CN116780316B - 大功率固体激光器的散热系统 - Google Patents
大功率固体激光器的散热系统 Download PDFInfo
- Publication number
- CN116780316B CN116780316B CN202310969779.7A CN202310969779A CN116780316B CN 116780316 B CN116780316 B CN 116780316B CN 202310969779 A CN202310969779 A CN 202310969779A CN 116780316 B CN116780316 B CN 116780316B
- Authority
- CN
- China
- Prior art keywords
- working temperature
- time sequence
- training
- vector
- feature
- 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.)
- Active
Links
- 239000007787 solid Substances 0.000 title claims abstract description 93
- 230000005855 radiation Effects 0.000 title description 6
- 239000013598 vector Substances 0.000 claims abstract description 154
- 230000017525 heat dissipation Effects 0.000 claims abstract description 57
- 239000000110 cooling liquid Substances 0.000 claims abstract description 28
- 239000002826 coolant Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 81
- 230000008859 change Effects 0.000 claims description 53
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000033228 biological regulation Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 238000001816 cooling Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000000191 radiation effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Lasers (AREA)
Abstract
本发明公开了一种大功率固体激光器的散热系统,其通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值;对所述多个预定时间点的固体激光器的工作温度值进行时序特征分析与处理以得到多尺度工作温度时序特征向量;以及,基于所述多尺度工作温度时序特征向量,确定冷却液流速值的调整策略。这样,可以基于深度学习和人工智能技术,根据固体激光器的实时工作温度,动态地调节冷却液的流速,以达到最佳的散热效果。
Description
技术领域
本发明涉及智能化散热技术领域,尤其涉及一种大功率固体激光器的散热系统。
背景技术
大功率固体激光器在工作过程中会产生大量的热量,如果不及时有效地散热,会导致固体激光器的输出功率下降,甚至损坏固体激光器。
通常需要设计合理的散热系统来保证固体激光器的正常工作。目前,常用的散热系统是通过冷却液循环来带走固体激光器产生的热量。但冷却液的流速通常是个恒定值,往往没有考虑固体激光器的实时工作温度去动态地调整冷却液流速,从而影响散热效果和冷却液的使用寿命。因此,期待一种解决方案。
发明内容
本发明实施例提供一种大功率固体激光器的散热系统,其通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值;对所述多个预定时间点的固体激光器的工作温度值进行时序特征分析与处理以得到多尺度工作温度时序特征向量;以及,基于所述多尺度工作温度时序特征向量,确定冷却液流速值的调整策略。这样,可以基于深度学习和人工智能技术,根据固体激光器的实时工作温度,动态地调节冷却液的流速,以达到最佳的散热效果。
本发明实施例还提供了一种大功率固体激光器的散热系统,其包括:温度采集单元,用于通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值;时序数据分析单元,用于对所述多个预定时间点的固体激光器的工作温度值进行时序特征分析与处理以得到多尺度工作温度时序特征向量;以及调整策略确定单元,用于基于所述多尺度工作温度时序特征向量,确定冷却液流速值的调整策略。
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,下面将对实施例或现有技术描述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。
在附图中:图1为本发明实施例中提供的一种大功率固体激光器的散热系统的框图。
图2为本发明实施例中提供的一种大功率固体激光器的散热系统中所述时序数据分析单元的框图。
图3为本发明实施例中提供的一种大功率固体激光器的散热系统中所述训练模块的框图。
图4为本发明实施例中提供的一种大功率固体激光器的散热方法的流程图。
图5为本发明实施例中提供的一种大功率固体激光器的散热方法的系统架构的示意图。
图6为本发明实施例中提供的一种大功率固体激光器的散热系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本发明的一个实施例中,图1为本发明实施例中提供的一种大功率固体激光器的散热系统的框图。如图1所示,根据本发明实施例的大功率固体激光器的散热系统100,包括:温度采集单元110,用于通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值;时序数据分析单元120,用于对所述多个预定时间点的固体激光器的工作温度值进行时序特征分析与处理以得到多尺度工作温度时序特征向量;以及,调整策略确定单元130,用于基于所述多尺度工作温度时序特征向量,确定冷却液流速值的调整策略。
其中,所述温度采集单元中内嵌的热电偶(TEC)能够采集固体激光器的工作温度值,需要考虑热电偶的位置、接触质量等因素。通过实时采集固体激光器的工作温度值,提供了后续步骤进行分析和调控的基础数据。
所述时序数据分析单元中对多个预定时间点的工作温度值进行时序特征分析与处理,包括确定采样频率、选择合适的时序分析方法等。通过时序特征分析与处理,可以得到多尺度工作温度时序特征向量,包含了温度变化的趋势、周期性等信息,为后续的调控策略提供了依据。
所述调整策略确定单元基于多尺度工作温度时序特征向量,使用深度学习和人工智能技术来确定冷却液流速值的调整策略。这包括选择合适的模型架构、训练数据的准备等。通过智能化的调整策略,可以根据实时的工作温度变化情况动态地调节冷却液的流速,以实现最佳的散热效果,这将提高固体激光器的稳定性和寿命,同时减少故障风险。
所述大功率固体激光器的散热系统利用深度学习和人工智能技术,通过实时监测和分析固体激光器的工作温度,智能地调节冷却液的流速,从而达到最佳的散热效果。以提高固体激光器的性能和可靠性,延长其使用寿命,减少维护成本和故障风险。
具体地,所述温度采集单元110,用于通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值。针对上述技术问题,本申请的技术构思为:基于深度学习和人工智能技术,根据固体激光器的实时工作温度,动态地调节冷却液的流速,以达到最佳的散热效果。
具体地,在本申请的技术方案中,首先通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值。其中,TEC(Thermal Electronic Controller)是温度电子控制器,使用TEC作为温度电子控制器的原因是它能够实时、准确地测量固体激光器的工作温度。也就是,TEC能够提供实时的温度数据,为后续的冷却液流速调整提供数据基础。
其中,TEC包括:温度传感器,TEC内部集成了一个或多个温度传感器,通常是热电偶或热敏电阻。这些传感器负责测量固体激光器的温度,并将温度值转换为电信号。控制电路,TEC的控制电路负责接收温度传感器的信号,并根据设定的温度范围进行控制。可以根据需要调整固体激光器的工作温度,以保持其在安全范围内。电源,TEC需要电源来供电,以便正常运行。通常,需要接入电网或使用电池供电。
TEC通过控制电路对固体激光器的温度进行反馈调节。当温度传感器检测到固体激光器的温度超过设定的上限值时,控制电路将启动冷却系统,例如调整冷却液流速或启动风扇,以降低固体激光器的温度。相反,当温度低于设定的下限值时,控制电路将停止冷却系统的运行。
冷却液流速的调整可以通过控制冷却液的流动速度来实现,从而影响固体激光器的散热效果。一般来说,固体激光器的工作温度越高,需要更大的冷却液流速来有效降低温度。当固体激光器的工作温度升高时,冷却液的流速需要增加,以带走更多的热量,保持固体激光器在安全的温度范围内运行。
另一方面,固体激光器的冷却液流速过大或过小都可能对散热效果产生负面影响。如果冷却液流速过大,可能会导致冷却液在固体激光器表面过快地流过,无法充分吸收热量,从而影响散热效果。相反,如果冷却液流速过小,可能无法及时带走固体激光器产生的热量,导致固体激光器的温度升高。
因此,通过深度学习和人工智能技术,可以根据固体激光器的工作温度值和其他相关参数,确定合适的冷却液流速调整策略。这样可以实现智能化调控固体激光器的散热过程,提高散热效果,确保固体激光器的稳定运行和寿命。
具体地,所述时序数据分析单元120,用于对所述多个预定时间点的固体激光器的工作温度值进行时序特征分析与处理以得到多尺度工作温度时序特征向量。图2为本发明实施例中提供的一种大功率固体激光器的散热系统中所述时序数据分析单元的框图,如图2所示,所述时序数据分析单元120,包括:时序绝对特征提取子单元121,用于从所述多个预定时间点的固体激光器的工作温度值中提取工作温度时序特征向量;时序变化特征提取子单元122,用于从所述多个预定时间点的固体激光器的工作温度值中提取工作温度时序变化特征向量;以及,多尺度特征融合子单元123,用于使用级联函数来融合所述工作温度时序特征向量和所述工作温度时序变化特征向量以得到所述多尺度工作温度时序特征向量。
应可以理解,通过提取多个时间点的工作温度值,可以全面了解固体激光器的温度变化情况,而不仅仅是单个时间点的温度值。这有助于更准确地分析和评估散热系统的性能。通过从多个时间点的温度值中提取特征,可以捕捉到固体激光器的温度变化趋势和周期性。这些特征向量可以用于进一步分析和预测固体激光器的散热需求,从而优化散热系统的调整策略。除了考虑温度的绝对值,还可以提取温度的变化率、变化幅度等特征。这些特征可以反映固体激光器的温度变化速度和稳定性,对于散热系统的调整策略的确定非常重要。通过使用级联函数,可以将工作温度时序特征向量和工作温度时序变化特征向量进行融合,得到更全面和多维度的特征向量。这有助于提高特征的表达能力和区分度,从而更好地指导散热系统的调整策略。首先,对于所述时序绝对特征提取子单元121,用于:将所述多个预定时间点的固体激光器的工作温度值按照时间维度排列为工作温度时序输入向量;以及,将所述工作温度时序输入向量通过基于一维卷积神经网络模型的工作温度绝对量特征提取器以得到所述工作温度时序特征向量。
将所述多个预定时间点的固体激光器的工作温度值按照时间维度排列为工作温度时序输入向量。也就是,将所述工作温度值的时序离散数据转换为结构化的所述工作温度时序输入向量。此外,按照时间维度排列为工作温度时序输入向量的操作方式可以将时间的顺序信息保留下来,这对于分析温度数据的趋势和变化非常重要。
时间维度是指将多个预定时间点的固体激光器的工作温度值按照时间顺序排列的维度。反映了固体激光器在不同时间点的温度变化情况。例如,有n个预定时间点,每个时间点对应一个工作温度值。那么,时间维度可以表示为一个长度为n的向量,其中每个元素表示一个时间点的工作温度值。例如,有以下4个时间点的工作温度值:T1=30°C,T2=32°C,T3=35°C,T4=28°C,那么时间维度可以表示为向量[30, 32, 35, 28]。
通过按照时间维度排列工作温度值,可以更好地观察和分析固体激光器的温度变化趋势和周期性,以提取工作温度时序特征向量和工作温度时序变化特征向量,进一步优化散热系统的调整策略。
在本申请的一个实施例中,首先,确定预定时间点,确定需要采集固体激光器工作温度值的预定时间点。这些时间点可以根据实际需求和固体激光器的工作特性进行选择,例如每隔5秒采集一次温度值。然后,采集工作温度值,在每个预定时间点,使用温度采集单元或传感器来测量固体激光器的工作温度值,并记录下来。接着,按照时间维度排列,将采集到的工作温度值按照时间顺序排列,形成一个工作温度时序输入向量。向量的长度即为预定时间点的个数,每个元素表示一个时间点的工作温度值。
通过按照时间维度排列工作温度值,可以获得固体激光器在不同时间点的温度变化信息,为后续的特征提取和分析提供基础。这样可以更好地了解固体激光器的工作状态和散热需求,从而优化散热系统的调整策略。
接着,考虑到一维卷积神经网络(1D-CNN)适用于处理具有时间序列结构的数据,其可以自动学习并提取时序数据中的关联特征。在本申请的技术方案中,将所述工作温度时序输入向量通过基于一维卷积神经网络模型的工作温度绝对量特征提取器以得到工作温度时序特征向量。也就是,利用一维卷积神经网络模型来构建工作温度绝对量特征提取器,以从所述工作温度时序输入向量中学习并捕捉绝对温度数据中的局部时序关联模式。具体而言,一维卷积神经网络模型使用卷积层和池化层来捕捉温度数据中的局部关联模式。卷积层通过滑动窗口在不同时间跨度上进行滤波操作,从而检测出数据中的局部特征。池化层则用于减少特征的维度。
一维卷积神经网络(1D CNN)是一种特殊类型的卷积神经网络,适用于处理序列数据,如时间序列。通过滑动窗口在不同时间跨度上进行滤波操作,从而检测出数据中的局部特征。卷积层的每个滤波器都可以学习不同的特征,并且可以通过增加滤波器的数量来增加模型的表达能力。池化层用于减少特征的维度,从而降低模型的复杂性。常用的池化操作包括最大池化和平均池化,可以从每个滤波器的输出中提取出最显著的特征。
基于一维卷积神经网络模型的工作温度绝对量特征提取器将工作温度时序数据作为输入,经过一系列卷积层和池化层的处理,最终得到工作温度的绝对量特征向量。这个特征向量可以用于进一步的分析和决策,例如用于确定冷却液流速的调整策略。通过使用基于一维卷积神经网络模型的工作温度绝对量特征提取器,可以从工作温度时序数据中提取出有用的特征,帮助优化散热系统的调控策略,提高固体激光器的散热效果,确保其稳定运行和寿命。
然后,对于所述时序变化特征提取子单元122,用于:计算所述工作温度时序输入向量中每相邻两个位置的工作温度值之间的差值以得到工作温度时序变化输入向量;将所述工作温度时序变化输入向量通过基于一维卷积神经网络模型的工作温度变化量特征提取器以得到所述工作温度时序变化特征向量。
考虑到相比于绝对变化量,相对变化量更能在不同时间点和场景下进行比较和分析。绝对变化量可能受到初始温度的影响,而相对变化则更加独立于绝对值的大小。从相对的数据中,可以更明显地观察温度值变化的趋势,例如上升、下降或波动。这种相对的数据可以更好地帮助模型理解温度数据的动态变化并发现其中的规律。此外,绝对变化量的信息表征还存在一些缺点。例如,绝对变化量容易受到噪音和温度波动的影响,导致难以准确地表示温度变化的趋势。
因而,在本申请的技术方案中,计算所述工作温度时序输入向量中每相邻两个位置的工作温度值之间的差值以得到工作温度时序变化输入向量。通过计算差值,可以从绝对数据中提取相对数据,以更好地描述温度序列中的变化趋势。也就是说,通过计算相邻温度值的差值,可以消除绝对值的影响,将注意力集中在温度的相对变化上。这样可以更好地捕捉到温度序列中的真实变化模式。
进一步地,将所述工作温度时序变化输入向量通过基于一维卷积神经网络模型的工作温度变化量特征提取器以得到工作温度时序变化特征向量。同样地,在本申请的技术方案中,也利用一维卷积神经网络模型来构建工作温度变化量特征提取器,以提取并捕捉工作温度的时序变化模式和趋势。
与工作温度绝对量特征提取器类似,工作温度变化量特征提取器也使用卷积层和池化层来处理工作温度时序数据。不同之处在于,其关注的是温度的变化量,而不是绝对值。
通过卷积层的滤波操作,工作温度变化量特征提取器可以检测出时序数据中的局部变化模式,例如温度的上升或下降趋势、温度的波动等。这些变化模式可以提供有关散热系统的运行状态和效果的信息。池化层用于减少特征的维度,从而提取出最显著的变化模式。通过这个特征提取过程,工作温度变化量特征提取器可以将工作温度时序变化数据转化为一个特征向量,该向量包含了关于工作温度变化的重要信息。
基于一维卷积神经网络模型的工作温度变化量特征提取器可以应用于散热系统的调控策略中。通过提取和分析工作温度的时序变化特征,可以及时发现温度异常和散热问题,并采取相应的措施进行调整和优化,以确保固体激光器的稳定运行和寿命。基于一维卷积神经网络模型的工作温度变化量特征提取器是一种有效的工具,可以帮助提取并捕捉工作温度的时序变化模式和趋势,为散热系统的调控提供有价值的信息。
最后,对于所述多尺度特征融合子单元123,然后使用级联函数来融合所述工作温度时序特征向量和所述工作温度时序变化特征向量以得到多尺度工作温度时序特征向量。也就是,级联融合可以利用工作温度时序特征向量提供的整体数据分布特征,并利用工作温度时序变化特征向量提供的波动和变化特征,使得所述多尺度工作温度时序特征向量能够更全面地描述工作温度的时序变化信息,提供更好的特征表示。
其中,在本申请的一个实施例中,使用级联函数以如下级联公式来融合所述工作温度时序特征向量和所述工作温度时序变化特征向量以得到所述多尺度工作温度时序特征向量;其中,所述级联公式为:其中,/>表示所述工作温度时序特征向量和所述工作温度时序变化特征向量,/>表示级联函数,表示所述多尺度工作温度时序特征向量。
级联函数是一种将两个特征向量按顺序连接起来形成一个更长的特征向量的操作。在这种情况下,级联函数被用来融合工作温度时序特征向量和工作温度时序变化特征向量,以得到多尺度工作温度时序特征向量。
通过级联函数的操作,可以将两个特征向量的信息有机地结合在一起,从而提供更全面、更丰富的特征表示。这种多尺度的特征表示可以捕捉到工作温度的不同方面和变化模式,有助于更准确地描述和理解系统的热特性。
级联函数的优点在于可以保留原始特征向量的信息,并且不引入额外的参数或复杂的计算。简单而有效,适用于各种类型的特征融合任务。通过使用级联函数来融合工作温度时序特征向量和工作温度时序变化特征向量,可以获得更具代表性和可区分性的特征表示。这将有助于提高散热系统的调控策略的精确性和效果,进一步提高固体激光器的散热效果和稳定性。
具体地,所述调整策略确定单元130,用于基于所述多尺度工作温度时序特征向量,确定冷却液流速值的调整策略。具体地,所述调整策略确定单元130,用于:将所述多尺度工作温度时序特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示推荐的冷却液流速值;以及,基于所述解码值,确定冷却液流速值的调整策略。
继而,将所述多尺度工作温度时序特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示推荐的冷却液流速值。其中,解码器接收多尺度工作温度时序特征向量作为输入,并在训练过程中学习实时温度与冷却液流速之间的关系来预测推荐的冷却液流速值。也就是,通过训练解码器可以使之自动学习和捕捉工作温度特征与冷却液流速之间的潜在复杂关系。在推断过程中,将所述多尺度工作温度时序特征向量通过解码器,解码器会输出预测的冷却液流速值。在实际场景中,基于所述解码值,可以及时采取措施以动态地调整冷却液流速,适应不同的工作温度变化,提高冷却液利用率并优化散热系统的性能。
解码器是一个神经网络模型,用于将多尺度工作温度时序特征向量解码回归为一个解码值,该解码值用于表示推荐的冷却液流速值。解码器将多尺度工作温度时序特征向量作为输入,并通过神经网络的反向计算过程,将其映射回推荐的冷却液流速值。
解码器通常由多个全连接层组成,每个层都有一些隐藏单元和激活函数。这些层的作用是逐步将特征向量的抽象表示转化为更具实际意义的输出值。通过训练过程,解码器学习到了如何将特征向量映射回冷却液流速值,从而实现了解码的功能。
使用解码器进行解码回归可以将抽象的特征向量转化为实际的推荐值。这样,可以直接得到一个具体的冷却液流速值,而无需再进行额外的计算或处理。这简化了系统的使用和实施,并提供了可操作的建议。
通过解码器的解码回归过程,可以根据多尺度工作温度时序特征向量推荐最适合的冷却液流速值。这有助于优化散热系统的调控策略,确保固体激光器在工作过程中保持适当的温度,提高其散热效果和稳定性。
进一步地,所述大功率固体激光器的散热系统,还包括用于对所述基于一维卷积神经网络模型的工作温度绝对量特征提取器、所述基于一维卷积神经网络模型的工作温度变化量特征提取器和所述解码器进行训练的训练模块;图3为本发明实施例中提供的一种大功率固体激光器的散热系统中所述训练模块的框图,如图3所示,所述训练模块140,包括:训练数据获取单元141,用于获取训练数据,所述训练数据包括通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的训练工作温度值,以及,冷却液流速值的真实值;训练向量排列单元142,用于将所述多个预定时间点的固体激光器的训练工作温度值按照时间维度排列为训练工作温度时序输入向量;训练向量差值计算单元143,用于计算所述训练工作温度时序输入向量中每相邻两个位置的训练工作温度值之间的差值以得到训练工作温度时序变化输入向量;训练绝对量特征提取单元144,用于将所述训练工作温度时序输入向量通过基于一维卷积神经网络模型的工作温度绝对量特征提取器以得到训练工作温度时序特征向量;训练变化量特征提取单元145,用于将所述训练工作温度时序变化输入向量通过基于一维卷积神经网络模型的工作温度变化量特征提取器以得到训练工作温度时序变化特征向量;训练级联单元146,用于使用级联函数来融合所述训练工作温度时序特征向量和所述训练工作温度时序变化特征向量以得到训练多尺度工作温度时序特征向量;训练解码单元147,用于将所述训练多尺度工作温度时序特征向量通过解码器以得到解码损失函数值;以及,训练单元148,用于基于所述解码损失函数值,并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的工作温度绝对量特征提取器、所述基于一维卷积神经网络模型的工作温度变化量特征提取器和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代。
训练模块的作用是使用已有的数据对基于一维卷积神经网络模型的工作温度特征提取器和解码器进行训练,以使其能够准确地提取和解码工作温度的特征,并生成准确的冷却液流速推荐值。
进一步地,训练模块可以收集和准备用于训练的工作温度数据集。这些数据集应包含工作温度的绝对值和时序变化量,以及对应的冷却液流速值。可以进行特征提取器训练,使用一维卷积神经网络模型对工作温度数据进行训练,分别训练工作温度绝对量特征提取器和工作温度变化量特征提取器。这些特征提取器将学习如何从原始数据中提取有用的特征。可以进行解码器训练,使用已提取的特征向量和对应的冷却液流速值对解码器进行训练。解码器将学习如何将多尺度特征向量解码为准确的冷却液流速推荐值。还可以进行参数调优,通过反复迭代训练和验证过程,对模型的参数进行调优,以提高模型的性能和准确度。
通过训练模块,基于一维卷积神经网络的工作温度特征提取器和解码器可以学习到工作温度的有用特征,并生成准确的冷却液流速推荐值,从而优化散热系统的调控策略,提高固体激光器的散热效果和稳定性。
在本申请的技术方案中,由于计算所述工作温度时序变化输入向量是计算所述工作温度时序输入向量中每相邻两个位置的工作温度值之间的差值得到的,因此所述工作温度时序变化输入向量的温度变化值与所述工作温度时序输入向量的温度绝对值虽然都基本上遵循各个预定时间点的时序分布,但是在时序分布上并不能完全对齐,这样,在通过基于一维卷积神经网络模型的特征提取器进行局部时序关联特征的提取时,由于源数据的差异以及时序方向上的分布不对齐,所述工作温度时序特征向量和所述工作温度时序变化特征向量也会存在一定的无法忽视的分布差异。
因此,当使用级联函数来融合所述工作温度时序特征向量和所述工作温度时序变化特征向量时,所述级联函数的点卷积和激活操作会对于所述工作温度时序特征向量和所述工作温度时序变化特征向量之间的分布差异引入不同的拟合方向,例如分别过拟合和欠拟合。这样,当融合得到的所述多尺度工作温度时序特征向量通过解码器进行解码回归时,所述多尺度工作温度时序特征向量的分别对应于所述工作温度时序特征向量和所述工作温度时序变化特征向量的部分特征分布相对于解码器的权重矩阵对应的部分也会具有不同的权重拟合方向,这样,所述解码特征向量的整体特征分布相对于解码器的权重矩阵就会具有收敛性差的问题,从而影响所述解码器的训练速度。
基于此,本申请的申请人在所述解码特征向量,例如记为的训练过程中,在每次解码器的权重矩阵,例如记为/>的迭代过程中,对权重矩阵/>进行权重本征支持的半空间结构化约束,具体表示为:以如下训练公式对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代;其中,所述训练公式为:其中,/>为所述解码特征向量,/>为所述解码器的权重矩阵,/>表示向量的转置向量,/>是矩阵/>的本征值组成的本征集合向量,/>为所述解码器的权重矩阵的转置矩阵,/>表示按位置加法,/>表示向量乘法,/>表示迭代后的所述解码器的权重矩阵。
这里,所述权重本征支持的半空间结构化约束以所述解码器的权重矩阵的结构化矩阵的本征值集合与待解码的所述解码特征向量/>的关联性集成作为支持,来对所述权重矩阵/>表示的用于与所述待解码的所述解码特征向量/>的高维流形相耦合的半空间(half-space)进行作为决策界的超平面的结构化支持约束,以使得所述待解码的所述解码特征向量/>的高维流形能够在所述权重矩阵/>表示的半空间开放域内相对于超平面有效收敛,从而改进所述解码器的训练速度。
综上,基于本发明实施例的大功率固体激光器的散热系统100被阐明,其基于深度学习和人工智能技术,根据固体激光器的实时工作温度,动态地调节冷却液的流速,以达到最佳的散热效果。
如上所述,根据本发明实施例的大功率固体激光器的散热系统100可以实现在各种终端设备中,例如用于大功率固体激光器的散热的服务器等。在一个示例中,根据本发明实施例的大功率固体激光器的散热系统统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该大功率固体激光器的散热系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该大功率固体激光器的散热系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该大功率固体激光器的散热系统100与该终端设备也可以是分立的设备,并且该大功率固体激光器的散热系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本发明的一个实施例中,图4为本发明实施例中提供的一种大功率固体激光器的散热方法的流程图。图5为本发明实施例中提供的一种大功率固体激光器的散热方法的系统架构的示意图。如图4和图5所示,根据本发明实施例的大功率固体激光器的散热方法,其包括:210,通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值;220,对所述多个预定时间点的固体激光器的工作温度值进行时序特征分析与处理以得到多尺度工作温度时序特征向量;以及,230,基于所述多尺度工作温度时序特征向量,确定冷却液流速值的调整策略。
本领域技术人员可以理解,上述大功率固体激光器的散热方法中的各个步骤的具体操作已经在上面参考图1到图3的大功率固体激光器的散热系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图6为本发明实施例中提供的一种大功率固体激光器的散热系统的应用场景图。如图6所示,在该应用场景中,首先,通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值(例如,如图6中所示意的C);然后,将获取的工作温度值输入至部署有大功率固体激光器的散热算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于大功率固体激光器的散热算法对所述工作温度值进行处理,以确定冷却液流速值的调整策略。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种大功率固体激光器的散热系统,其特征在于,包括:温度采集单元,用于通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的工作温度值;时序数据分析单元,用于对所述多个预定时间点的固体激光器的工作温度值进行时序特征分析与处理以得到多尺度工作温度时序特征向量;以及调整策略确定单元,用于基于所述多尺度工作温度时序特征向量,确定冷却液流速值的调整策略;
其中,所述调整策略确定单元,用于:将所述多尺度工作温度时序特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示推荐的冷却液流速值;以及基于所述解码值,确定冷却液流速值的调整策略;
其中,还包括用于对基于一维卷积神经网络模型的工作温度绝对量特征提取器、基于一维卷积神经网络模型的工作温度变化量特征提取器和解码器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括通过内嵌的TEC采集预定时间段内多个预定时间点的固体激光器的训练工作温度值,以及,冷却液流速值的真实值;训练向量排列单元,用于将所述多个预定时间点的固体激光器的训练工作温度值按照时间维度排列为训练工作温度时序输入向量;训练向量差值计算单元,用于计算所述训练工作温度时序输入向量中每相邻两个位置的训练工作温度值之间的差值以得到训练工作温度时序变化输入向量;训练绝对量特征提取单元,用于将所述训练工作温度时序输入向量通过基于一维卷积神经网络模型的工作温度绝对量特征提取器以得到训练工作温度时序特征向量;训练变化量特征提取单元,用于将所述训练工作温度时序变化输入向量通过基于一维卷积神经网络模型的工作温度变化量特征提取器以得到训练工作温度时序变化特征向量;训练级联单元,用于使用级联函数来融合所述训练工作温度时序特征向量和所述训练工作温度时序变化特征向量以得到训练多尺度工作温度时序特征向量;训练解码单元,用于将所述训练多尺度工作温度时序特征向量通过解码器以得到解码损失函数值;以及训练单元,用于基于所述解码损失函数值,并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的工作温度绝对量特征提取器、所述基于一维卷积神经网络模型的工作温度变化量特征提取器和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代;
其中,在所述训练的每一轮迭代中,对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代,包括:以如下训练公式对所述解码器的权重矩阵进行权重本征支持的半空间结构化约束迭代;
其中,所述训练公式为:
,
其中,为所述解码特征向量,/>为所述解码器的权重矩阵,/>表示向量的转置向量,/>是矩阵/>的本征值组成的本征集合向量,/>为所述解码器的权重矩阵的转置矩阵,/>表示按位置加法,/>表示向量乘法,/>表示迭代后的所述解码器的权重矩阵。
2.根据权利要求1所述的大功率固体激光器的散热系统,其特征在于,所述时序数据分析单元,包括:时序绝对特征提取子单元,用于从所述多个预定时间点的固体激光器的工作温度值中提取工作温度时序特征向量;时序变化特征提取子单元,用于从所述多个预定时间点的固体激光器的工作温度值中提取工作温度时序变化特征向量;以及多尺度特征融合子单元,用于使用级联函数来融合所述工作温度时序特征向量和所述工作温度时序变化特征向量以得到所述多尺度工作温度时序特征向量。
3.根据权利要求2所述的大功率固体激光器的散热系统,其特征在于,所述时序绝对特征提取子单元,用于:将所述多个预定时间点的固体激光器的工作温度值按照时间维度排列为工作温度时序输入向量;以及将所述工作温度时序输入向量通过基于一维卷积神经网络模型的工作温度绝对量特征提取器以得到所述工作温度时序特征向量。
4.根据权利要求3所述的大功率固体激光器的散热系统,其特征在于,所述时序变化特征提取子单元,用于:计算所述工作温度时序输入向量中每相邻两个位置的工作温度值之间的差值以得到工作温度时序变化输入向量;将所述工作温度时序变化输入向量通过基于一维卷积神经网络模型的工作温度变化量特征提取器以得到所述工作温度时序变化特征向量。
5.根据权利要求4所述的大功率固体激光器的散热系统,其特征在于,所述多尺度特征融合子单元,用于:使用级联函数以如下级联公式来融合所述工作温度时序特征向量和所述工作温度时序变化特征向量以得到所述多尺度工作温度时序特征向量;
其中,所述级联公式为:
,
其中,,/>表示所述工作温度时序特征向量和所述工作温度时序变化特征向量,表示级联函数,/>表示所述多尺度工作温度时序特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969779.7A CN116780316B (zh) | 2023-08-03 | 2023-08-03 | 大功率固体激光器的散热系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969779.7A CN116780316B (zh) | 2023-08-03 | 2023-08-03 | 大功率固体激光器的散热系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116780316A CN116780316A (zh) | 2023-09-19 |
CN116780316B true CN116780316B (zh) | 2023-11-07 |
Family
ID=88013557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969779.7A Active CN116780316B (zh) | 2023-08-03 | 2023-08-03 | 大功率固体激光器的散热系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116780316B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117254593B (zh) * | 2023-09-25 | 2024-05-03 | 安徽南瑞继远电网技术有限公司 | 基于云边协同的电网巡视作业智慧管控平台及其方法 |
CN117222069B (zh) * | 2023-10-12 | 2024-04-30 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117458261B (zh) * | 2023-12-26 | 2024-04-16 | 东莞市湃泊科技有限公司 | 激光器封装系统及其智能散热方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5524476A (en) * | 1978-08-10 | 1980-02-21 | Mitsubishi Electric Corp | Laser oscillator |
JP2008300535A (ja) * | 2007-05-30 | 2008-12-11 | Shibaura Mechatronics Corp | レーザ装置および冷却液の電気抵抗の測定方法 |
CN114843879A (zh) * | 2022-04-14 | 2022-08-02 | 广东工业大学 | 一种多级可切换半导体激光器热沉散热装置 |
CN114967790A (zh) * | 2022-05-05 | 2022-08-30 | 山西大学 | 基于机器学习的激光器温度控制系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9008136B2 (en) * | 2012-03-22 | 2015-04-14 | Ams Research Corporation | Laser system chiller |
-
2023
- 2023-08-03 CN CN202310969779.7A patent/CN116780316B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5524476A (en) * | 1978-08-10 | 1980-02-21 | Mitsubishi Electric Corp | Laser oscillator |
JP2008300535A (ja) * | 2007-05-30 | 2008-12-11 | Shibaura Mechatronics Corp | レーザ装置および冷却液の電気抵抗の測定方法 |
CN114843879A (zh) * | 2022-04-14 | 2022-08-02 | 广东工业大学 | 一种多级可切换半导体激光器热沉散热装置 |
CN114967790A (zh) * | 2022-05-05 | 2022-08-30 | 山西大学 | 基于机器学习的激光器温度控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116780316A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116780316B (zh) | 大功率固体激光器的散热系统 | |
KR101971875B1 (ko) | 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 | |
CN110360715B (zh) | 区域选择性地动作的空调、云服务器及其动作方法 | |
CN108476473B (zh) | 用于延长建筑物控制系统中的无线传感器的电池寿命的系统和方法 | |
Zhang et al. | Batch process monitoring based on multiway global preserving kernel slow feature analysis | |
US20210018205A1 (en) | Systems and methods for automated system identification | |
CN113962142B (zh) | 一种基于两段式lstm的数据中心温度预测方法及系统 | |
CN117096504B (zh) | 温度控制方法及装置、设备、存储介质 | |
CN117558472B (zh) | 核反应堆冷却系统及其冷却控制方法 | |
CN115270491A (zh) | 基于多元信息融合的海上风电运维平台设计方法 | |
CN117113218A (zh) | 可视化的数据分析系统及其方法 | |
CN110726209B (zh) | 空调控制方法、装置、存储介质以及处理器 | |
CN116647946A (zh) | 基于半导体的加热控制系统及其方法 | |
CN117234301A (zh) | 一种基于人工智能的服务器热管理方法 | |
CN117388893B (zh) | 一种基于gps的多设备定位系统 | |
CN117222069B (zh) | 照明驱动电源的智能控制方法 | |
WO2017088172A1 (en) | Method and system for controlling cooling system of power equipment | |
EP3423789B1 (en) | Systems and methods thereof for determination of a device state based on current consumption monitoring and machine-learning thereof | |
CN116520718A (zh) | 一种基于物联网技术的智能家居自适应控制方法和装置 | |
CN105630039A (zh) | 一种控制方法及电子设备 | |
CN112099438B (zh) | 一种基于电流信号的机床节能控制方法及装置 | |
CN117199029B (zh) | 一种功率电源管理芯片及功率电源管理方法 | |
CN117278073B (zh) | 一种超宽带天线信号自动调整方法 | |
CN118066676A (zh) | 空气源机组控制方法及装置 | |
CN117029191A (zh) | 一种基于中央空调的智能节能控制系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |