本技术涉及激光器封装,具体涉及激光器封装系统及其智能散热方法。
背景技术:
1、半导体激光器阵列又称为激光二极管bar条,简称bar条。根据功率需要,把几个单元到近千单元激光二极管用金属有机化学气相淀积(mocvd)生长在同一衬底上,就构成了一维阵列。如果把多元阵列分成组,每组以19个单元为单位,各组之间用光隔离技术分开,各组发出的光彼此不相干,形成多孔径激射,就可以通过增加集成数量来提高输出功率。但是,半导体激光器阵列功率大,长时间工作下温度会升高,随着结温的升高使半导体激光器阵列的波长展宽,阈值电流增大,光电转换效率下降,寿命降低、可靠性下降,因此,半导体激光器封装及散热技术尤为重要。
2、然而,现有都是通过在半导体激光器阵列中设置有大量的传感器以检测激光器的温升,大量的传感器增加了激光器封装的难度,且大量传感器的设置也加大了封装的成本。
3、其次,现有的半导体激光器阵列采用水冷的方式进行散热处理,但是小体积的水冷模块散热效果很差,严重影响了半导体激光器阵列的正常工作;而大体积的水冷模块在封装时存在巨大的难度,且也不利于半导体激光器阵列的使用。进一步的,水冷模块还存在微渗漏和漏水等风险,其安全性和可靠性低,且一旦水冷模块停止工作,整个半导体激光器阵列就要停止工作。
技术实现思路
1、为了克服上述现有技术的缺陷,本技术提供了激光器封装系统及其散热方法。
2、具体技术方案如下所示:
3、激光器封装系统,包括:
4、激光器阵列模块,具有多个间隔设置且呈阵列分布的激光器,每个所述激光器上具有用于传导热量的热沉,每一所述热沉均配置有用于给所述激光器散热的tec半导体制冷器;
5、训练模块,用于获取一定时间内所述激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库,将所述数据库划分为训练数据和验证数据;基于所述训练数据对深度学习模型进行训练,并基于所述验证数据对训练后的深度学习模型进行验证;若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内,则输出训练后的深度学习模型;
6、预测模块,用于实时检测所述激光器的第一参数和第二参数,并将所述第一参数和所述第二参数输入至训练后的深度学习模型,以生成所述激光器对应的预测温度;其中,所述第一参数包括功率,所述第二参数包括运行时间;
7、调温模块,用于基于所述预测温度控制所述tec半导体制冷器调节所述激光器的当前温度。
8、在一个具体实施例中,多个所述激光器包括多个第一激光器和多个第二激光器,每相邻两个所述第一激光器之间具有至少两个所述第二激光器;
9、所述系统还包括:分配模块,用于基于一定时间内所述激光器的实测温度确定所述激光器的实测温升,若所述实测温升超出第二预设区间,则将所述激光器作为所述第一激光器;若所述实测温升位于所述第二预设区间,则将所述激光器作为所述第二激光器;
10、所述第一激光器单独配置有一个所述tec半导体制冷器,至少两个所述第二激光器共用一个所述tec半导体制冷器。
11、在一个具体实施例中,还包括:
12、温度传感器,用于获取所述激光器预设时刻的实测温度;
13、计算模块,用于根据所述激光器预设时刻的实测温度以及预测温度,计算所述实测温度以及所述预测温度的差值;
14、优化模块,用于判断所述实测温度以及所述预测温度的差值是否位于第三预设区间,若所述实测温度以及所述预测温度的差值超过第三预设区间,则记录所述激光器的实测温度以及对应时刻的所述历史运行状态数据以更新数据库,并根据更新后的数据库优化所述深度学习模型。
15、在一个具体实施例中,所述温度传感器具有多个,多个所述温度传感器均分布在所述激光器阵列模块的中心到边缘的15%至80%的距离范围内;且沿所述激光器阵列模块的中心到边缘的方向上,所述温度传感器的数量逐渐递减。
16、在一个具体实施例中,还包括:
17、液冷模块,所述液冷模块设置在所述激光器靠近所述热沉的一侧,且所述液冷模块与所述tec半导体制冷器并列设置或层叠设置;
18、功率模块,用于在所述tec半导体制冷器的功率小于阈值时,驱动所述液冷模块加大循环功率。
19、在一个具体实施例中,所述第一参数还包括电阻、谐振频率、发射波长或阈值电流;所述第二参数还包括所述热沉的面积;所述历史运行状态数据包括激光器的电阻、谐振频率、发射波长、阈值电流或运行时间;
20、和/或,所述调温模块包括:
21、第一确定模块,用于基于所述预测温度确定所述激光器一定时间内的预测温升,
22、获取模块,用于基于同一所述tec半导体制冷器同一时刻获取所述预测温升的数量,
23、第二确定模块,用于若所述预测温升的数量为多个,则将所述预测温升的最大值作为调节所述tec半导体制冷器温度的最终预测温升;若所述预测温升的数量为一个,则将所述预测温升作为调节所述tec半导体制冷器温度的最终预测温升;
24、调节模块,用于基于最终预测温升控制所述tec半导体制冷器调节所述激光器的当前温度;
25、和/或,所述调节模块包括:
26、第一驱动模块,用于当所述最终预测温升位于第一温升范围,则驱动所述tec半导体制冷器以最大功率的25%工作,使激光器的温度恢复;
27、第二驱动模块,用于当所述最终预测温升位于第二温升范围,则驱动所述tec半导体制冷器以最大功率的50%工作,使激光器的温度恢复;
28、第三驱动模块,用于当所述最终预测温升位于第三温升范围,则驱动所述tec半导体制冷器以最大功率的75%工作,使激光器的温度恢复;
29、上报模块,用于当所述最终预测温升超出所述第三温升范围,则检测所述激光器当前的实测温度以及获取当前运行状态数据,并将所述实测温度和所述当前运行状态数据更新至数据库。
30、智能散热方法,应用于如上述的激光器封装系统,其特征在于,包括:
31、获取一定时间内所述激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库,将所述数据库划分为训练数据和验证数据;基于所述训练数据对深度学习模型进行训练,并基于所述验证数据对训练后的深度学习模型进行验证;若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内,则输出训练后的深度学习模型;
32、实时检测所述激光器的第一参数和第二参数,并将所述第一参数和所述第二参数输入至训练后的深度学习模型,以生成所述激光器对应的预测温度;其中,所述第一参数包括功率,所述第二参数包括运行时间;
33、基于所述预测温度控制所述tec半导体制冷器调整所述激光器的当前温度。
34、在一个具体实施例中,还包括:
35、获取所述激光器预设时刻的实测温度;
36、根据所述激光器预设时刻的实测温度以及预测温度,计算所述实测温度以及所述预测温度的差值;
37、判断所述实测温度以及所述预测温度的差值是否位于第三预设区间,若所述实测温度以及所述预测温度的差值超过第三预设区间,则记录所述激光器的实测温度以及对应时刻的工作状态数据以更新数据库,并根据更新后的数据库优化所述深度学习模型。
38、在一个具体实施例中,所述“基于所述预测温度控制所述tec半导体制冷器调整所述激光器的当前温度”包括:
39、基于所述预测温度确定所述激光器一定时间内的预测温升,
40、基于同一所述tec半导体制冷器同一时刻获取所述预测温升的数量,
41、若所述预测温升的数量为多个,则将所述预测温升的最大值作为调节所述tec半导体制冷器温度的最终预测温升;若所述预测温升的数量为一个,则将所述预测温升作为调节所述tec半导体制冷器温度的最终预测温升;
42、基于最终预测温升控制所述tec半导体制冷器调节所述激光器的当前温度。
43、在一个具体实施例中,所述“基于最终预测温升控制所述tec半导体制冷器调节所述激光器的当前温度”包括:
44、当所述最终预测温升位于第一温升范围,则驱动所述tec半导体制冷器以最大功率的25%工作,使激光器的温度恢复;
45、当所述最终预测温升位于第二温升范围,则驱动所述tec半导体制冷器以最大功率的50%工作,使激光器的温度恢复;
46、当所述最终预测温升位于第三温升范围,则驱动所述tec半导体制冷器以最大功率的75%工作,使激光器的温度恢复;
47、当所述最终预测温升超出所述第三温升范围,则检测所述激光器当前的实测温度以及获取当前运行状态数据,并将所述实测温度和所述当前运行状态数据更新至数据库。
48、本技术至少具有以下有益效果:
49、本技术提供了激光器封装系统及其智能散热方法,系统包括:激光器阵列模块,具有多个间隔设置且呈阵列分布的激光器,每个激光器上具有用于传导热量的热沉,每一热沉均配置有用于给激光器散热的tec半导体制冷器;训练模块,用于获取一定时间内激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库,将数据库划分为训练数据和验证数据;基于训练数据对深度学习模型进行训练,并基于验证数据对训练后的深度学习模型进行验证;若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内,则输出训练后的深度学习模型;预测模块,用于实时检测激光器的第一参数和第二参数,并将第一参数和第二参数输入至训练后的深度学习模型,以生成激光器对应的预测温度;其中,第一参数包括功率,第二参数包括运行时间;调温模块,用于基于预测温度控制tec半导体制冷器调节激光器的当前温度。本技术通过tec半导体制冷器对激光器进行散热,解决了现有技术中水冷散热存在微渗漏和漏水的安全隐患,使系统更加安全可靠;并且采用训练模块以及预测模块的配合,通过深度学习模型预测激光器的预测温度,从而代替传统的温度传感器的检测,整个系统结构相对简单,无需设置过多的传感器,大大降低了封装难度和封装成本,同时还能具有较好的散热效果。
50、进一步的,多个激光器包括多个第一激光器和多个第二激光器,每相邻两个第一激光器之间具有至少两个第二激光器;系统还包括:分配模块,用于基于一定时间内激光器的实测温度确定激光器的实测温升,若实测温升超出第二预设区间,则将激光器作为第一激光器;若实测温升位于第二预设区间,则将激光器作为第二激光器;第一激光器单独配置有一个tec半导体制冷器,至少两个第二激光器共用一个tec半导体制冷器。本技术通过激光器的实测温升大小来区分第一激光器和第二激光器,第一激光器为产生热量较大的激光器,因此需要单独配置一个tec半导体制冷器进行散热;而第二激光器为产生热量较小的激光器,因此可以将相邻的至少两个激光器设置在同一个tec半导体制冷器进行散热,通过此种方式的设计既减少了tec半导体制冷器的数量,减低了生产成本,同时还能够具有良好的散热效果,使散热更加均匀、高效。
51、进一步的,本技术还包括:温度传感器,用于获取激光器预设时刻的实测温度;计算模块,用于根据激光器预设时刻的实测温度以及预测温度,计算实测温度以及预测温度的差值;优化模块,用于判断实测温度以及预测温度的差值是否位于第三预设区间,若实测温度以及预测温度的差值超过第三预设区间,则记录激光器的实测温度以及对应时刻的历史运行状态数据以更新数据库,并根据更新后的数据库优化深度学习模型。本技术通过温度传感器对预测模块的预测温度进行实时验证,以便于后续及时优化深度学习模型,进而提高了系统中预测温度的可靠性,减少了预测温度与实际温度的偏差,使整个系统的可靠性得到显著提高。