p1*lnj1+p2*lnj2+......+p
19
*lnj
19
)
[0110]
a*2*(lnj1+lnj2+......+lnj
19
)+b*2*19＝2*(p1+p2+......+p
19
)
[0111]
将每个重频j与其对应的平均功率p(a
ij
)的值带入，求得a、b的值并带入至所述函数关系式中。
[0112]
最终得到二元分段函数预测模型：
[0113][0114]
为了便于说明本技术提供的技术方案，以i＝1为例并通过表
‑
3获取平均功率p(a
ij
)以及其对应的重频j：
[0115]
即，将p1＝1672(0.01w)，j1＝100(hz)；p2＝1684(0.01w)，j2＝150(hz)；
……
；p
19
＝1915(0.01w)，j
19
＝1000(hz)代入至上述公式中；
[0116]
求得a、b的值，求得结果为：a＝121.2，b＝1074.4；
[0117]
将a、b的值带入至设定的基准功率p与重频j的函数关系式中，得到函数关系式
[0118]
p＝121.2*lnj+1074.4i＝1
[0119]
同理，当i＝2、i＝3、
……
、i＝m时，均可通过上述方法得到基准功率p与重频j的函数关系。
[0120]
可以知道的，本技术是通过将具有相同脉冲串个数i的平均功率p(a
ij
)分为一组；也可以将具有相同重频j的平均功率p(a
ij
)分为一组，算法过程与上述过程原理相同，因此不再赘述。
[0121]
其中，在一优选实施方式中，计算所述波动差值后还包括以下步骤：
[0122]
判断所述波动差值大于设定值时，发送报警信息。通过该步骤，使得工作人员可第一时间获取报警信息，避免产生生产损失。
[0123]
实施例2
[0124]
本技术还提供一种自学习激光功率波动识别系统，如图2所示，包括：
[0125]
激光器1，用于发射激光a
ij
(i＝1
…
n，j＝1
…
m)；
[0126]
控制模块2，与所述激光器连接，用于控制所述激光器发射的激光脉冲串个数i以及重频j；
[0127]
功率检测模块3，用于检测所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率数据；
[0128]
功率自学习模块4：用于计算每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)，并将所有所述平均功率p(a
ij
)拟合，形成自变量为脉冲串个数i以及重频j，函数值为基准功率的二元分段函数预测模型；
[0129]
功率预测模块5，用于通过所述二元分段函数预测模型输出所发射激光的基准功率值。
[0130]
工作原理：控制模块2控制所述激光器1改变脉冲串个数i以及重频j，功率检测模块3检测不同脉冲串个数i以及重频j的激光的输出功率并发送至所述功率自学习模块4中，所述功率自学习模块4通过获取到的输出功率数据，计算不同脉冲串个数i以及重频j的激光的平均功率p(a
ij
)，同时将平均功率p(a
ij
)以及其对应的脉冲串个数i以及重频j拟合，形成函数值为基准功率的二元分段函数预测模型。
[0131]
自学习阶段结束后，(即二元分段函数预测模型生成后)所述激光器1发射待测激光，功率检测模块3通过检测所述待测激光使得获取到实时激光的实际功率；通过将待测激光的脉冲串个数i以及重频j输入至所述二元分段函数预测模型中，即可获取到该脉冲串个数i以及重频j下的基准功率，将所述基准功率与所述实际功率比较，即可计算出波动差值。
[0132]
本技术提供的一种自学习激光功率波动识别系统，结构简单，可自学习拟合形成二元分段函数预测模型，使得可准确获取不同脉冲串个数i以及重频j下的基准功率，同时借助基准功率，使得波动值可以量化，有助于第一时间发现波动异常，减少经济损失。
[0133]
其中，在所述功率自学习模块的优选实施方式中，所述功率自学习模块包括：功率数据采集单元6，功率数据统计单元7以及功率自学习单元8；
[0134]
所述功率数据采集单元6与所述控制模块2、功率检测模块3连接；所述功率数据采集单元6配置用于：向所述控制模块2发送控制指令，改变所述激光a
ij
(i＝1
…
n，j＝1
…
m)的脉冲串个数i以及重频j；获取所述功率检测模块3所检测的每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的输出功率数据；
[0135]
所述功率数据统计单元6与所述功率数据采集单元7连接，用于计算每个所述激光a
ij
(i＝1
…
n，j＝1
…
m)的平均功率p(a
ij
)；
[0136]
所述功率自学习单元8与所述功率数据统计单元7连接，用于将所有所述平均功率p(a
ij
)拟合，形成自变量为脉冲串个数i以及重频j，函数值为基准功率的二元分段函数预测模型。
[0137]
其中，在所述功率自学习单元7的优选实施方式中，所述功率自学习单元7具体配置用于：
[0138]
将具有相同脉冲串个数i的平均功率p(a
ij
)分为一组；
[0139]
对每组中所有平均功率p(a
ij
)进行拟合，形成自变量为重频j、函数值为基准功率的函数单元；
[0140]
所有所述函数单元形成所述二元分段函数预测模型。
[0141]
其中，在一优选实施方式中，形成所述函数单元具体为：
[0142]
设定基准功率与重频j的函数关系式为：
[0143]
p＝f(j)＝a*lnj+b
[0144]
定义总误差平方和：
[0145][0146]
将se2对a、b分别求偏导；
[0147]
将se2取最小值，并将每个重频j与其对应的平均功率p(a
ij
)的值带入，求得a、b并带入至所述函数关系式中。
[0148]
过程如下：
[0149][0150][0151]
将se2取最小值，即se2＝0，整理可得：
[0152]
a*2*[lnj1+lnj2+......+lnj
19
]+b*2*(lnj1+lnj2+lnj
19
)＝2(p1*lnj1+p2*lnj2+......+p
19
*lnj
19
)
[0153]
a*2*(lnj1+lnj2+......+lnj
19
)+b*2*19＝2*(p1+p2+......+p
19
)
[0154]
将每个重频j与其对应的平均功率p(a
ij
)的值带入，求得a、b的值并带入至所述函数关系式中。
[0155]
最终得到二元分段函数预测模型：
[0156]
[0157]
为了便于说明本技术提供的技术方案，以i＝1为例并通过上述表
‑
3获取平均功率p(a
ij
)以及其对应的重频j：
[0158]
即，将p1＝1672(0.01w)，j1＝100(hz)；p2＝1684(0.01w)，j2＝150(hz)；
……
；p
19
＝1915(0.01w)，j
19
＝1000(hz)代入至上述公式中；
[0159]
求得a、b的值，求得结果为：a＝121.2，b＝1074.4；
[0160]
将a、b的值带入至设定的基准功率p与重频j的函数关系式中，得到函数关系式
[0161]
p＝121.2*lnj+1074.4i＝1
[0162]
同理，当i＝2、i＝3、
……
、i＝m时，均可通过上述方法得到基准功率p与重频j的函数关系。
[0163]
可以知道的，本技术是通过将具有相同脉冲串个数i的平均功率p(a
ij
)分为一组；也可以将具有相同重频j的平均功率p(a
ij
)分为一组，算法过程与上述过程原理相同，因此不再赘述。
[0164]
其中，在一优选实施方式中，所述自学习激光功率波动识别系统还包括功率报警模块9；所述功率报警模块9包括比较单元10以及报警单元11；
[0165]
所述比较单元10配置用于获取待测激光的实际功率以及基准功率，计算波动差值；所述报警单元11配置用于判断所述波动差值大于设定值时，发送报警信息。通过设置所述报警模块9，使得工作人员可第一时间获取报警信息，避免产生生产损失。
[0166]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。