CN114967790A - 基于机器学习的激光器温度控制系统及方法 - Google Patents
基于机器学习的激光器温度控制系统及方法 Download PDFInfo
- Publication number
- CN114967790A CN114967790A CN202210479567.6A CN202210479567A CN114967790A CN 114967790 A CN114967790 A CN 114967790A CN 202210479567 A CN202210479567 A CN 202210479567A CN 114967790 A CN114967790 A CN 114967790A
- Authority
- CN
- China
- Prior art keywords
- temperature
- temperature control
- module
- laser
- controlled object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000003321 amplification Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000012827 research and development Methods 0.000 abstract description 3
- 239000013078 crystal Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005086 pumping Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- KXGFMDJXCMQABM-UHFFFAOYSA-N 2-methoxy-6-methylphenol Chemical compound [CH]OC1=CC=CC([CH])=C1O KXGFMDJXCMQABM-UHFFFAOYSA-N 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- 230000005679 Peltier effect Effects 0.000 description 1
- 229910009372 YVO4 Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- MVLMQGYYLCWMFP-UHFFFAOYSA-N neodymium yttrium Chemical compound [Y].[Nd] MVLMQGYYLCWMFP-UHFFFAOYSA-N 0.000 description 1
- 239000005011 phenolic resin Substances 0.000 description 1
- 229920001568 phenolic resin Polymers 0.000 description 1
- 239000011253 protective coating Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
- G05D23/24—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature the sensing element having a resistance varying with temperature, e.g. a thermistor
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
- H01S3/02—Constructional details
- H01S3/04—Arrangements for thermal management
- H01S3/042—Arrangements for thermal management for solid state lasers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Plasma & Fusion (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Temperature (AREA)
Abstract
本发明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。
Description
技术领域
本发明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。
背景技术
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。
发明内容
本发明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。
为实现上述目的，本发明提供了如下方案：基于机器学习的激光器温度控制系统及方法，包括：
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。
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。
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；
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。
优选地，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，包括三个神经元，分别输出为比例系数、积分系数、微分系数。
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；
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。
基于机器学习的激光器温度控制方法，包括以下步骤：
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，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。
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。
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。
本发明公开了以下技术效果：
(1)本发明提出的基于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。
(2)本发明解决了在设置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。
(3)本发明设计了一种在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
为了更清楚地说明本发明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发明的一些实施例，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。
图1为本发明实施例的系统结构示意图；
图中：1-温度采集模块，2-微控制器模块，3-控温模块，4-被控对象，5-用户界面模块，6-BP神经网络单元，7-参数处理单元，8-PID控制单元，9-输入层，10-隐藏层，11-输出层，12-倍数放大模拟预测单元，13-数据结果筛选处理单元；
图2为本发明实施例的激光器被控对象温度控制方法中BP神经网络搭建图；
图3为本发明实施例的激光器被控对象温度控制方法中参数处理算法原理图；
图4为本发明实施例分别使用传统PID方法与本发明所述方法改变被控对象温度进行对比的实验结果图；
图5为本发明实施例泵浦源注入时使用传统PID方法对被控对象进行温度控制，观察激光器输出功率变化以及被控对象控温效果的实验结果图；
图6为本发明实施例泵浦源注入时使用本发明所述方法对被控对象进行温度控制，观察激光器输出功率变化以及被控对象控温效果的实验结果图；其中，图5和图6为一组对比实验图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明的目的是解决现有激光器中各种被控对象控温困难、PID参数试凑的繁琐等问题。本发明通过一种将BP神经网络算法与普通PID相结合的激光器被控对象温度控制方法，使得PID参数自动计算并加载到控温系统中，提高温度控制效率，进而提升激光器的性能。
如图1所示，本发明提供了基于机器学习的激光器温度控制系统及方法,包括：温度控制系统，包括温度采集模块、微控制器模块、控温模块以及被控对象。温度控制方法为，通过设计一种自适应算法实时计算合适的PID参数，包括BP神经网络算法、参数处理算法、PID算法；利用TMS320F28069微控制器MCU实现算法的正常运行，即实现对激光器中各种被控对象的高效控温。控温系统中的PID参数不再需要繁琐复杂的试凑，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。
本发明通过将BP神经网络算法与传统工业PID算法相结合，运用于激光器被控对象的温度控制中，实现了更高的控温效率与控温能力，为高功率连续单频激光器的研制提供了技术支持，同时充分发挥了机器学习在光学工程领域的应用优势。
具体地，基于机器学习的激光器温度控制系统，温度控制系统包括，温度采集模块1、微控制器模块2、控温模块3、被控对象4、用户界面5；温度采集模块1置于被控对象4与微控制器模块2之间，用于采集被控对象4的实时温度数据传输予微控制器模块2进行数据处理；微控制器模块2置于温度采集模块1与控温模块3之间，用于分析由温度采集模块1采集回的数据，并命令控温模块3做出相应的控温处理；控温模块3置于微控制器模块2与被控对象4之间，用于对微控制器模块2下发的控制命令做出响应，对被控对象4进行一系列温度控制操作；被控对象4置于控温模块3与温度采集模块1之间，用于激光器中，需要受到控温模块3的温度调校以及温度采集模块1的温度采集；用户界面5分别与温度采集模块1、微控制器模块2相连接，用于显示温度采集模块1所测得被控对象4当前的温度值，并通过用户界面5设置不同温度目标值交予微控制器模块2进行算法处理。
温度控制方法在温度控制系统的微控制器模块2中进行，包括BP神经网络算法6、参数处理算法7、PID控制算法8。BP神经网络算法6、参数处理算法7、PID控制算法8均包含于微控制器模块2；BP神经网络算法6的输入端与微控制器模块2的输入端共用同一输入端；BP神经网络算法6的输出端与参数处理算法7的输入端连接；参数处理算法7的输出端与PID控制算法8的输入端连接；PID控制算法8的输出端与微控制器模块2的输出端共用同一输出端。
温度控制系统工作步骤如下：
步骤A1：通过温度采集模块1对被控对象4进行温度数据采集。
步骤A2：将温度采集模块1采集到的温度数据分别传输给微控制器模块2和用户界面5。
步骤A3：用户界面5显示被控对象4的实时温度数据，并设置新的温度设定值，将此命令传输给微控制器模块2进行数据分析与处理。
步骤A4：微控制器模块2收到分别来自温度采集模块1采集到的温度测量值与用户界面5设置的温度设定值两项数据，得到当前温度误差、误差的变化量、误差的变化趋势。
步骤A5：微控制器模块2进行权利要求2的基于机器学习的激光器温度控制方法进行算法处理，得到合适的PID参数值，进行PID控制运算。运算结果为一增量。
步骤A6：将增量传给控温模块3，控温模块3对被控对象4进行温度调整。
步骤A7：温度采集模块1在下一次采集被控对象4的温度时得到了新的温度测量值，将新的温度测量值再与此刻的温度设定值进行分析计算，重复上述步骤A1～A6。
步骤A8：温度测量值逐渐向温度设定值靠拢，温度误差趋于零并最终等于零，温度控制系统工作完成。
BP神经网络算法6包括输入层9、隐藏层10、输出层11；输入层9位于BP神经网络算法6的输入端，对应神经元个数为3；隐藏层10位于BP神经网络算法6中输入层9与输出层11之间，对应神经元个数为8；输出层11位于BP神经网络算法6的输出端，对应神经元个数为3；参数处理算法7包括：倍数放大模拟预测12、数据结果筛选处理13；温度控制方法具体要求如下：
要求B1：根据权利要求3中步骤A5，微控制器模块2在得到当前温度误差、误差的变化量、误差的变化趋势后将其分别定义为BP神经网络输入层9的3个神经元。
要求B2：通过BP神经网络算法6计算得出的输出层的3个神经元分别对应PID控制算法8中的比例系数Kp、积分系数Ki、微分系数Kd。
要求B3：在BP神经网络算法6中正向计算隐藏层10神经元时使用激活函数公式如下：
要求B4：在BP神经网络算法6中正向计算输出层11神经元时使用激活函数公式如下：
要求B5：在BP神经网络算法6中反向训练使用的误差函数定义公式如下：
要求B6：根据要求B4判断出BP神经网络算法6在计算正向输出层11神经元的结果应在1/2到1范围内，所得结果不能直接用于激光器被控对象温度控制时的PID参数，需作进一步的按比例倍数放大模拟预测12以及数据结果筛选处理13，目的在于减少BP神经网络算法6计算结果出现的错误率，及时根据预测结果修正或剔除有误的结果，提前模拟计算PID的增量值并作出分析预测，有助于温度控制系统对激光器中被控对象的保护，提高工作容错率，增加控制鲁棒性。
实施例二
如图1所示，本发明提供了基于机器学习的激光器温度控制系统及方法,所述的激光器温度控制系统包括温度采集模块、微控制器模块、控温模块、被控对象以及用户界面。
进一步的，温度采集模块选取型号为TCS610的热敏电阻，它有低成本、小体积、较宽的电阻测量范围等特点，并可提供5种不同的RT曲线，测量公差仅1％。TCS610在生产时被加入了特殊的保护涂层，且该涂层经过在酚醛树脂上烘烤得到，拥有较强的耐久性和稳定性。另外，它有带
绝缘的实心镍线，组装于金属外壳中时提供了良好的隔离性，很适宜作为激光器内需要嵌入热敏电阻的应用。
进一步的，微控制器模块是本控温系统的核心模块，也是本发明中引入机器学习的关键平台。选用德州仪器(TI，Texas Instruments)生产的型号名为TMS320F28069的数字信号处理器DSP作为微控制器。TMS320F28069是一款拥有主频可达90MHz的32位MCU，采用哈佛(Harvard)总线架构，支持单精度浮点单元(FPU)运算和32位浮点可编程控制率加速器(CLA)，拥有高达256KB的闪存和100KB的随机存取存储器(RAM)。内置16通道12位的模数转换器(ADC)可以高速(3.46MSPS)采集通过热敏电阻所测得的温度量，将模拟信号转换为数字信号交予MCU进行PID计算。同时内置的两个串行通信接口(SCI)模块为用户界面提供了通信支持，可在用户界面上实时显示被控对象的测量温度、占空比等信息。另外，MCU可在-40℃至125℃的环境下稳定工作，满足激光器研制的诸多的实验条件。
进一步的，本发明的核心点为MCU中机器学习PID算法的设计。其中选用的机器学习PID算法来源于BP(Back Propagation)神经网络算法针对PID算法改进与优化。
进一步的，PID算法在闭环系统的控制中，可自动对控制系统进行准确且迅速的校正。由于数字信号处理器DSP仅支持进行数字离散式的数据处理，所以此处仅对PID算法的离散型公式进行讨论，详情如下：
其中e(kT)代表此刻设定值与测量值之间的差值。此处设r(kT)为设定值，设y(kT)为测量值，两者相减得到e(kT)。对差值e(kT)分别作比例、积分、微分形式的运算：其中比例部分是将此刻的差值与比例系数相乘；积分部分是将在此刻之前的所有差值累加再乘以积分系数；微分部分是将此刻的差值与前一刻的差值作差后再与微分系数相乘。最终将上述三部分相加得到需要改变的增量u(kT)，即上述PID离散型公式的具体含义。将增量u(kT)传给被控对象进行增量调整，随后被控对象将产生新的测量值，将新的测量值返回再与设定值进行比较。循环往复上述过程，测量值将逐步朝着设定值的方向进行改变。理论上，测量值与设定值的差值最终应为零或无限趋近于零，即代表闭环系统完成对被控对象的PID控制。
进一步的，闭环系统在作PID增量运算时各参数的取值直接影响PID控制的超调量、速度以及稳定性等。合适的PID参数能够更好更快地解决闭环系统的PID控制问题。由PID算法的离散型公式可知，PID参数包括：Kp，比例系数，主要用于提高闭环控制系统的动态响应速度，使系统控制的更快；Ki，积分系数，主要用于消除系统在运算过程中的稳态误差，使系统控制的更准；Kd，微分系数，主要用于对系统的超前矫正，使系统控制的更稳。
进一步的，在工业控制中需要对PID参数进行人工“试凑法”调整，且调整完成的PID参数不能适用于不同的被控对象。这种方法在工业控制环节耗费了大量时间，且鲁棒性较差，不具有自适应性。这是普通PID算法在工业控制中的不足之处。另外，将此问题回归到激光实验中，具体表现为：在调试激光器时由于对被控对象温度的PID控制参数设置不当，而导致被控对象温度被控速度较慢、控温超调量较大、被控温度不稳定进而出现被控对象温度失控，对产生的激光质量造成严重影响。
进一步的，针对此问题，引入BP神经网络算法加以解决。BP神经网络算法的核心在于BP(Back Propagation)，意为反向传播。闭环系统通过初始设定的参数值进行正向计算，将计算结果与目标值进行对比得到差值，通过算法反向训练传播回闭环系统，根据梯度下降法的原理使原有参数值向理想参数值靠近，从而实现闭环系统参数的动态调整。将其用于PID控制中的实际表现为：闭环控制系统可根据当前的运行状态对PID参数做出实时调整，使之更好地完成PID增量的计算，从而实现对被控对象的高效精准控制。
进一步的，本发明中所述BP神经网络如图2所示。本发明中的神经网络由三层不同的子网络构成，分别为输入层、隐藏层和输出层。其中：输入层有3个神经元，分别定义为误差的变化量Δe(k)、误差e(k)以及误差的变化趋势Δe(k)-Δe(k-1)。输出层对应了PID各参数，同样有3个神经元，分别为比例系数Kp、积分系数Ki和微分系数Kd。根据经验公式
(其中m表示输入层神经元个数，n表示输出层神经元个数，a为1到10之间的常数)圈定隐藏层神经元个数的范围，后经多次测试定义隐藏层神经元个数为8个。在下列陈述公式中，i(1～3)表示输入层中的各神经元，j(1～8)表示隐藏层中的各神经元，l(1～3)表示输出层中的各神经元。
第一步：定义PID运算中产生的增量u(k)：
u(k)＝u(k-1)+Δu(k-1)
Δu(k)＝Kp[e(k)-e(k-1)]+Kie(k)+Kd[Δe(k)-Δe(k-1)]
第二步：定义正向计算：
①定义输入层神经元输入公式：
②定义输入层到隐藏层之间的网络公式：
③计算隐藏层神经元的公式：
④定义隐藏层到输出层之间的网络公式：
⑤计算输出层神经元的公式：
第三步：定义反向训练：
①取误差函数为：
②计算隐藏层与输出层之间各连接权重调整值的公式：
③计算输入层与隐藏层之间各连接权重调整值的公式：
其中
未知，为输出量对增量的变化求偏导，求得应为一个正负变化趋势，故可用符号函数近似代替。
进一步的，通过BP神经网络计算得到的PID参数值(Kp、Ki、Kd)需进行参数处理，如图3为本发明所述参数处理算法原理图。Kp、Ki、Kd分批与不同的倍数相乘，将倍数放大后的结果进行PID增量预测。如增量预测结果满足实际条件，可以达到减小温度误差值的效果，则保留倍数放大后的PID各参数，交由下一步PID控制算法进行处理；否则直接剔除此批经倍数放大后的PID各参数。
进一步的，由参数处理算法筛选后的PID参数根据控制需要被实时提取用于闭环控制系统的PID增量计算。
进一步的，每次计算得到的增量将反馈给控温模块进行控温处理。本控温系统中选用的控温模块为热电制冷片(TEC)。热电制冷片又名半导体制冷片，它的工作原理为：利用半导体材料的Peltier效应，当直流电通过两种不同的半导体材料所串联成的电偶时，在电偶两端即可分别放出热量或吸收热量，从而达到制热或制冷的目的。常用的TEC分为两面，一面用于吸热，另一面用于散热。它是一种产生负热阻的制冷技术，其特点是无运动部件，可靠性也比较高，根据吸热/散热量大小的不同有多种型号可供选择，满足不同被控对象的控温需求，适宜作为激光器被控对象的控温模块。
进一步的，通过微控制器(MCU)TMS320F28069计算得到的增量值被转换为PWM电流信号传给热电制冷片(TEC)，使TEC中驱动电流的大小和方向发生改变，进而对被控对象的温度进行控制。
进一步的，温度采集模块(热敏电阻TCS610)采集到的被控对象新的温度值，经过与目标值做差后继续进行BP神经网络运算、参数处理运算、PID控制运算，由此形成一个温度差逐渐减小直至为零的闭环温度控制系统。
进一步的，本实例中以增益介质掺钕钒酸钇(Nd:YVO4)作为被控对象进行具体实验：对比其使用传统PID方法控温与本发明所述方法控温之间的差别，进而反映本发明的优点及有益效果。
图4所示为测量对被控对象同时调整同一温度时，上述两种方法直接的区别。图中实线代表本发明所述方法，点划线代表传统PID方法。由图可知：在本发明所述方法的帮助下，被控对象在接收到新的温度设定命令后的控温速度比传统PID方法要快很多，控温时间由实验传统PID方法时的80秒缩短至使用本发明所述方法时的15秒，效率提升81.25％。从控温超调量方面看，使用传统PID方法对被控对象控温时超调量约0.1℃，而使用本发明所述方法时几乎没有超调量。从实验结果也可以看出，使用本发明所述方法时被控对象温度的稳定性要远优于使用传统PID方法时被控对象温度的稳定性。
图5、图6所示分别为使用传统PID方法和本发明所述方法对被控对象进行温度控制时，以相同速率增加激光器泵浦功率，观察激光器输出功率变化以及被控对象的控温情况。通过两图对比可知，传统PID方法于泵浦功率增至80W左右时对被控对象的温度失去控制，进而导致激光器输出功率在6W至18.5W范围内做不规律振荡，严重影响到了激光器的光束质量以及输出功率稳定性。反观本发明所述方法完成了整个泵浦源的注入过程，其中在出光临界值处控温系统通过对PID参数的实时调整，稳定住了被控对象的温度，在泵浦源注入结束后，被控对象的温度被控回原设定温度，激光器的输出功率也稳定在18.8W附近，得到了光束质量的较好的单频激光。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
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，包括三个神经元，分别输出为比例系数、积分系数、微分系数。
5.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；
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。
6.基于机器学习的激光器温度控制方法，其特征在于，包括以下步骤：
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，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。
7.根据权利要求6所述的基于机器学习的激光器温度控制方法，其特征在于，
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。
8.根据权利要求6所述的基于机器学习的激光器温度控制方法，其特征在于，
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210479567.6A CN114967790A (zh) | 2022-05-05 | 2022-05-05 | 基于机器学习的激光器温度控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210479567.6A CN114967790A (zh) | 2022-05-05 | 2022-05-05 | 基于机器学习的激光器温度控制系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114967790A true CN114967790A (zh) | 2022-08-30 |
Family
ID=82979063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210479567.6A Pending CN114967790A (zh) | 2022-05-05 | 2022-05-05 | 基于机器学习的激光器温度控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114967790A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115185316A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 一种基于烟花算法的智能高精度温度控制方法和装置 |
| CN116780316A (zh) * | 2023-08-03 | 2023-09-19 | 无锡迈微光电科技有限公司 | 大功率固体激光器的散热系统 |
| CN117666658A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 基于云制造的工业设备温度控制系统、方法及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101046694A (zh) * | 2006-03-31 | 2007-10-03 | 中兴通讯股份有限公司 | 一种激光器自动温度控制方法 |
| CN103094818A (zh) * | 2013-01-18 | 2013-05-08 | 中国科学院光电研究院 | 一种准分子激光器的温度控制方法和系统 |
| CN203193112U (zh) * | 2013-01-18 | 2013-09-11 | 中国科学院光电研究院 | 一种激光器温控系统 |
| CN106168815A (zh) * | 2016-07-27 | 2016-11-30 | 中冶南方工程技术有限公司 | 一种基于神经网络pid的酸液温度控制系统及方法 |
| CN106774514A (zh) * | 2017-01-06 | 2017-05-31 | 中国科学院力学研究所 | 脉冲激光热疲劳实验时温度的闭环控制方法 |
| CN112947094A (zh) * | 2021-04-07 | 2021-06-11 | 宁波大学 | 一种水泥回转窑温控pid参数自调整方法 |
| CN113110634A (zh) * | 2021-03-26 | 2021-07-13 | 广东省科学院健康医学研究所 | 半导体激光温度控制系统、设备及方法 |
-
2022
- 2022-05-05 CN CN202210479567.6A patent/CN114967790A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101046694A (zh) * | 2006-03-31 | 2007-10-03 | 中兴通讯股份有限公司 | 一种激光器自动温度控制方法 |
| CN103094818A (zh) * | 2013-01-18 | 2013-05-08 | 中国科学院光电研究院 | 一种准分子激光器的温度控制方法和系统 |
| CN203193112U (zh) * | 2013-01-18 | 2013-09-11 | 中国科学院光电研究院 | 一种激光器温控系统 |
| CN106168815A (zh) * | 2016-07-27 | 2016-11-30 | 中冶南方工程技术有限公司 | 一种基于神经网络pid的酸液温度控制系统及方法 |
| CN106774514A (zh) * | 2017-01-06 | 2017-05-31 | 中国科学院力学研究所 | 脉冲激光热疲劳实验时温度的闭环控制方法 |
| CN113110634A (zh) * | 2021-03-26 | 2021-07-13 | 广东省科学院健康医学研究所 | 半导体激光温度控制系统、设备及方法 |
| CN112947094A (zh) * | 2021-04-07 | 2021-06-11 | 宁波大学 | 一种水泥回转窑温控pid参数自调整方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115185316A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 一种基于烟花算法的智能高精度温度控制方法和装置 |
| CN116780316A (zh) * | 2023-08-03 | 2023-09-19 | 无锡迈微光电科技有限公司 | 大功率固体激光器的散热系统 |
| CN116780316B (zh) * | 2023-08-03 | 2023-11-07 | 无锡迈微光电科技有限公司 | 大功率固体激光器的散热系统 |
| CN117666658A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 基于云制造的工业设备温度控制系统、方法及存储介质 |
| CN117666658B (zh) * | 2024-01-29 | 2024-04-12 | 太原科技大学 | 基于云制造的工业设备温度控制系统、方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114967790A (zh) | 基于机器学习的激光器温度控制系统及方法 | |
| Becherif et al. | MPPT of a PEMFC based on air supply control of the motocompressor group | |
| CN205017611U (zh) | 一种电子烟发热体的温度控制系统 | |
| Van Exter et al. | Theory for the linewidth of a bad-cavity laser | |
| CN118315913A (zh) | 基于深度强化学习的co2激光器自调整方法和装置 | |
| Jia et al. | An Adaptive Optimization Algorithm in LSTM for SOC Estimation Based on Improved Borges Derivative | |
| zu Schweinsberg et al. | Characterization and stabilization of the unstable fixed points of a frequency doubled Nd: YAG laser | |
| Andrej et al. | Flatness-based constrained optimal control of reaction-diffusion systems | |
| Ye et al. | Deep Deterministic Policy Gradient Algorithm Based Reinforcement Learning Controller for Single-Inductor Multiple-Output DC-DC Converter | |
| Shayeghi et al. | Optimal Design of a Hybrid Controller for DC-DC Buck Converter | |
| CN115441800A (zh) | 一种永磁电机发电系统的控制方法、装置、设备及介质 | |
| Sprangle et al. | Propagation of finite length laser pulses in plasma channels | |
| CN113741590B (zh) | 一种硅光微环波长标定和锁定控制方法 | |
| KR101762357B1 (ko) | 태양광 인버터 제어 장치 및 방법 | |
| CN115032892A (zh) | 基于Smith-PID的电磁感应加热控制方法及系统 | |
| Subramani et al. | Improved African Buffalo Optimization-Based Takagi–Sugeno–Kang Fuzzy PI Controller for Speed Control in BLDC Motor | |
| Shipra et al. | Passivity‐based controllers for zvs quasi‐resonant boost converter | |
| CN114362130B (zh) | 一种适用于直流系统的惯性控制方法及系统 | |
| CN118589282A (zh) | 一种基于bp神经网络的激光晶体温控方法 | |
| Cheng et al. | Model predictive coordinated cooperative control mechanism for multiagent systems based on priority negotiation | |
| Zhai et al. | High-precision temperature control for semi-conductor laser based on genetic algorithm | |
| CN114679806B (zh) | 一种提高微波加热均匀性的自切换控制方法、系统 | |
| CN114649608B (zh) | 一种无需额外电源及电路的电池包低温自适应加热方法及装置 | |
| Liu et al. | Fuzzy-PID control for arc furnace electrode regulator system based on Genetic Algorithm | |
| Santillán et al. | Dynamic stability versus thermodynamic performance in a simple model for a Brownian motor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220830 |