CN116387957A - 一种激光器系统及激光器的输出控制方法、存储介质 - Google Patents
一种激光器系统及激光器的输出控制方法、存储介质 Download PDFInfo
- Publication number
- CN116387957A CN116387957A CN202310260504.6A CN202310260504A CN116387957A CN 116387957 A CN116387957 A CN 116387957A CN 202310260504 A CN202310260504 A CN 202310260504A CN 116387957 A CN116387957 A CN 116387957A
- Authority
- CN
- China
- Prior art keywords
- laser
- algorithm
- output
- neural network
- spectroscope
- 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 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 239000002245 particle Substances 0.000 claims abstract description 47
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 230000000087 stabilizing effect Effects 0.000 claims description 6
- 238000003306 harvesting Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- 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
- H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
- H01S3/13—Stabilisation of laser output parameters, e.g. frequency or amplitude
- H01S3/1305—Feedback control systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Lasers (AREA)
- Automation & Control Theory (AREA)
- Plasma & Fusion (AREA)
- Optics & Photonics (AREA)
Abstract
本申请提供一种激光器系统及激光器的输出控制方法、存储介质。其中激光器系统包括：激光器；分光镜，沿所述激光器的出光方向上设置；激光输出控制器，设置在所述激光器和所述分光镜之间；所述分光镜将所述激光器输出的激光分为输出光和反馈光；所述激光输出控制器采集从所述分光镜输出的反馈光，并基于所述反馈光以及预设算法调节所述激光器，以稳定激光器的输出功率；所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。相较于现有技术，本申请的激光器系统中设置了外反馈的激光输出控制器，可以快速稳定激光的输出功率，以保持激光器的稳定输出。
Description
技术领域
本申请涉及激光器技术领域，具体涉及一种激光器系统及激光器的输出控制方法、存储介质。
背景技术
近十几年来随着激光技术在科研、测量、工业、军事、医疗等领域中被广泛使用，激光器已成为信息技术的关键设备。激光器作为这些领域的重要光源保持它的输出功率的稳定性尤为重要。要保证它的稳定性就需要设计一个控制系统来监测激光器输出功率稳定性的状况，控制激光器泵浦源功率的输出功率以保持激光器的稳定输出。所以激光器的输出功率的稳定性是激光器广泛使用中亟需解决的技术问题。
发明内容
本申请的目的是提供一种激光器系统及激光器的输出控制方法、一种计算机可读存储介质。
本申请第一方面提供一种激光器系统，包括：
激光器；
分光镜，沿所述激光器的出光方向上设置；
激光输出控制器，设置在所述激光器和所述分光镜之间；其中，
所述分光镜，用于将所述激光器输出的激光分为输出光和反馈光；
所述激光输出控制器，用于采集从所述分光镜输出的反馈光，并基于所述反馈光以及预设算法调节所述激光器，以稳定激光器的输出功率；
其中，所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。
一种可能的实现方式中，所述激光输出控制器包括依次连接的能量采集模块、信号处理模块和功率调节模块；其中，
所述能量采集模块，用于采集从所述分光镜输出的反馈光，并将所述反馈光转化为数字信号，得到所述激光器的输出反馈信息；
所述信号处理模块，用于利用预设算法对所述输出反馈信息进行处理，得到稳定激光器输出功率的调节信号；
所述功率调节模块，用于根据所述调节信号调节所述激光器的输出功率。
一种可能的实现方式中，所述分光镜的两侧中至少一侧设置有透光镀层。
一种可能的实现方式中，所述分光镜与水平方向的夹角范围为大于等于30°且小于等于45°。
一种可能的实现方式中，所述能量采集模块包括相互连接的光电探测器和模数转换单元。
本申请第二方面提供一种激光器的输出控制方法，包括：
获取激光器的输出反馈信息；
利用预设算法对所述输出反馈信息进行处理，得到稳定激光器输出功率的调节信号；
根据所述调节信号调节所述激光器的输出功率；
其中，所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。
一种可能的实现方式中，基于混合算法优化BP神经网络PID控制器算法的过程如下：
根据BP神经网络的初始参数得到N个子群；
N个子群各自采用遗传算法进行自身迭代优化，得到N个最优个体，取每个所述最优个体来构成精英群的粒子，并初始化精英群中的粒子；
对精英群采用粒子群算法进行迭代优化，判断并确定迭代优化过程是否满足预设的结束条件；如果满足，则停止迭代优化，否则每个子群从精英群中随机选取M个粒子，用所述M个粒子随机替换掉该子群中的M个个体，返回所述N个子群各自采用遗传算法进行自身迭代优化的步骤继续优化，直至满足所述结束条件，获得BP神经网络的最优初始参数；
基于所述最优初始参数对BP神经网络进行训练，得到优化后的BP神经网络PID控制器算法。
一种可能的实现方式中，所述初始参数包括BP神经网络的连接权值。
本申请第三方面提供一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现本申请第二方面所述的方法。
相较于现有技术，本申请提供的激光器系统，包括：激光器；分光镜，沿所述激光器的出光方向上设置；激光输出控制器，设置在所述激光器和所述分光镜之间；所述分光镜将所述激光器输出的激光分为输出光和反馈光；所述激光输出控制器采集从所述分光镜输出的反馈光，并基于所述反馈光以及预设算法调节所述激光器，以稳定激光器的输出功率；所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。相较于现有技术，本申请的激光器系统中设置了外反馈的激光输出控制器，可以快速稳定激光的输出功率，以保持激光器的稳定输出。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请提供的一种激光器系统的结构示意图；
图2示出了本申请提供的基于混合算法优化的BP神经网络PID控制器的示意图；
图3示出了本申请提供的基于混合算法优化BP神经网络PID控制器算法的过程图；
图4示出了本申请提供的激光器系统输出yout的脉冲响应曲线；
图5示出了本申请提供的激光器系统的输入和输出之间的误差曲线；
图6示出了本申请提供的PID控制器的三个参数KI、KP、KD的变化图；
图7示出了本申请提供的一种激光器的输出控制方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，激光的功率控制方案主要有内部控制以及外部反馈控制两种。外部反馈控制主要是借助于PID控制器算法进行稳定控制，PID控制器由比例单元P、积分单元I和微分单元D组成，分别对KP、KI和KD三个参数进行设定。但是PID控制器算法由于自身调整参数比较麻烦而且不精确，因此又出现了通过BP神经网络来调整PID控制器参数。近年来的研究表明，BP神经网络PID是一种利用自身具有的自学习能力，对系统参数进行整定的控制技术，其核心思想延用了常规PID控制的控制思想，而且还将神经网络对非线性复杂系统的表达能力相结合，对控制参数进行在线的有效的学习，从而可以对控制系统进行智能控制。但是基于BP神经网络的PID控制是如何对网络的权值和阈值进行调整的，还得考虑到最速下降法，其中网络性能函数有正负梯度方向之分，该算法便是以负梯度方向进行的，这就导致算法在训练过程中收敛速度缓慢。
在对BP神经网络在PID控制器的应用上进行了深入的研究，发现BP神经网络在训练过程中存在许多缺陷，所以针对这一系列问题，本申请提出并设计了一种新型的控制器—基于遗传-粒子群优化的BP神经网络PID控制器，来实现对激光器功率的智能控制，该控制器结合了遗传算法的强大全局搜索能力以及粒子群算法强大的局部搜索能力和快速收敛速度的优势，优化BP神经网络权重以获得新的控制方法，其结合了两者的优点，使控制效果更趋于稳定。
具体的，本申请实施例提供一种激光器系统及激光器的输出控制方法、一种计算机可读存储介质，下面结合附图进行说明。
请参考图1，其示出了本申请的一些实施方式所提供的一种激光器系统的结构示意图，如图1所示，该激光器系统包括：激光器10、分光镜20和激光输出控制器30。分光镜20沿所述激光器10的出光方向上设置，激光输出控制器30设置在所述激光器10和所述分光镜20之间，分光镜20和激光输出控制器30构成激光器10输出的外反馈控制装置。
具体的，激光器10输出激光，分光镜20将所述激光器10输出的激光分为输出光和反馈光。激光输出控制器30采集从所述分光镜20输出的反馈光，并基于所述反馈光以及预设算法调节所述激光器10的电源电流大小，以稳定激光器的输出功率。其中，所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。
图2示出了本申请提供的基于混合算法优化的BP神经网络PID控制器的示意图。具体的，如图2所示，本申请提供的BP神经网络PID控制器由三部分构成，分别为将遗传算法和粒子群算法混合得到的混合算法(记为GA-POS算法)、BP神经网络和常规的PID控制器(记为PID算法)。常规PID控制器根据rin(输入)和yout(输出)之间error(误差)以及三个参数KI、KP、KD，通过控制算法得到PID控制器输出U，再由控制对象(激光器电源)的传递函数得到系统的输出(由功率探测器探测得到)，从而实现PID控制器直接对激光器的闭环控制。
激光器系统在运行前期，遗传和粒子群算法先对BP神经网络的连接权值或阈值进行优化，将经过优化的得到的最佳权值给到BP神经网络，然后BP神经网络就可以通过自身的自整定能力调整经过混合优化后的加权系数，并自动进行PID控制参数调节，获得最优的控制参数，使激光器系统性能指标达到理想状态。
图3示出了本申请提供的基于混合算法优化BP神经网络PID控制器算法的过程，具体步骤如下：
(1)根据BP神经网络的初始参数得到N个子群；所述初始参数包括BP神经网络的连接权值；
具体的，确定BP神经网络的网络拓扑结构，初始BP神经网络权值阈值长度，得到BP神经网络的初始参数，然后根据BP神经网络的初始参数得到遗传算法的N个子群(记为GA子群)。
(2)N个GA子群各自采用遗传算法进行自身迭代优化，得到N个最优个体，取每个所述最优个体来构成精英群的粒子，并初始化精英群中的粒子；
具体的，对精英群中粒子的位置与速度进行初始化。
(3)对精英群采用粒子群算法进行迭代优化，判断并确定迭代优化过程是否满足预设的结束条件；如果满足，则停止迭代优化，否则每个子群从精英群中随机选取M个粒子，用所述M个粒子随机替换掉该子群中的M个个体，返回所述N个子群各自采用遗传算法进行自身迭代优化的步骤继续优化，直至满足所述结束条件，获得BP神经网络的最优初始参数；
具体的，对精英群采用粒子群算法进行迭代优化的过程包括：设定适应度函数计算初始适应度值，更新粒子的速度和位置，选择、交叉、变异操作，计算粒子适应度值、更新个体最优与群体最优，判断是否满足结束条件。如果满足，则停止迭代优化，否则每个子群从精英群中随机选取M个粒子，用所述M个粒子随机替换掉该子群中的M个个体，返回步骤(2)继续优化，直至满足结束条件，获得BP神经网络的最优初始参数。
(4)基于所述最优初始参数对BP神经网络进行训练，得到优化后的BP神经网络PID控制器算法。
对BP神经网络进行训练的过程在此不做赘述，BP神经网络训练好后得到更优的BP神经网络PID控制器，从而可以计算PID调整值，得到更优的PID控制参数来控制激光器的输出，使激光器系统性能指标达到理想状态。
上述混合算法将遗传和粒子群算法进行混合，并将两种算法进行分层，遗传算法处于底层，粒子群算法位于顶层，混合算法在运行的过程中先采用遗传算法对种群进行优化，再利用粒子群算法对遗传算法优化过所得到的粒子进行优化，交替进行，最后可得到最优的个体。遗传算法优化种群中的个体，个体的适应度值是根据适应度函数进行计算更新的，要得到适应度值最佳的个体则需要对群体进行遗传操作。将遗传算法迭代的每一次最优个体组成上层粒子群精英群，然后根据计算出的精英群中粒子的速率得到更新的位置，向新的方向发展，基于这些新的位置(权值的集合)，得到最新的网络误差，同时，粒子通过不断的运动从而不断的更新网络权值。最后，BP神经网络采用经过寻优得到权值或阈值进行在线自学习，从而使得算法达到可观的训练效果。
根据本申请的一些实施方式中，如图1所示，激光输出控制器30包括依次连接的能量采集模块31、信号处理模块32和功率调节模块33。
所述能量采集模块31，用于采集从所述分光镜20输出的反馈光，并将所述反馈光转化为数字信号，得到所述激光器的输出反馈信息；
所述信号处理模块32，用于利用预设算法对所述输出反馈信息进行处理，得到稳定激光器输出功率的调节信号；
所述功率调节模块33，用于根据所述调节信号调节所述激光器的输出功率。
具体的，如图1所示，激光从激光器10中发射出去，经过分光镜20分光之后，大部分的激光作为输出光输出出去，少部分的激光作为反馈光被能量采集模块31所采集。能量采集模块31主要包括了光电探测器和模数转换单元。首先光电探测器采集到分光镜20过来的反馈光，将反馈光功率大小转变为模拟信号，模拟信号又通过模数转换单元输出为数字信号，传递到信号处理模块32。信号处理模块32接收到传递过来的数字信号之后，通过上述预设算法计算出下一次所需要的电流大小，并且对PID的权值进行更新。功率调节模块33接收到数据之后，进而来调节激光器的电源，使得输出的电流值改变，进而使得激光器的输出功率趋于稳定的正确值。
根据本申请的一些实施方式中，所述分光镜20的两侧中至少一侧设置有透光镀层。透光镀层可以增加分光镜的透光率，间接提升激光输出控制器所采集的激光器输出反馈信息的准确性。
根据本申请的一些实施方式中，所述分光镜20与水平方向的夹角范围为大于等于30°且小于等于45°。用户可以在30°至45°的范围内根据实际情况设置分光镜20与水平方向的夹角，使得激光器系统简便易用，环境适应性更强。
激光器的传递函数可近似为一阶环节的形式传递函数，通过脉冲响应，在仿真软件上搭建其控制流程以及算法实现，得到了图4、5、6所示的激光器系统的响应曲线。图4为激光器系统输出yout的脉冲响应曲线，图5为激光器系统的输入和输出之间的误差曲线，图6为PID控制器的三个参数KI、KP、KD的变化图。
从图4可以看出，在0.05s之内，该激光器系统在受到外界的扰动时可以恢复正常，并且恢复的超调量也是微乎其微的。在0.05s之内，图5的误差曲线最终也收敛趋向于0。在0.05s之内，图6的KI、KP、KD值也最终趋于稳定的数值。可见，本申请的激光器系统设置的分光镜和激光输出控制器，能够使系统控制性能有显著提升。
相较于现有技术，本申请提供的激光器系统，包括：激光器；分光镜，沿所述激光器的出光方向上设置；激光输出控制器，设置在所述激光器和所述分光镜之间；所述分光镜将所述激光器输出的激光分为输出光和反馈光；所述激光输出控制器采集从所述分光镜输出的反馈光，并基于所述反馈光以及预设算法调节所述激光器，以稳定激光器的输出功率；所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。相较于现有技术，本申请的激光器系统中设置了外反馈的激光输出控制器，可以快速稳定激光的输出功率，以保持激光器的稳定输出。
在上述的实施例中，提供了一种激光器系统，与之相对应的，本申请还提供一种激光器的输出控制方法。请参考图7，其示出了本申请的一些实施方式所提供的一种激光器的输出控制方法的流程图。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
如图7所示，所述激光器的输出控制方法，可以包括以下步骤：
S101、获取激光器的输出反馈信息；
S102、利用预设算法对所述输出反馈信息进行处理，得到稳定激光器输出功率的调节信号；
S103、根据所述调节信号调节所述激光器的输出功率；
其中，所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。
根据本申请的一些实施方式中，基于混合算法优化BP神经网络PID控制器算法的过程如下：
根据BP神经网络的初始参数得到N个子群；
N个子群各自采用遗传算法进行自身迭代优化，得到N个最优个体，取每个所述最优个体来构成精英群的粒子，并初始化精英群中的粒子；
对精英群采用粒子群算法进行迭代优化，判断并确定迭代优化过程是否满足预设的结束条件；如果满足，则停止迭代优化，否则每个子群从精英群中随机选取M个粒子，用所述M个粒子随机替换掉该子群中的M个个体，返回所述N个子群各自采用遗传算法进行自身迭代优化的步骤继续优化，直至满足所述结束条件，获得BP神经网络的最优初始参数；
基于所述最优初始参数对BP神经网络进行训练，得到优化后的BP神经网络PID控制器算法。
根据本申请的一些实施方式中，所述初始参数包括BP神经网络的连接权值。
相较于现有技术，采用本申请提供的激光器的输出控制方法，激光器在运行前期，遗传和粒子群算法先对BP神经网络的连接权值或阈值进行优化，将经过优化的得到的最佳权值给到BP神经网络，然后BP神经网络就可以通过自身的自整定能力调整经过混合优化后的加权系数，并自动进行PID控制参数调节，获得最优的控制参数，使激光器性能指标达到理想状态。
本申请实施方式还提供一种与前述实施方式所提供的激光器的输出控制方法对应的计算机可读存储介质，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的激光器的输出控制方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的激光器的输出控制方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (9)
1.一种激光器系统，其特征在于，包括：
激光器；
分光镜，沿所述激光器的出光方向上设置；
激光输出控制器，设置在所述激光器和所述分光镜之间；其中，
所述分光镜，用于将所述激光器输出的激光分为输出光和反馈光；
所述激光输出控制器，用于采集从所述分光镜输出的反馈光，并基于所述反馈光以及预设算法调节所述激光器，以稳定激光器的输出功率；
其中，所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。
2.根据权利要求1所述的激光器系统，其特征在于，所述激光输出控制器包括依次连接的能量采集模块、信号处理模块和功率调节模块；其中，
所述能量采集模块，用于采集从所述分光镜输出的反馈光，并将所述反馈光转化为数字信号，得到所述激光器的输出反馈信息；
所述信号处理模块，用于利用预设算法对所述输出反馈信息进行处理，得到稳定激光器输出功率的调节信号；
所述功率调节模块，用于根据所述调节信号调节所述激光器的输出功率。
3.根据权利要求1所述的激光器系统，其特征在于，所述分光镜的两侧中至少一侧设置有透光镀层。
4.根据权利要求1所述的激光器系统，其特征在于，所述分光镜与水平方向的夹角范围为大于等于30°且小于等于45°。
5.根据权利要求2所述的激光器系统，其特征在于，所述能量采集模块包括相互连接的光电探测器和模数转换单元。
6.一种激光器的输出控制方法，其特征在于，包括：
获取激光器的输出反馈信息；
利用预设算法对所述输出反馈信息进行处理，得到稳定激光器输出功率的调节信号；
根据所述调节信号调节所述激光器的输出功率；
其中，所述预设算法为基于混合算法优化的BP神经网络PID控制器算法，所述混合算法是将遗传算法和粒子群算法混合得到的。
7.根据权利要求6所述的方法，其特征在于，基于混合算法优化BP神经网络PID控制器算法的过程如下：
根据BP神经网络的初始参数得到N个子群；
N个子群各自采用遗传算法进行自身迭代优化，得到N个最优个体，取每个所述最优个体来构成精英群的粒子，并初始化精英群中的粒子；
对精英群采用粒子群算法进行迭代优化，判断并确定迭代优化过程是否满足预设的结束条件；如果满足，则停止迭代优化，否则每个子群从精英群中随机选取M个粒子，用所述M个粒子随机替换掉该子群中的M个个体，返回所述N个子群各自采用遗传算法进行自身迭代优化的步骤继续优化，直至满足所述结束条件，获得BP神经网络的最优初始参数；
基于所述最优初始参数对BP神经网络进行训练，得到优化后的BP神经网络PID控制器算法。
8.根据权利要求7所述的方法，其特征在于，所述初始参数包括BP神经网络的连接权值。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求6至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310260504.6A CN116387957A (zh) | 2023-03-13 | 2023-03-13 | 一种激光器系统及激光器的输出控制方法、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310260504.6A CN116387957A (zh) | 2023-03-13 | 2023-03-13 | 一种激光器系统及激光器的输出控制方法、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116387957A true CN116387957A (zh) | 2023-07-04 |
Family
ID=86968544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310260504.6A Pending CN116387957A (zh) | 2023-03-13 | 2023-03-13 | 一种激光器系统及激光器的输出控制方法、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116387957A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116810188A (zh) * | 2023-08-30 | 2023-09-29 | 深圳英谷激光有限公司 | 一种激光器控制方法及系统 |
-
2023
- 2023-03-13 CN CN202310260504.6A patent/CN116387957A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116810188A (zh) * | 2023-08-30 | 2023-09-29 | 深圳英谷激光有限公司 | 一种激光器控制方法及系统 |
| CN116810188B (zh) * | 2023-08-30 | 2024-01-09 | 深圳英谷激光有限公司 | 一种激光器控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baba et al. | Classification and evaluation review of maximum power point tracking methods | |
| CN116387957A (zh) | 一种激光器系统及激光器的输出控制方法、存储介质 | |
| CN104155877A (zh) | 基于遗传算法的无刷直流电机模糊控制系统及控制方法 | |
| CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
| CN107390754A (zh) | 基于物联网云平台的智能植物生长环境调节系统与方法 | |
| CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
| Gutman et al. | A non-linear optimal greenhouse control problem solved by linear programming | |
| Fatima et al. | Intelligent approach-based maximum power point tracking for renewable energy system: a review | |
| CN106896724B (zh) | 用于太阳跟踪器的跟踪系统及跟踪方法 | |
| CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制系统 | |
| CN109634350B (zh) | 一种基于神经网络来调整占空比实现最大功率跟踪的方法 | |
| Farooq et al. | On the interval type-2 fuzzy logic control of ball and plate system | |
| Chi et al. | Comparison of two multi-step ahead forecasting mechanisms for wind speed based on machine learning models | |
| Banakar et al. | Parameter identification of TSK neuro-fuzzy models | |
| Ogar et al. | Load frequency control using the particle swarm optimisation algorithm and Pid controller for effective monitoring of transmission line | |
| CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
| CN220138928U (zh) | 一种激光器系统 | |
| CN115016282B (zh) | 一种分数阶三步法控制器及其鲁棒参数整定方法 | |
| Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm | |
| Xu et al. | Optimization of ROV control based on genetic algorithm | |
| CN112865132B (zh) | 双区域互联电力系统的负荷频率控制参数的处理方法 | |
| Sreejeth et al. | Tuning A PID Controller using Metaheuristic Algorithms | |
| Nechakhin et al. | Hyperparameter Optimization of LSTM MPPT Controller for Solar Power Plants | |
| CN103488190A (zh) | 一种基于粒子群算法的太阳自动跟踪模糊控制系统 | |
| CN102141778A (zh) | 一种受核糖体rna启发的高阶控制器参数优化方法 |
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 |