CN116449139A - 激光器的性能检测方法、装置、设备及存储介质 - Google Patents
激光器的性能检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116449139A CN116449139A CN202310707095.XA CN202310707095A CN116449139A CN 116449139 A CN116449139 A CN 116449139A CN 202310707095 A CN202310707095 A CN 202310707095A CN 116449139 A CN116449139 A CN 116449139A
- Authority
- CN
- China
- Prior art keywords
- laser
- data
- power
- vector
- curve
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 182
- 239000013598 vector Substances 0.000 claims abstract description 153
- 238000000295 emission spectrum Methods 0.000 claims abstract description 104
- 238000001228 spectrum Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims description 31
- 238000011056 performance test Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 238000013441 quality evaluation Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 5
- 230000001172 regenerating effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 9
- 239000006185 dispersion Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
-
- 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
- H01S3/0014—Monitoring arrangements not otherwise provided for
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Optics & Photonics (AREA)
- Semiconductor Lasers (AREA)
Abstract
本发明涉及人工智能领域，公开了一种激光器的性能检测方法、装置、设备及存储介质，用于提高激光器的性能检测准确率。方法包括：对参数数据集合进行光束质量分析，得到光束质量数据，并根据光束质量数据构建光束质量与测试功率之间的第一关系曲线；对参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；读取参数数据集合中的发射谱和谱宽数据，并根据发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；根据第一关系曲线、第二关系曲线以及第三关系曲线构建目标关系向量；将目标关系向量输入激光器性能检测模型进行激光器性能检测，得到最佳运行功率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种激光器的性能检测方法、装置、设备及存储介质。
背景技术
随着激光器技术的快速发展和应用广泛，准确、稳定的激光器性能检测成为了非常重要的问题。
目前，传统的激光器性能检测方法中常用的是基于功率计、光谱仪和波前传感器的方法，这些方法虽然简单易用，但存在检测误差较大、测试时间较长、分析结果不够准确的问题。
发明内容
本发明提供了一种激光器的性能检测方法、装置、设备及存储介质，用于提高激光器的性能检测准确率。
本发明第一方面提供了一种激光器的性能检测方法，所述激光器的性能检测方法包括：
对预置的激光器测试方案进行解析，得到多个测试功率值；
根据所述多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合；
对所述参数数据集合进行光束质量分析，得到光束质量数据，并根据所述光束质量数据构建光束质量与测试功率之间的第一关系曲线；
对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据所述频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；
读取所述参数数据集合中的发射谱和谱宽数据，并根据所述发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；
根据所述第一关系曲线、所述第二关系曲线以及所述第三关系曲线构建所述目标激光器的目标关系向量；
将所述目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到所述目标激光器的最佳运行功率。
结合第一方面，在本发明第一方面的第一实施方式中，所述根据所述多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合，包括：
根据所述多个测试功率值对待检测的目标激光器进行性能测试，并采集每个测试功率值下的多个初始参数；
分别对所述多个初始参数进行数据过滤和数据去噪，得到多个标准参数；
按照预设的参数排列顺序，对所述多个标准参数进行参数集合构建，生成每个测试功率值对应的参数数据集合。
结合第一方面，在本发明第一方面的第二实施方式中，所述对所述参数数据集合进行光束质量分析，得到光束质量数据，并根据所述光束质量数据构建光束质量与测试功率之间的第一关系曲线，包括：
获取所述参数数据集合中的光束关联参数，并构建所述光束关联参数和所述测试功率值对应的光束功率数组；
通过预置的光束质量分析模型，计算所述光束功率数组的光束质量评价指标；
根据所述光束质量评价指标生成光束质量数据，并计算所述光束质量数据的第一平均值以及第一标准偏差；
根据所述第一平均值以及所述第一标准偏差，对所述光束质量数据进行曲线拟合，生成光束质量与测试功率之间的第一关系曲线。
结合第一方面，在本发明第一方面的第三实施方式中，所述对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据所述频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线，包括：
基于再生式频率差计算模型，对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据；
对所述频率稳定性数据进行平均值和标准偏差计算，得到第二平均值以及第二标准偏差；
根据所述多个测试功率值，对所述频率稳定性数据进行匹配和分组，得到频率和功率数据对；
根据所述第二平均值以及所述第二标准偏差，对所述频率和功率数据对进行曲线映射，得到频率稳定性与测试功率之间的第二关系曲线。
结合第一方面，在本发明第一方面的第四实施方式中，所述读取所述参数数据集合中的发射谱和谱宽数据，并根据所述发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线，包括：
对所述参数数据集合中的发射谱和谱宽进行读取，得到发射谱和谱宽数据，其中，所述发射谱和谱宽数据包括：发射谱数据以及谱宽数据；
对所述发射谱数据进行平均值和标准偏差计算，得到第三平均值以及第三标准偏差，以及对所述谱宽数据进行平均值和标准偏差计算，得到第四平均值以及第四标准偏差；
基于所述第三平均值以及所述第三标准偏差，对所述发射谱数据进行曲线拟合，得到发射谱曲线，以及基于所述第四平均值以及所述第四标准偏差，对所述谱宽数据进行曲线拟合，得到谱宽曲线；
对所述发射谱曲线和所述谱宽曲线进行曲线融合，得到发射谱和谱宽与测试功率之间的第三关系曲线。
结合第一方面，在本发明第一方面的第五实施方式中，所述根据所述第一关系曲线、所述第二关系曲线以及所述第三关系曲线构建所述目标激光器的目标关系向量，包括：
对所述第一关系曲线进行特征值提取，得到多个第一特征值，并对所述第二关系曲线进行特征值识别，得到多个第二特征值，以及对所述第三关系曲线进行特征值运算，得到多个第三特征值；
根据所述多个第一特征值生成第一特征编码向量，并根据所述多个第二特征值生成第二特征编码向量，以及根据所述多个第三特征值生成第三特征编码向量；
对所述第一特征编码向量、所述第二特征编码向量以及所述第三特征编码向量进行向量融合，得到所述目标激光器的目标关系向量。
结合第一方面，在本发明第一方面的第六实施方式中，所述将所述目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到所述目标激光器的最佳运行功率，包括：
将所述目标关系向量输入预置的激光器性能检测模型，其中，所述激光器性能检测模型包括：第一编解码网络、第二编解码网络、第三编解码网络以及平均归一化层；
通过所述第一编解码网络对所述目标关系向量中的第一特征编码向量进行激光器性能检测，得到第一功率预测值；
通过所述第二编解码网络对所述目标关系向量中的第二特征编码向量进行激光器性能检测，得到第二功率预测值；
通过所述第三编解码网络对所述目标关系向量中的第三特征编码向量进行激光器性能检测，得到第三功率预测值；
通过所述平均归一化层对所述第一功率预测值、所述第二功率预测值以及所述第三功率预测值进行平均归一化运算，输出所述目标激光器的最佳运行功率。
本发明第二方面提供了一种激光器的性能检测装置，所述激光器的性能检测装置包括：
解析模块，用于对预置的激光器测试方案进行解析，得到多个测试功率值；
测试模块，用于根据所述多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合；
分析模块，用于对所述参数数据集合进行光束质量分析，得到光束质量数据，并根据所述光束质量数据构建光束质量与测试功率之间的第一关系曲线；
计算模块，用于对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据所述频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；
读取模块，用于读取所述参数数据集合中的发射谱和谱宽数据，并根据所述发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；
构建模块，用于根据所述第一关系曲线、所述第二关系曲线以及所述第三关系曲线构建所述目标激光器的目标关系向量；
检测模块，用于将所述目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到所述目标激光器的最佳运行功率。
本发明第三方面提供了一种激光器的性能检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述激光器的性能检测设备执行上述的激光器的性能检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的激光器的性能检测方法。
本发明提供的技术方案中，对参数数据集合进行光束质量分析，得到光束质量数据，并根据光束质量数据构建光束质量与测试功率之间的第一关系曲线；对参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；读取参数数据集合中的发射谱和谱宽数据，并根据发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；根据第一关系曲线、第二关系曲线以及第三关系曲线构建目标关系向量；将目标关系向量输入激光器性能检测模型进行激光器性能检测，得到最佳运行功率，本发明采用的关系向量和预测模型可以更准确地分析数据，从而使得激光器性能参数的测量和分析结果更加准确和可靠，通过构建目标关系向量和预测模型，快速得到激光器在最佳运行功率时的性能参数，从而提高了激光器的性能检测准确率。
附图说明
图1为本发明实施例中激光器的性能检测方法的一个实施例示意图；
图2为本发明实施例中构建第三关系曲线的流程图；
图3为本发明实施例中构建目标关系向量的流程图；
图4为本发明实施例中激光器性能检测的流程图；
图5为本发明实施例中激光器的性能检测装置的一个实施例示意图；
图6为本发明实施例中激光器的性能检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种激光器的性能检测方法、装置、设备及存储介质，用于提高激光器的性能检测准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中激光器的性能检测方法的一个实施例包括：
S101、对预置的激光器测试方案进行解析，得到多个测试功率值；
可以理解的是，本发明的执行主体可以为激光器的性能检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器根据测试方案中预设的参数，如增益、波长、电流等，计算出每个功率级别所需的输入功率，并逐级增加或减少输入功率，以获得多个测试功率值。根据测试方案中预设的功率范围和步进值，以及激光器的特性参数，如输出功率、增益、谐波等，计算出每个功率级别所需的输入功率。根据某些特定应用场景中对激光器功率的要求，设置多个测试功率值，并根据这些值进行测试和分析。
S102、根据多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合；
具体的，服务器要实现根据多个测试功率值对待检测的目标激光器进行性能测试并得到每个测试功率值对应的参数数据集合，可以采用以下步骤：首先，预设多个测试功率值，例如10mW、20mW和30mW。这些功率值应该覆盖激光器的工作范围。同时，对于每个测试功率值，设置激光器的输出功率为对应的值，并进行性能测试。其次，在每个测试功率值下，采集多个初始参数，这些参数可以包括激光器的输出功率、波长、光束直径、发散角度、光束质量等，采集多个参数的目的是获得更全面的性能信息。随后对于每个初始参数，进行数据过滤和去噪处理，这可以通过应用信号处理技术如平均滤波、中值滤波、高斯滤波等来降低噪声的影响，并得到更准确的参数值。在经过数据过滤和去噪处理后，得到多个标准参数。这些标准参数是在每个测试功率值下经过处理后的稳定、可靠的参数值。再次，按照预设的参数排列顺序，对多个标准参数进行参数集合构建。参数集合可以采用数组、矩阵或其他数据结构进行存储。确保参数的顺序和对应关系正确。最后，对于每个测试功率值，重复参数采集和处理工作，直到完成所有预设的测试功率值，从而生成每个测试功率值对应的参数数据集合。举例说明：假设服务器要对一台激光器进行性能测试，设置三个测试功率值：10mW、20mW和30mW。按照上述步骤进行操作：首先，将激光器的输出功率分别设置为10mW、20mW和30mW，并进行性能测试。在10mW的测试功率值下，采集到的初始参数有：波长为532nm，光束直径为2mm，发散角度为1.5mrad，光束质量为1.2。在对采集到的初始参数进行数据过滤和去噪处理之后，得到多个标准参数：波长为531.9nm，光束直径为1.8mm，发散角度为1.4mrad，光束质量为1.1。同样地，在20mW和30mW的测试功率值下，采集到了相应的初始参数，并经过数据过滤和去噪处理得到了多个标准参数。随后按照预设的参数排列顺序，将每个测试功率值下的标准参数构建成参数集合。假设参数排列顺序为波长、光束直径、发散角度和光束质量，那么对于10mW的测试功率值，参数集合为[531.9nm,1.8mm,1.4mrad,1.1]；对于20mW的测试功率值，参数集合为[532.1nm,1.9mm,1.3mrad,1.2]；对于30mW的测试功率值，参数集合为[532.2nm,2.0mm,1.5mrad,1.3]。重复参数采集和处理工作，对每个测试功率值进行处理，直到生成每个测试功率值对应的参数数据集合。最终的参数数据集合可以表示为：
10mW：[[531.9nm,1.8mm,1.4mrad,1.1],[532.0nm,1.7mm,1.3mrad,1.2],[531.8nm,1.9mm,1.5mrad,1.1],...]；
20mW：[[532.1nm,1.9mm,1.3mrad,1.2],[532.2nm,1.8mm,1.4mrad,1.1],[532.0nm,2.0mm,1.5mrad,1.3],...]；
30mW：[[532.2nm,2.0mm,1.5mrad,1.3],[532.1nm,2.1mm,1.4mrad,1.2],[532.3nm,1.9mm,1.3mrad,1.1],...]；
这样，针对每个测试功率值，服务器得到了对应的参数数据集合，其中每个集合包含了经过数据过滤和去噪处理后的标准参数值。这些参数数据集合可以用于后续的分析、建模和性能评估，以确定目标激光器在不同功率下的最佳运行参数。
S103、对参数数据集合进行光束质量分析，得到光束质量数据，并根据光束质量数据构建光束质量与测试功率之间的第一关系曲线；
需要说明的是，为了进行光束质量分析，服务器从参数数据集合中获取光束关联参数，并与测试功率值对应的光束功率数组进行关联。通过预置的光束质量分析模型，计算光束功率数组的光束质量评价指标。这些指标用于生成光束质量数据，并计算第一平均值和第一标准偏差。然后，根据这些统计量，对光束质量数据进行曲线拟合，构建光束质量与测试功率之间的第一关系曲线。
例如，假设服务器有一个参数数据集合，其中包含10mW、20mW和30mW三个测试功率值下的光束直径和发散角度数据。服务器根据这些数据进行光束质量分析，并建立光束质量与测试功率之间的关系曲线。首先，服务器构建光束功率数组，如[10mW,光束直径1,发散角度1]、[20mW,光束直径2,发散角度2]和[30mW,光束直径3,发散角度3]。利用预设的光束质量分析模型，计算得到每个光束功率数组的光束质量评价指标，比如M²因子。将这些评价指标组成光束质量数据集合。接着，计算光束质量数据集合的第一平均值和第一标准偏差，用于描述数据的集中趋势和离散程度。然后，利用拟合算法，根据第一平均值和第一标准偏差，对光束质量数据进行曲线拟合，生成光束质量与测试功率之间的第一关系曲线。通过这个关系曲线，服务器可以根据给定的测试功率值预测相应的光束质量。例如，当测试功率为15mW时，服务器可以通过代入曲线方程来计算预测的光束质量值。
S104、对参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；
具体的，为了实现对参数数据集合的频率稳定性计算，服务器首先采用再生式频率差计算模型来评估激光器在不同测试功率下的频率稳定性。通过测量光频或相关参数，服务器能够得到每个测试功率值下的频率稳定性数据。接下来，服务器计算频率稳定性数据的平均值和标准偏差，以描述数据的集中趋势和离散程度。根据多个测试功率值，服务器将频率稳定性数据与对应的测试功率值进行匹配和分组，得到一组频率和功率的数据对。利用第二平均值和第二标准偏差，服务器将这些频率和功率的数据对映射到曲线上，从而构建频率稳定性与测试功率之间的第二关系曲线。例如，假设服务器进行了一系列测试，得到了不同功率下的频率稳定性数据集合。通过计算和统计，服务器得到了频率稳定性的平均值为0.1Hz，标准偏差为0.02Hz。然后，将这些数据与相应的测试功率值匹配，并进行分组。例如，服务器得到了以下频率和功率的数据对：(10mW,0.08Hz)、(20mW,0.12Hz)、(30mW,0.09Hz)。利用第二平均值和第二标准偏差，服务器可以将这些频率和功率的数据对映射到曲线上，建立频率稳定性与测试功率之间的第二关系曲线。这个曲线能够提供关于激光器频率稳定性特性的信息，帮助服务器评估其性能并确定最佳运行功率。通过对参数数据集合进行频率稳定性计算，并根据计算结果构建频率稳定性与测试功率之间的关系曲线，服务器能够深入了解激光器的频率表现，并为性能评估和优化提供重要参考。
S105、读取参数数据集合中的发射谱和谱宽数据，并根据发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；
具体的，为了实现对参数数据集合中的发射谱和谱宽的分析，服务器首先需要读取参数数据集合中的发射谱和谱宽数据。这些数据用于描述激光器在不同测试功率下的发射谱特性和谱宽特性。在读取发射谱数据后，服务器进行平均值和标准偏差的计算，以获得第三平均值和第三标准偏差。同样地，对谱宽数据也进行平均值和标准偏差的计算，得到第四平均值和第四标准偏差。这些统计指标帮助服务器了解发射谱和谱宽数据的集中趋势和离散程度。基于第三平均值和第三标准偏差，服务器对发射谱数据进行曲线拟合，从而得到发射谱曲线。类似地，利用第四平均值和第四标准偏差，服务器对谱宽数据进行曲线拟合，得到谱宽曲线。这些曲线的生成使服务器能够更好地理解发射谱和谱宽在不同测试功率下的变化规律。最后，服务器将发射谱曲线和谱宽曲线进行曲线融合，从而得到发射谱和谱宽与测试功率之间的第三关系曲线。这个关系曲线能够展示激光器发射谱和谱宽随着测试功率的变化趋势，为进一步的性能分析和优化提供重要参考。例如，假设服务器进行了一系列测试，得到了不同测试功率下的发射谱和谱宽数据集合。通过计算平均值和标准偏差，服务器得到发射谱的第三平均值为500nm，第三标准偏差为10nm；谱宽的第四平均值为2nm，第四标准偏差为0.5nm。基于这些统计指标，服务器对发射谱数据进行曲线拟合，生成发射谱曲线。同时，利用谱宽的平均值和标准偏差，服务器对谱宽数据进行曲线拟合，得到谱宽曲线。最后，将发射谱曲线和谱宽曲线进行融合，得到发射谱和谱宽与测试功率之间的第三关系曲线。通过对参数数据集合中的发射谱和谱宽进行分析，并构建相应的关系曲线，服务器可以更深入地理解激光器在不同测试功率下的发射谱和谱宽变化。例如，在第三关系曲线中，服务器可以观察到发射谱在低功率下可能呈现较窄的谱线，而在高功率下可能展宽并出现峰值的移动。谱宽曲线可以显示谱线的变化范围和随功率增加而增加的趋势。这些信息对于激光器性能评估和优化非常重要。例如，在光通信领域，激光器的发射谱特性和谱宽直接影响光信号的传输质量和带宽。通过分析第三关系曲线，服务器可以确定在特定测试功率下激光器的发射谱和谱宽是否符合要求，以及在不同功率下的性能变化情况。
S106、根据第一关系曲线、第二关系曲线以及第三关系曲线构建目标激光器的目标关系向量；
具体的，根据第一关系曲线、第二关系曲线和第三关系曲线构建目标激光器的目标关系向量是为了将这些曲线中蕴含的关键信息进行综合和整合，以提供一个综合性的性能评估指标。首先，针对第一关系曲线，服务器进行特征值提取的步骤。通过对曲线的分析，可以获得多个与激光器性能相关的特征值。这些特征值可以是关于光束质量的指标，如M2值或发散角度等。特征值的提取可以通过统计方法、信号处理技术或其他数学算法来实现。假设服务器从第一关系曲线中提取了三个特征值，分别记为特征值A1、特征值A2和特征值A3。接下来，对于第二关系曲线，服务器进行特征值识别的步骤。根据曲线的形状和特性，服务器可以识别出与频率稳定性相关的特征值。这些特征值可能包括频率漂移率、相位噪声等指标。与第一关系曲线类似，特征值的识别可以借助数学算法和信号处理技术。假设服务器从第二关系曲线中识别出了两个特征值，分别记为特征值B1和特征值B2。然后，针对第三关系曲线，服务器进行特征值运算的步骤。根据曲线的特性和数据，服务器可以对发射谱和谱宽的特征进行计算和运算，以获得与测试功率相关的特征值。这些特征值可以包括发射谱的中心频率、谱宽的变化率等指标。假设服务器从第三关系曲线中运算得到了四个特征值，分别记为特征值C1、特征值C2、特征值C3和特征值C4。接下来，根据多个特征值，服务器生成第一特征编码向量、第二特征编码向量和第三特征编码向量。特征编码向量是将特征值转化为向量形式的表示。可以使用编码方法如独热编码（one-hotencoding）或标准化（normalization）等技术来生成特征编码向量。假设第一特征编码向量为[0.2,0.5,0.3]，第二特征编码向量为[0.8,0.6]，第三特征编码向量为[0.1,0.4,0.7,0.9]。每个特征编码向量的维度与其所对应的特征值数量相匹配。生成特征编码向量后，服务器将它们进行向量融合。向量融合的目的是将不同特征的编码向量整合成一个综合的向量表示。这可以通过向量拼接、加权平均等方法来实现。假设服务器将三个特征编码向量进行拼接，则目标关系向量可以表示为[0.2,0.5,0.3,0.8,0.6,0.1,0.4,0.7,0.9]。这个向量综合了第一特征、第二特征和第三特征的信息，可以作为目标激光器的目标关系向量。通过构建目标关系向量，服务器将多个特征和性能指标融合为一个综合的向量表示，更全面地描述了目标激光器的性能特征。这样的向量表示可以用于进一步的性能分析、比较和优化。例如，可以将目标关系向量输入到预置的激光器性能检测模型中，通过机器学习或统计分析的方法，预测目标激光器在不同测试功率下的最佳运行功率。
S107、将目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到目标激光器的最佳运行功率。
具体的，服务器当服务器得到目标激光器的目标关系向量后，下一步是将该向量输入预置的激光器性能检测模型，以进行激光器性能检测并得到目标激光器的最佳运行功率。该激光器性能检测模型包括第一编解码网络、第二编解码网络、第三编解码网络以及平均归一化层，它们的组合构成了一个综合的模型。首先，服务器将目标关系向量中的第一特征编码向量输入第一编解码网络。该网络对第一特征编码向量进行处理，以预测与目标激光器性能相关的第一功率预测值。类似地，服务器将目标关系向量中的第二特征编码向量输入第二编解码网络，得到第二功率预测值；将第三特征编码向量输入第三编解码网络，得到第三功率预测值。这样，每个编解码网络分别对应一个特征的处理和预测。接下来，服务器将得到的第一功率预测值、第二功率预测值和第三功率预测值输入平均归一化层。平均归一化层对这三个预测值进行平均归一化运算，以得到目标激光器的最佳运行功率。归一化操作可以根据具体需求进行，例如将预测值缩放到特定范围或进行标准化处理，确保输出的最佳运行功率具有一定的统一性和可比性。例如，假设服务器有一个目标关系向量，其中第一特征编码向量为[0.2,0.5,0.3]，第二特征编码向量为[0.8,0.6]，第三特征编码向量为[0.1,0.4,0.7,0.9]。服务器将这个目标关系向量输入激光器性能检测模型。第一编解码网络处理第一特征编码向量，得到第一功率预测值为10mW。第二编解码网络处理第二特征编码向量，得到第二功率预测值为15mW。第三编解码网络处理第三特征编码向量，得到第三功率预测值为12mW。最后，平均归一化层对这三个功率预测值进行平均归一化运算，得到最终的目标激光器最佳运行功率为12.33mW。通过这种方式，服务器可以利用预置的激光器性能检测模型对目标激光器的性能进行评估并得到最佳运行功率。这种模型的好处在于，它能够综合考虑多个特征对激光器性能的影响，并输出一个综合的最佳运行功率值。使用预训练的编解码网络和平均归一化层的结构，模型可以有效地学习和捕捉目标关系向量中的特征与激光器性能之间的关系。编解码网络可以通过深度学习技术进行训练，学习到特征的表示和预测功率的能力。平均归一化层可以通过合适的归一化方法，如均值计算和标准化，对不同特征的功率预测值进行整合和归一化，从而得到最终的最佳运行功率。通过输入不同的目标关系向量，可以对不同类型和规格的激光器进行性能检测和评估，包括不同波长、功率范围和应用场景的激光器。而且，该方法还可以用于激光器的优化和控制，通过调整目标关系向量的特征值，可以预测不同参数配置下的最佳运行功率，从而实现激光器性能的优化和调整。
本发明实施例中，对参数数据集合进行光束质量分析，得到光束质量数据，并根据光束质量数据构建光束质量与测试功率之间的第一关系曲线；对参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；读取参数数据集合中的发射谱和谱宽数据，并根据发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；根据第一关系曲线、第二关系曲线以及第三关系曲线构建目标关系向量；将目标关系向量输入激光器性能检测模型进行激光器性能检测，得到最佳运行功率，本发明采用的关系向量和预测模型可以更准确地分析数据，从而使得激光器性能参数的测量和分析结果更加准确和可靠，通过构建目标关系向量和预测模型，快速得到激光器在最佳运行功率时的性能参数，从而提高了激光器的性能检测准确率。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）根据多个测试功率值对待检测的目标激光器进行性能测试，并采集每个测试功率值下的多个初始参数；
（2）分别对多个初始参数进行数据过滤和数据去噪，得到多个标准参数；
（3）按照预设的参数排列顺序，对多个标准参数进行参数集合构建，生成每个测试功率值对应的参数数据集合。
具体的，服务器首先，确定待检测的目标激光器和测试功率值范围。测试功率值可以是一系列预先设定的功率级别，例如10mW、20mW和30mW等。其次，针对每个测试功率值，进行性能测试并采集参数数据。在每个功率级别下，执行相应的测试程序或操作来获取激光器的性能数据。这些性能数据可以包括输出功率、波长稳定性、光束质量、频率稳定性等参数。通过逐步调整测试功率值，可以获得一系列不同功率级别下的性能数据。接下来，对采集到的每个测试功率值下的多个初始参数进行数据过滤和去噪，以得到标准参数。数据过滤和去噪的目的是去除异常或噪声数据，确保得到的参数具有一定的准确性和稳定性。常见的数据处理方法包括平均值滤波、中值滤波、高斯滤波等。通过这些方法，可以得到经过处理后的标准参数集合。在得到多个标准参数之后，按照预设的参数排列顺序进行参数集合构建，生成每个测试功率值对应的参数数据集合。预设的参数排列顺序可以根据实际需求进行设定，例如按照输出功率、波长稳定性、光束质量等顺序排列。将每个功率级别下的标准参数按照设定的顺序组合起来，形成相应的参数数据集合。当进行目标激光器性能测试时，服务器可以根据多个测试功率值来评估其性能表现，并采集每个测试功率值下的多个初始参数。这些测试功率值可以根据需求设置，例如服务器选择了三个功率级别：10mW、20mW和30mW。在每个测试功率值下，服务器执行性能测试并记录相应的参数数据。例如，在10mW功率下，服务器记录了输出功率为9.8mW，波长稳定性为±0.05nm，光束质量为1.1的参数。这些初始参数需要经过数据过滤和去噪的处理，以得到可靠的标准参数。通过对初始参数进行数据过滤和去噪处理，服务器可以获得多个标准参数。类似地，在20mW功率和30mW功率下，服务器也获得了相应的标准参数集合。最后，按照预设的参数排列顺序，服务器将每个功率级别下的标准参数组合起来，形成参数数据集合。例如，服务器按照输出功率、波长稳定性和光束质量的顺序排列，得到每个测试功率值对应的参数数据集合：
10mW：输出功率9.8mW，波长稳定性±0.05nm，光束质量1.1；
20mW：输出功率19.5mW，波长稳定性±0.06nm，光束质量1.2；
30mW：输出功率29.7mW，波长稳定性±0.08nm，光束质量1.3。
通过以上步骤，服务器可以根据多个测试功率值对待检测的目标激光器进行性能测试，并采集每个测试功率值下的多个初始参数。然后，通过数据过滤和去噪的步骤得到标准参数，并按照预设的参数排列顺序构建每个测试功率值对应的参数数据集合。这样，服务器就能够获得全面的性能数据，以便进行进一步的分析和评估。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）获取参数数据集合中的光束关联参数，并构建光束关联参数和测试功率值对应的光束功率数组；
（2）通过预置的光束质量分析模型，计算光束功率数组的光束质量评价指标；
（3）根据光束质量评价指标生成光束质量数据，并计算光束质量数据的第一平均值以及第一标准偏差；
（4）根据第一平均值以及第一标准偏差，对光束质量数据进行曲线拟合，生成光束质量与测试功率之间的第一关系曲线。
具体的，服务器从参数数据集合中获取光束关联参数，这些参数与测试功率值相对应。例如，假设服务器的参数数据集合包含光束直径、发散角和光束椭圆度等光束关联参数。服务器将这些参数与相应的测试功率值进行关联，并构建光束功率数组。接下来，服务器使用预置的光束质量分析模型对光束功率数组进行分析。这个模型可以根据光束关联参数和测试功率值，计算出光束的质量评价指标。例如，服务器可以使用M²因子作为光束质量的评价指标。根据计算得到的光束质量评价指标，服务器生成光束质量数据。这些数据对应于不同测试功率值下的光束质量评价结果。同时，服务器计算光束质量数据的第一平均值和第一标准偏差。这些统计量提供了光束质量数据的集中趋势和离散程度的度量。最后，基于第一平均值和第一标准偏差，服务器对光束质量数据进行曲线拟合，以得到光束质量与测试功率之间的第一关系曲线。这条曲线可以描述光束质量随着测试功率的变化趋势。假设服务器进行了一系列的性能测试，测试功率值分别为10mW、20mW和30mW。对应的光束关联参数和光束功率数组如下：
测试功率值：[10mW,20mW,30mW]；
光束直径：[1.2mm,1.5mm,1.8mm]；
发散角：[0.5mrad,0.6mrad,0.7mrad]；
光束椭圆度：[0.02,0.03,0.04]；
使用预置的光束质量分析模型，服务器计算出光束功率数组的光束质量评价指标。假设服务器得到的评价指标为M2因子，对应的光束质量数据如下：
M2因子：[1.2,1.3,1.4]；
根据光束质量数据计算第一平均值和第一标准偏差，假设计算结果如下：
第一平均值：1.3；
第一标准偏差：0.1；
最后，服务器使用第一平均值和第一标准偏差对光束质量数据进行曲线拟合，得到光束质量与测试功率之间的第一关系曲线。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）基于再生式频率差计算模型，对参数数据集合进行频率稳定性计算，得到频率稳定性数据；
（2）对频率稳定性数据进行平均值和标准偏差计算，得到第二平均值以及第二标准偏差；
（3）根据多个测试功率值，对频率稳定性数据进行匹配和分组，得到频率和功率数据对；
（4）根据第二平均值以及第二标准偏差，对频率和功率数据对进行曲线映射，得到频率稳定性与测试功率之间的第二关系曲线。
具体的，服务器首先，基于再生式频率差计算模型，对参数数据集合进行频率稳定性计算，以评估激光器在不同测试功率下的频率稳定性。通过比较不同时间点的频率差，服务器可以得到频率稳定性数据，用于后续分析。接下来，针对频率稳定性数据，进行平均值和标准偏差的计算。平均值反映了频率稳定性的整体水平，而标准偏差则表示数据的离散程度。通过计算频率稳定性数据的平均值和标准偏差，服务器可以获取第二平均值和第二标准偏差，这些统计量将帮助服务器进一步分析频率稳定性的特征。随后，根据多个测试功率值，对频率稳定性数据进行匹配和分组。将每个测试功率值与对应的频率稳定性数据配对，并将它们分组成频率和功率的数据对。这样做可以使服务器能够观察不同功率下的频率稳定性表现，以便更好地理解功率对频率稳定性的影响。最后，利用第二平均值和第二标准偏差，对频率和功率数据对进行曲线映射。通过将频率和功率数据对映射到一条曲线上，服务器可以得到频率稳定性与测试功率之间的第二关系曲线。这条曲线可以显示出频率稳定性随测试功率变化的趋势，帮助服务器进一步分析和预测激光器在不同功率下的频率稳定性性能。例如，假设服务器有三个测试功率值：10mW、20mW和30mW。服务器从参数数据集合中提取频率数据，并使用再生式频率差计算模型对其进行频率稳定性计算，得到频率稳定性数据如下：
频率稳定性数据：[0.02,0.03,0.04]；
然后，服务器计算频率稳定性数据的平均值和标准偏差，假设计算结果如下：
第二平均值：0.03；
第二标准偏差：0.01；
接下来，服务器根据测试功率值对频率稳定性数据进行匹配和分组，得到频率和功率数据对：
频率和功率数据对：[(0.02,10mW),(0.03,20mW),(0.04,30mW)]；
最后，根据第二平均值和第二标准偏差，服务器将频率和功率数据对进行曲线映射，得到频率稳定性与测试功率之间的第二关系曲线。
在一具体实施例中，如图2所示，执行步骤S105的过程可以具体包括如下步骤：
S201、对参数数据集合中的发射谱和谱宽进行读取，得到发射谱和谱宽数据，其中，发射谱和谱宽数据包括：发射谱数据以及谱宽数据；
S202、对发射谱数据进行平均值和标准偏差计算，得到第三平均值以及第三标准偏差，以及对谱宽数据进行平均值和标准偏差计算，得到第四平均值以及第四标准偏差；
S203、基于第三平均值以及第三标准偏差，对发射谱数据进行曲线拟合，得到发射谱曲线，以及基于第四平均值以及第四标准偏差，对谱宽数据进行曲线拟合，得到谱宽曲线；
S204、对发射谱曲线和谱宽曲线进行曲线融合，得到发射谱和谱宽与测试功率之间的第三关系曲线。
具体的，服务器从参数数据集合中读取发射谱和谱宽数据。发射谱数据描述激光器在不同波长上的辐射强度分布，而谱宽数据表示激光器输出的频率范围。通过适当的测量或传感器装置，可以获取这些数据并记录下来。最后，服务器对发射谱数据进行平均值和标准偏差的计算，得到第三平均值和第三标准偏差。这些统计指标提供了发射谱数据的集中趋势和分布情况的度量。同时，服务器也对谱宽数据进行平均值和标准偏差的计算，得到第四平均值和第四标准偏差。这些统计指标可以帮助服务器了解谱宽数据的整体水平和离散程度。接下来，服务器利用第三平均值和第三标准偏差对发射谱数据进行曲线拟合。这个过程使用各种曲线拟合算法，如多项式拟合、样条插值或高斯过程回归，来拟合发射谱数据并生成发射谱曲线。类似地，服务器基于第四平均值和第四标准偏差对谱宽数据进行曲线拟合，得到谱宽曲线。最后，服务器将发射谱曲线和谱宽曲线进行曲线融合。这一步骤可以采用数学运算、数据分析或机器学习方法来实现。融合后的曲线反映了发射谱和谱宽与测试功率之间的第三关系曲线，展示了它们之间的关联和变化规律。例如，假设服务器有一个参数数据集合，其中包含了激光器在不同测试功率值下的发射谱和谱宽数据。通过读取这个数据集合，服务器得到以下示例数据：
发射谱数据：
测试功率：10mW，发射谱：[800nm,805nm,808nm]；
测试功率：20mW，发射谱：[805nm,810nm,815nm]；
测试功率：30mW，发射谱：[810nm,815nm,820nm]；
谱宽数据：
测试功率：10mW，谱宽：[0.03nm,0.04nm,0.05nm]；
测试功率：20mW，谱宽：[0.04nm,0.05nm,0.06nm]；
测试功率：30mW，谱宽：[0.05nm,0.06nm,0.07nm]；
针对发射谱数据，服务器计算平均值和标准偏差：
第三平均值：[805nm,810nm,813nm]；
第三标准偏差：[3.055nm,3.055nm,3.055nm]；
对于谱宽数据，服务器计算平均值和标准偏差：
第四平均值：[0.04nm,0.05nm,0.06nm]；
第四标准偏差：[0.013cm,0.015cm,0.016cm]；
基于第三平均值和第三标准偏差，服务器进行发射谱数据的曲线拟合，得到发射谱曲线。这可以使用各种曲线拟合算法和工具来实现，例如多项式拟合、样条插值或高斯过程回归。通过拟合发射谱数据，服务器得到了发射谱曲线。同样地，基于第四平均值和第四标准偏差，服务器对谱宽数据进行曲线拟合，得到谱宽曲线。最后，服务器对发射谱曲线和谱宽曲线进行曲线融合。这可以通过数学运算、数据分析或机器学习方法来实现。融合后的曲线表示了发射谱和谱宽与测试功率之间的第三关系曲线。
在一具体实施例中，如图3所示，执行步骤S106的过程可以具体包括如下步骤：
S301、对第一关系曲线进行特征值提取，得到多个第一特征值，并对第二关系曲线进行特征值识别，得到多个第二特征值，以及对第三关系曲线进行特征值运算，得到多个第三特征值；
S302、根据多个第一特征值生成第一特征编码向量，并根据多个第二特征值生成第二特征编码向量，以及根据多个第三特征值生成第三特征编码向量；
S303、对第一特征编码向量、第二特征编码向量以及第三特征编码向量进行向量融合，得到目标激光器的目标关系向量。
具体的，服务器对第一关系曲线进行特征值提取，得到多个第一特征值。通过分析第一关系曲线的形态、斜率、峰值等特征，服务器可以提取出与目标激光器的性能相关的特征值。例如，服务器可以计算第一关系曲线的平均值、最大值、最小值等特征，或者应用信号处理技术如傅里叶变换、小波变换等来提取频域或时域特征。接着，服务器对第二关系曲线进行特征值识别，得到多个第二特征值。根据第二关系曲线的特点，服务器可以提取出与目标激光器的性能相关的特征值。例如，对于功率与频率稳定性的关系曲线，服务器可以提取出曲线的斜率、曲率、拐点位置等特征。同时，服务器对第三关系曲线进行特征值运算，得到多个第三特征值。第三关系曲线可能涉及多个参数之间的关系，因此服务器可以根据具体情况选取适当的特征值运算方法。例如，可以计算两个参数之间的差值、比例关系、相关系数等来提取特征。然后，根据多个第一特征值生成第一特征编码向量，根据多个第二特征值生成第二特征编码向量，以及根据多个第三特征值生成第三特征编码向量。将特征值转化为编码向量的目的是为了提取特征的共性和差异性，以便后续的向量融合和分析。编码向量可以使用二进制编码、独热编码或其他适当的编码方式。最后，对第一特征编码向量、第二特征编码向量以及第三特征编码向量进行向量融合，得到目标激光器的目标关系向量。向量融合的目的是将不同特征的编码向量综合起来，形成一个综合描述目标激光器性能关系的向量表示。融合方法可以是简单的向量连接、加权求和、基于机器学习的特征融合等，具体根据问题的要求和实际情况选择合适的方法。例如，服务器收集了一系列不同输入功率下的激光器性能数据，选择计算第一关系曲线的均值、方差和峰值作为特征值。对于输入功率为10mW的数据，服务器得到的特征值为：均值为0.02，方差为0.005，峰值为0.04。对于输入功率为20mW的数据，服务器得到的特征值为：均值为0.03，方差为0.006，峰值为0.05。随后，服务器将第一特征值转化为第一特征编码向量。以二进制编码为例，服务器将每个特征值转化为一个4位的二进制编码向量。对于输入功率为10mW的特征值，服务器得到的第一特征编码向量为：均值[0010]，方差[0001]，峰值[0100]。对于输入功率为20mW的特征值，服务器得到的第一特征编码向量为：均值[0011]，方差[0010]，峰值[0101]。最后，服务器对第一特征编码向量进行向量融合，得到目标激光器的目标关系向量。服务器选择简单的向量连接方法，将每个输入功率点的第一特征编码向量按顺序连接起来。那么，服务器得到的目标关系向量为：[0010 0001 0100 0011 0010 0101]。该向量综合了不同输入功率下的激光器性能特征，用于描述激光器性能与输入功率之间的关系。
在一具体实施例中，如图4所示，执行步骤S107的过程可以具体包括如下步骤：
S401、将目标关系向量输入预置的激光器性能检测模型，其中，激光器性能检测模型包括：第一编解码网络、第二编解码网络、第三编解码网络以及平均归一化层；
S402、通过第一编解码网络对目标关系向量中的第一特征编码向量进行激光器性能检测，得到第一功率预测值；
S403、通过第二编解码网络对目标关系向量中的第二特征编码向量进行激光器性能检测，得到第二功率预测值；
S404、通过第三编解码网络对目标关系向量中的第三特征编码向量进行激光器性能检测，得到第三功率预测值；
S405、通过平均归一化层对第一功率预测值、第二功率预测值以及第三功率预测值进行平均归一化运算，输出目标激光器的最佳运行功率。
具体的，服务器将目标关系向量输入预置的激光器性能检测模型。该模型包括第一编解码网络、第二编解码网络、第三编解码网络以及平均归一化层。这些网络组合在一起，形成一个综合的模型，用于预测激光器的性能并得到最佳运行功率。然后，通过第一编解码网络，服务器对目标关系向量中的第一特征编码向量进行处理，并得到第一功率预测值。类似地，通过第二编解码网络和第三编解码网络，服务器分别对第二特征编码向量和第三特征编码向量进行处理，得到相应的功率预测值。这些预测值可以用于评估激光器在不同特征上的性能表现。这是对目标关系向量中的不同特征编码向量进行激光器性能检测的过程。最后，服务器通过平均归一化层对第一功率预测值、第二功率预测值和第三功率预测值进行平均归一化运算。这个操作可以对不同特征的功率预测值进行加权平均，以得到目标激光器的最佳运行功率。平均归一化的过程确保了不同特征的预测结果对最终的功率决策具有均衡的影响。例如，假设服务器的目标关系向量是[0.2,0.5,0.3,0.8,0.6,0.1,0.4,0.7,0.9]，其中前三个值表示第一特征编码向量，接下来三个值表示第二特征编码向量，最后三个值表示第三特征编码向量。服务器将这个向量输入激光器性能检测模型。通过前面阶段的处理，服务器得到第一功率预测值、第二功率预测值和第三功率预测值，假设它们分别为12mW、18mW和15mW。接下来，服务器通过平均归一化层对这三个功率预测值进行平均归一化运算，得到最终的最佳运行功率。假设平均归一化层对每个功率预测值的权重均等，即每个功率预测值的权重为1/3。因此，进行平均归一化的计算如下：
(12mW+18mW+15mW)/3=45mW/3=15mW；
根据计算结果，服务器得到最终的最佳运行功率为15mW。这意味着在给定的目标关系向量下，激光器的最佳运行功率应设定为15mW。通过将目标关系向量输入激光器性能检测模型，并利用各个阶段的处理和计算，服务器可以获得准确的最佳运行功率值，从而实现对激光器性能的有效控制和优化。这对于激光器的设计、制造和实际应用具有重要意义，可以提高激光器的性能和稳定性，满足特定需求下的最佳工作状态。
上面对本发明实施例中激光器的性能检测方法进行了描述，下面对本发明实施例中激光器的性能检测装置进行描述，请参阅图5，本发明实施例中激光器的性能检测装置一个实施例包括：
解析模块501，用于对预置的激光器测试方案进行解析，得到多个测试功率值；
测试模块502，用于根据所述多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合；
分析模块503，用于对所述参数数据集合进行光束质量分析，得到光束质量数据，并根据所述光束质量数据构建光束质量与测试功率之间的第一关系曲线；
计算模块504，用于对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据所述频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；
读取模块505，用于读取所述参数数据集合中的发射谱和谱宽数据，并根据所述发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；
构建模块506，用于根据所述第一关系曲线、所述第二关系曲线以及所述第三关系曲线构建所述目标激光器的目标关系向量；
检测模块507，用于将所述目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到所述目标激光器的最佳运行功率。
通过上述各个组成部分的协同合作，对参数数据集合进行光束质量分析，得到光束质量数据，并根据光束质量数据构建光束质量与测试功率之间的第一关系曲线；对参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；读取参数数据集合中的发射谱和谱宽数据，并根据发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；根据第一关系曲线、第二关系曲线以及第三关系曲线构建目标关系向量；将目标关系向量输入激光器性能检测模型进行激光器性能检测，得到最佳运行功率，本发明采用的关系向量和预测模型可以更准确地分析数据，从而使得激光器性能参数的测量和分析结果更加准确和可靠，通过构建目标关系向量和预测模型，快速得到激光器在最佳运行功率时的性能参数，从而提高了激光器的性能检测准确率。
上面图5从模块化功能实体的角度对本发明实施例中的激光器的性能检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中激光器的性能检测设备进行详细描述。
图6是本发明实施例提供的一种激光器的性能检测设备的结构示意图，该激光器的性能检测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对激光器的性能检测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在激光器的性能检测设备600上执行存储介质630中的一系列指令操作。
激光器的性能检测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的激光器的性能检测设备结构并不构成对激光器的性能检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种激光器的性能检测设备，所述激光器的性能检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述激光器的性能检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述激光器的性能检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种激光器的性能检测方法，其特征在于，所述激光器的性能检测方法包括：
对预置的激光器测试方案进行解析，得到多个测试功率值；
根据所述多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合；
对所述参数数据集合进行光束质量分析，得到光束质量数据，并根据所述光束质量数据构建光束质量与测试功率之间的第一关系曲线；
对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据所述频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；
读取所述参数数据集合中的发射谱和谱宽数据，并根据所述发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；
根据所述第一关系曲线、所述第二关系曲线以及所述第三关系曲线构建所述目标激光器的目标关系向量；
将所述目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到所述目标激光器的最佳运行功率。
2.根据权利要求1所述的激光器的性能检测方法，其特征在于，所述根据所述多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合，包括：
根据所述多个测试功率值对待检测的目标激光器进行性能测试，并采集每个测试功率值下的多个初始参数；
分别对所述多个初始参数进行数据过滤和数据去噪，得到多个标准参数；
按照预设的参数排列顺序，对所述多个标准参数进行参数集合构建，生成每个测试功率值对应的参数数据集合。
3.根据权利要求1所述的激光器的性能检测方法，其特征在于，所述对所述参数数据集合进行光束质量分析，得到光束质量数据，并根据所述光束质量数据构建光束质量与测试功率之间的第一关系曲线，包括：
获取所述参数数据集合中的光束关联参数，并构建所述光束关联参数和所述测试功率值对应的光束功率数组；
通过预置的光束质量分析模型，计算所述光束功率数组的光束质量评价指标；
根据所述光束质量评价指标生成光束质量数据，并计算所述光束质量数据的第一平均值以及第一标准偏差；
根据所述第一平均值以及所述第一标准偏差，对所述光束质量数据进行曲线拟合，生成光束质量与测试功率之间的第一关系曲线。
4.根据权利要求1所述的激光器的性能检测方法，其特征在于，所述对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据所述频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线，包括：
基于再生式频率差计算模型，对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据；
对所述频率稳定性数据进行平均值和标准偏差计算，得到第二平均值以及第二标准偏差；
根据所述多个测试功率值，对所述频率稳定性数据进行匹配和分组，得到频率和功率数据对；
根据所述第二平均值以及所述第二标准偏差，对所述频率和功率数据对进行曲线映射，得到频率稳定性与测试功率之间的第二关系曲线。
5.根据权利要求1所述的激光器的性能检测方法，其特征在于，所述读取所述参数数据集合中的发射谱和谱宽数据，并根据所述发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线，包括：
对所述参数数据集合中的发射谱和谱宽进行读取，得到发射谱和谱宽数据，其中，所述发射谱和谱宽数据包括：发射谱数据以及谱宽数据；
对所述发射谱数据进行平均值和标准偏差计算，得到第三平均值以及第三标准偏差，以及对所述谱宽数据进行平均值和标准偏差计算，得到第四平均值以及第四标准偏差；
基于所述第三平均值以及所述第三标准偏差，对所述发射谱数据进行曲线拟合，得到发射谱曲线，以及基于所述第四平均值以及所述第四标准偏差，对所述谱宽数据进行曲线拟合，得到谱宽曲线；
对所述发射谱曲线和所述谱宽曲线进行曲线融合，得到发射谱和谱宽与测试功率之间的第三关系曲线。
6.根据权利要求1所述的激光器的性能检测方法，其特征在于，所述根据所述第一关系曲线、所述第二关系曲线以及所述第三关系曲线构建所述目标激光器的目标关系向量，包括：
对所述第一关系曲线进行特征值提取，得到多个第一特征值，并对所述第二关系曲线进行特征值识别，得到多个第二特征值，以及对所述第三关系曲线进行特征值运算，得到多个第三特征值；
根据所述多个第一特征值生成第一特征编码向量，并根据所述多个第二特征值生成第二特征编码向量，以及根据所述多个第三特征值生成第三特征编码向量；
对所述第一特征编码向量、所述第二特征编码向量以及所述第三特征编码向量进行向量融合，得到所述目标激光器的目标关系向量。
7.根据权利要求1所述的激光器的性能检测方法，其特征在于，所述将所述目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到所述目标激光器的最佳运行功率，包括：
将所述目标关系向量输入预置的激光器性能检测模型，其中，所述激光器性能检测模型包括：第一编解码网络、第二编解码网络、第三编解码网络以及平均归一化层；
通过所述第一编解码网络对所述目标关系向量中的第一特征编码向量进行激光器性能检测，得到第一功率预测值；
通过所述第二编解码网络对所述目标关系向量中的第二特征编码向量进行激光器性能检测，得到第二功率预测值；
通过所述第三编解码网络对所述目标关系向量中的第三特征编码向量进行激光器性能检测，得到第三功率预测值；
通过所述平均归一化层对所述第一功率预测值、所述第二功率预测值以及所述第三功率预测值进行平均归一化运算，输出所述目标激光器的最佳运行功率。
8.一种激光器的性能检测装置，其特征在于，所述激光器的性能检测装置包括：
解析模块，用于对预置的激光器测试方案进行解析，得到多个测试功率值；
测试模块，用于根据所述多个测试功率值对待检测的目标激光器进行性能测试，得到每个测试功率值对应的参数数据集合；
分析模块，用于对所述参数数据集合进行光束质量分析，得到光束质量数据，并根据所述光束质量数据构建光束质量与测试功率之间的第一关系曲线；
计算模块，用于对所述参数数据集合进行频率稳定性计算，得到频率稳定性数据，并根据所述频率稳定性数据构建频率稳定性与测试功率之间的第二关系曲线；
读取模块，用于读取所述参数数据集合中的发射谱和谱宽数据，并根据所述发射谱和谱宽数据构建发射谱和谱宽与测试功率之间的第三关系曲线；
构建模块，用于根据所述第一关系曲线、所述第二关系曲线以及所述第三关系曲线构建所述目标激光器的目标关系向量；
检测模块，用于将所述目标关系向量输入预置的激光器性能检测模型进行激光器性能检测，得到所述目标激光器的最佳运行功率。
9.一种激光器的性能检测设备，其特征在于，所述激光器的性能检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述激光器的性能检测设备执行如权利要求1-7中任一项所述的激光器的性能检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的激光器的性能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310707095.XA CN116449139B (zh) | 2023-06-15 | 2023-06-15 | 激光器的性能检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310707095.XA CN116449139B (zh) | 2023-06-15 | 2023-06-15 | 激光器的性能检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449139A true CN116449139A (zh) | 2023-07-18 |
| CN116449139B CN116449139B (zh) | 2023-08-18 |
Family
ID=87128780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310707095.XA Active CN116449139B (zh) | 2023-06-15 | 2023-06-15 | 激光器的性能检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449139B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117367751A (zh) * | 2023-10-19 | 2024-01-09 | 中聚科技股份有限公司 | 超脉冲掺铥激光器的性能检测方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1483814A2 (en) * | 2002-03-11 | 2004-12-08 | Intune Technologies Limited | Method for optimising the calibration process of a tuneable laser |
| CN1758065A (zh) * | 2005-11-25 | 2006-04-12 | 左昉 | 半导体激光器参数测量装置 |
| CN102384836A (zh) * | 2010-09-01 | 2012-03-21 | 中国科学院光电研究院 | 激光多参数实时测量装置 |
| CN109217102A (zh) * | 2018-11-05 | 2019-01-15 | 广东水利电力职业技术学院（广东省水利电力技工学校） | 一种激光功率监测系统及监测方法 |
| CN110988578A (zh) * | 2019-12-31 | 2020-04-10 | 中国工程物理研究院激光聚变研究中心 | 激光器测试系统、方法及可读存储介质 |
| CN113794089A (zh) * | 2021-08-09 | 2021-12-14 | 深圳泰德激光科技有限公司 | 激光器调试方法、激光器调试系统和计算机可读存储介质 |
| CN114336258A (zh) * | 2021-12-31 | 2022-04-12 | 武汉锐科光纤激光技术股份有限公司 | 光束的功率控制方法、装置和存储介质及电子设备 |
| CN116068396A (zh) * | 2023-03-29 | 2023-05-05 | 深圳市昱森机电有限公司 | 基于人工智能的电机性能的测试方法及相关装置 |
| CN116107194A (zh) * | 2023-04-13 | 2023-05-12 | 北京新科以仁科技发展有限公司 | 一种激光器的自动切换控制方法、装置、设备及存储介质 |
| CN116256609A (zh) * | 2022-11-22 | 2023-06-13 | 北京遥测技术研究所 | 一种用于快速测量激光器出光频率响应的方法 |
-
2023
- 2023-06-15 CN CN202310707095.XA patent/CN116449139B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1483814A2 (en) * | 2002-03-11 | 2004-12-08 | Intune Technologies Limited | Method for optimising the calibration process of a tuneable laser |
| CN1758065A (zh) * | 2005-11-25 | 2006-04-12 | 左昉 | 半导体激光器参数测量装置 |
| CN102384836A (zh) * | 2010-09-01 | 2012-03-21 | 中国科学院光电研究院 | 激光多参数实时测量装置 |
| CN109217102A (zh) * | 2018-11-05 | 2019-01-15 | 广东水利电力职业技术学院（广东省水利电力技工学校） | 一种激光功率监测系统及监测方法 |
| CN110988578A (zh) * | 2019-12-31 | 2020-04-10 | 中国工程物理研究院激光聚变研究中心 | 激光器测试系统、方法及可读存储介质 |
| CN113794089A (zh) * | 2021-08-09 | 2021-12-14 | 深圳泰德激光科技有限公司 | 激光器调试方法、激光器调试系统和计算机可读存储介质 |
| CN114336258A (zh) * | 2021-12-31 | 2022-04-12 | 武汉锐科光纤激光技术股份有限公司 | 光束的功率控制方法、装置和存储介质及电子设备 |
| CN116256609A (zh) * | 2022-11-22 | 2023-06-13 | 北京遥测技术研究所 | 一种用于快速测量激光器出光频率响应的方法 |
| CN116068396A (zh) * | 2023-03-29 | 2023-05-05 | 深圳市昱森机电有限公司 | 基于人工智能的电机性能的测试方法及相关装置 |
| CN116107194A (zh) * | 2023-04-13 | 2023-05-12 | 北京新科以仁科技发展有限公司 | 一种激光器的自动切换控制方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117367751A (zh) * | 2023-10-19 | 2024-01-09 | 中聚科技股份有限公司 | 超脉冲掺铥激光器的性能检测方法及装置 |
| CN117367751B (zh) * | 2023-10-19 | 2024-05-10 | 中聚科技股份有限公司 | 超脉冲掺铥激光器的性能检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449139B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116449139B (zh) | 激光器的性能检测方法、装置、设备及存储介质 | |
| CN112327191B (zh) | 一种基于几何特征融合决策的电池跳水概率评估方法 | |
| CN112001644B (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
| CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
| CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
| CN115638875B (zh) | 基于图谱分析的电厂设备故障诊断方法及系统 | |
| CN116400161B (zh) | 激光器的设备校准方法、装置、设备及存储介质 | |
| CN114167284B (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
| CN114325403A (zh) | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 | |
| CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
| CN116911634A (zh) | 基于随机森林的d类电压越下限影响因素分析方法及装置 | |
| CN116975520A (zh) | Ab实验的可信度评估方法、装置、设备和存储介质 | |
| CN115266583B (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| CN115932661A (zh) | 一种对变压器噪声合规性进行分析判断的方法 | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
| CN115329146A (zh) | 时序网络中的链路预测方法、电子设备及存储介质 | |
| CN112147471B (zh) | 一种gil局部放电源定位方法和系统 | |
| CN111398200B (zh) | 非相干宽带腔增强吸收光谱最优反演波段确定方法 | |
| CN113177188A (zh) | 一种基于光谱新特征的反演叶片叶绿素含量的方法 | |
| CN112688836A (zh) | 基于深度自编码网络的能源路由设备在线动态感知方法 | |
| CN116155630B (zh) | 恶意流量识别方法及相关设备 | |
| CN117878927B (zh) | 基于时序分析的电力系统负荷趋势分析方法 | |
| CN117629616B (zh) | 摇杆测试方法及系统 | |
| KR20040028408A (ko) | 신경망을 이용한 변수 중요도 측정방법 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |