CN117458261B - 激光器封装系统及其智能散热方法 - Google Patents

Abstract

本申请提供了激光器封装系统及其智能散热方法，系统包括：激光器阵列模块，具有多个间隔设置的激光器，激光器上具有热沉，热沉配置有TEC半导体制冷器；训练模块，用于基于一定时间内激光器的实测温度以及历史运行状态数据对深度学习模型进行训练和验证，以输出训练后的深度学习模型；预测模块，用于将检测的激光器的第一参数和第二参数输入至训练后的深度学习模型以生成预测温度，第一参数包括功率，第二参数包括运行时间；调温模块，用于基于预测温度控制TEC半导体制冷器调节激光器温度。本申请通过各个模块的配合对激光器温度进行预测从而驱动制冷器对激光器进行散热，整个系统结构相对简单，无需设置过多的传感器，大大降低了封装难度和成本。

Description

激光器封装系统及其智能散热方法

技术领域

本申请涉及激光器封装技术领域，具体涉及激光器封装系统及其智能散热方法。

背景技术

半导体激光器阵列又称为激光二极管bar条，简称bar条。根据功率需要，把几个单元到近千单元激光二极管用金属有机化学气相淀积(MOCVD)生长在同一衬底上，就构成了一维阵列。如果把多元阵列分成组，每组以19个单元为单位，各组之间用光隔离技术分开，各组发出的光彼此不相干，形成多孔径激射，就可以通过增加集成数量来提高输出功率。但是，半导体激光器阵列功率大，长时间工作下温度会升高，随着结温的升高使半导体激光器阵列的波长展宽，阈值电流增大，光电转换效率下降，寿命降低、可靠性下降，因此，半导体激光器封装及散热技术尤为重要。

然而，现有都是通过在半导体激光器阵列中设置有大量的传感器以检测激光器的温升，大量的传感器增加了激光器封装的难度，且大量传感器的设置也加大了封装的成本。

其次，现有的半导体激光器阵列采用水冷的方式进行散热处理，但是小体积的水冷模块散热效果很差，严重影响了半导体激光器阵列的正常工作；而大体积的水冷模块在封装时存在巨大的难度，且也不利于半导体激光器阵列的使用。进一步的，水冷模块还存在微渗漏和漏水等风险，其安全性和可靠性低，且一旦水冷模块停止工作，整个半导体激光器阵列就要停止工作。

发明内容

为了克服上述现有技术的缺陷，本申请提供了激光器封装系统及其散热方法。

具体技术方案如下所示：

激光器封装系统，包括：

激光器阵列模块，具有多个间隔设置且呈阵列分布的激光器，每个所述激光器上具有用于传导热量的热沉，每一所述热沉均配置有用于给所述激光器散热的TEC半导体制冷器；

训练模块，用于获取一定时间内所述激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库，将所述数据库划分为训练数据和验证数据；基于所述训练数据对深度学习模型进行训练，并基于所述验证数据对训练后的深度学习模型进行验证；若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内，则输出训练后的深度学习模型；

预测模块，用于实时检测所述激光器的第一参数和第二参数，并将所述第一参数和所述第二参数输入至训练后的深度学习模型，以生成所述激光器对应的预测温度；其中，所述第一参数包括功率，所述第二参数包括运行时间；

调温模块，用于基于所述预测温度控制所述TEC半导体制冷器调节所述激光器的当前温度。

在一个具体实施例中，多个所述激光器包括多个第一激光器和多个第二激光器，每相邻两个所述第一激光器之间具有至少两个所述第二激光器；

所述系统还包括：分配模块，用于基于一定时间内所述激光器的实测温度确定所述激光器的实测温升，若所述实测温升超出第二预设区间，则将所述激光器作为所述第一激光器；若所述实测温升位于所述第二预设区间，则将所述激光器作为所述第二激光器；

所述第一激光器单独配置有一个所述TEC半导体制冷器，至少两个所述第二激光器共用一个所述TEC半导体制冷器。

在一个具体实施例中，还包括：

温度传感器，用于获取所述激光器预设时刻的实测温度；

计算模块，用于根据所述激光器预设时刻的实测温度以及预测温度，计算所述实测温度以及所述预测温度的差值；

优化模块，用于判断所述实测温度以及所述预测温度的差值是否位于第三预设区间，若所述实测温度以及所述预测温度的差值超过第三预设区间，则记录所述激光器的实测温度以及对应时刻的所述历史运行状态数据以更新数据库，并根据更新后的数据库优化所述深度学习模型。

在一个具体实施例中，所述温度传感器具有多个,多个所述温度传感器均分布在所述激光器阵列模块的中心到边缘的15%至80%的距离范围内；且沿所述激光器阵列模块的中心到边缘的方向上，所述温度传感器的数量逐渐递减。

在一个具体实施例中，还包括：

液冷模块，所述液冷模块设置在所述激光器靠近所述热沉的一侧，且所述液冷模块与所述TEC半导体制冷器并列设置或层叠设置；

功率模块，用于在所述TEC半导体制冷器的功率小于阈值时，驱动所述液冷模块加大循环功率。

在一个具体实施例中，所述第一参数还包括电阻、谐振频率、发射波长或阈值电流；所述第二参数还包括所述热沉的面积；所述历史运行状态数据包括激光器的电阻、谐振频率、发射波长、阈值电流或运行时间；

和/或，所述调温模块包括：

第一确定模块，用于基于所述预测温度确定所述激光器一定时间内的预测温升，

获取模块，用于基于同一所述TEC半导体制冷器同一时刻获取所述预测温升的数量，

第二确定模块，用于若所述预测温升的数量为多个，则将所述预测温升的最大值作为调节所述TEC半导体制冷器温度的最终预测温升；若所述预测温升的数量为一个，则将所述预测温升作为调节所述TEC半导体制冷器温度的最终预测温升；

调节模块，用于基于最终预测温升控制所述TEC半导体制冷器调节所述激光器的当前温度；

和/或，所述调节模块包括：

第一驱动模块，用于当所述最终预测温升位于第一温升范围，则驱动所述TEC半导体制冷器以最大功率的25％工作，使激光器的温度恢复；

第二驱动模块，用于当所述最终预测温升位于第二温升范围，则驱动所述TEC半导体制冷器以最大功率的50％工作，使激光器的温度恢复；

第三驱动模块，用于当所述最终预测温升位于第三温升范围，则驱动所述TEC半导体制冷器以最大功率的75％工作，使激光器的温度恢复；

上报模块，用于当所述最终预测温升超出所述第三温升范围，则检测所述激光器当前的实测温度以及获取当前运行状态数据，并将所述实测温度和所述当前运行状态数据更新至数据库。

智能散热方法，应用于如上述的激光器封装系统，其特征在于，包括：

获取一定时间内所述激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库，将所述数据库划分为训练数据和验证数据；基于所述训练数据对深度学习模型进行训练，并基于所述验证数据对训练后的深度学习模型进行验证；若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内，则输出训练后的深度学习模型；

实时检测所述激光器的第一参数和第二参数，并将所述第一参数和所述第二参数输入至训练后的深度学习模型，以生成所述激光器对应的预测温度；其中，所述第一参数包括功率，所述第二参数包括运行时间；

基于所述预测温度控制所述TEC半导体制冷器调整所述激光器的当前温度。

在一个具体实施例中，还包括：

获取所述激光器预设时刻的实测温度；

根据所述激光器预设时刻的实测温度以及预测温度，计算所述实测温度以及所述预测温度的差值；

判断所述实测温度以及所述预测温度的差值是否位于第三预设区间，若所述实测温度以及所述预测温度的差值超过第三预设区间，则记录所述激光器的实测温度以及对应时刻的工作状态数据以更新数据库，并根据更新后的数据库优化所述深度学习模型。

在一个具体实施例中，所述“基于所述预测温度控制所述TEC半导体制冷器调整所述激光器的当前温度”包括：

基于所述预测温度确定所述激光器一定时间内的预测温升，

基于同一所述TEC半导体制冷器同一时刻获取所述预测温升的数量，

若所述预测温升的数量为多个，则将所述预测温升的最大值作为调节所述TEC半导体制冷器温度的最终预测温升；若所述预测温升的数量为一个，则将所述预测温升作为调节所述TEC半导体制冷器温度的最终预测温升；

基于最终预测温升控制所述TEC半导体制冷器调节所述激光器的当前温度。

在一个具体实施例中，所述“基于最终预测温升控制所述TEC半导体制冷器调节所述激光器的当前温度”包括：

当所述最终预测温升位于第一温升范围，则驱动所述TEC半导体制冷器以最大功率的25％工作，使激光器的温度恢复；

当所述最终预测温升位于第二温升范围，则驱动所述TEC半导体制冷器以最大功率的50％工作，使激光器的温度恢复；

当所述最终预测温升位于第三温升范围，则驱动所述TEC半导体制冷器以最大功率的75％工作，使激光器的温度恢复；

当所述最终预测温升超出所述第三温升范围，则检测所述激光器当前的实测温度以及获取当前运行状态数据，并将所述实测温度和所述当前运行状态数据更新至数据库。

本申请至少具有以下有益效果：

本申请提供了激光器封装系统及其智能散热方法，系统包括：激光器阵列模块，具有多个间隔设置且呈阵列分布的激光器，每个激光器上具有用于传导热量的热沉，每一热沉均配置有用于给激光器散热的TEC半导体制冷器；训练模块，用于获取一定时间内激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库，将数据库划分为训练数据和验证数据；基于训练数据对深度学习模型进行训练，并基于验证数据对训练后的深度学习模型进行验证；若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内，则输出训练后的深度学习模型；预测模块，用于实时检测激光器的第一参数和第二参数，并将第一参数和第二参数输入至训练后的深度学习模型，以生成激光器对应的预测温度；其中，第一参数包括功率，第二参数包括运行时间；调温模块，用于基于预测温度控制TEC半导体制冷器调节激光器的当前温度。本申请通过TEC半导体制冷器对激光器进行散热，解决了现有技术中水冷散热存在微渗漏和漏水的安全隐患，使系统更加安全可靠；并且采用训练模块以及预测模块的配合，通过深度学习模型预测激光器的预测温度，从而代替传统的温度传感器的检测，整个系统结构相对简单，无需设置过多的传感器，大大降低了封装难度和封装成本，同时还能具有较好的散热效果。

进一步的，多个激光器包括多个第一激光器和多个第二激光器，每相邻两个第一激光器之间具有至少两个第二激光器；系统还包括：分配模块，用于基于一定时间内激光器的实测温度确定激光器的实测温升，若实测温升超出第二预设区间，则将激光器作为第一激光器；若实测温升位于第二预设区间，则将激光器作为第二激光器；第一激光器单独配置有一个TEC半导体制冷器，至少两个第二激光器共用一个TEC半导体制冷器。本申请通过激光器的实测温升大小来区分第一激光器和第二激光器，第一激光器为产生热量较大的激光器，因此需要单独配置一个TEC半导体制冷器进行散热；而第二激光器为产生热量较小的激光器，因此可以将相邻的至少两个激光器设置在同一个TEC半导体制冷器进行散热，通过此种方式的设计既减少了TEC半导体制冷器的数量，减低了生产成本，同时还能够具有良好的散热效果，使散热更加均匀、高效。

进一步的，本申请还包括：温度传感器，用于获取激光器预设时刻的实测温度；计算模块，用于根据激光器预设时刻的实测温度以及预测温度，计算实测温度以及预测温度的差值；优化模块，用于判断实测温度以及预测温度的差值是否位于第三预设区间，若实测温度以及预测温度的差值超过第三预设区间，则记录激光器的实测温度以及对应时刻的历史运行状态数据以更新数据库，并根据更新后的数据库优化深度学习模型。本申请通过温度传感器对预测模块的预测温度进行实时验证，以便于后续及时优化深度学习模型，进而提高了系统中预测温度的可靠性，减少了预测温度与实际温度的偏差，使整个系统的可靠性得到显著提高。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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为实施例1提供的激光器阵列模块的示意图；

图2为实施例1提供的激光器的第一示意图；

图3为实施例1提供的激光器的第二示意图；

图4为实施例1提供的系统的第一示意图；

图5为实施例1提供的系统的第二示意图；

图6为实施例1提供的系统的第三示意图；

图7为实施例2提供的智能散热方法的流程图；

图8为实施例1提供的温度传感器分布示意图。

附图标记：

1-激光器阵列模块；2-训练模块；3-预测模块；4-调温模块；

5-分配模块；6-温度传感器；7-计算模块；8-优化模块；

9-液冷模块；10-功率模块；11-放置区域;

101-激光器;102-热沉;103-TEC半导体制冷器;

1011-第一激光器;1012-第二激光器;

401-第一确定模块；402-获取模块；403-第二确定模块；404-调节模块；

4041-第一驱动模块；4042-第二驱动模块；4043-第三驱动模块；4044-上报模块。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例1

如图1所示,本申请提供了激光器101封装系统及其智能散热方法，系统包括：激光器阵列模块1，具有多个间隔设置且呈阵列分布的激光器101，每个激光器101上具有用于传导热量的热沉102，每一热沉102均配置有用于给激光器101散热的TEC半导体制冷器103；训练模块2，用于获取一定时间内激光器101的实测温度以及对应时刻的历史运行状态数据以生成数据库，将数据库划分为训练数据和验证数据；基于训练数据对深度学习模型进行训练，并基于验证数据对训练后的深度学习模型进行验证；若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内，则输出训练后的深度学习模型；预测模块3，用于实时检测激光器101的第一参数和第二参数，并将第一参数和第二参数输入至训练后的深度学习模型，以生成激光器101对应的预测温度；其中，第一参数包括功率，第二参数包括运行时间；调温模块4，用于基于预测温度控制TEC半导体制冷器103调节激光器101的当前温度。

本申请通过TEC半导体制冷器103对激光器101进行散热，解决了现有技术中水冷散热体积大、使用不便，在使用时存在微渗漏和漏水的安全隐患，使系统更加安全可靠；并且采用训练模块2以及预测模块3的配合，通过深度学习模型预测激光器101的预测温度，从而代替传统的温度传感器6的检测，整个系统结构相对简单，无需设置过多的传感器，大大降低了封装难度和封装成本。同时，本系统具有较好的散热效果，使激光器阵列模块1具有良好的光电转换率、提高了激光器阵列模块1的使用寿命。

如图1-3所示,本申请的多个激光器101可以根据需要，采用多个不同类型的激光器101，或者采用多个相同类型的激光器101。其中，不同类型的激光器101对应不同的功率。

在一个实施例中，多个激光器101均为同一类型的，每一激光器101具有一个热沉102，每个热沉102对应设置有一个TEC半导体制冷器103。也就是说，一个激光器101单独配置有一个TEC半导体制冷器103，通过驱动各个TEC半导体制冷器103工作可以调节各个激光器101的温升，此种设置的调温更加精确，散热效果更加好。

在另一个实施例中，多个激光器101设置为不同的类型，一部分激光器101共用一个TEC半导体制冷器103，另一部分激光器101单独配置有一个TEC半导体制冷器103，通过此种设置可以减少TEC半导体制冷器103的使用，降低了所需的成本。

除了根据激光器101的类型划分不同的激光器101，还可以根据激光器101的温升变化区别不同激光器101，具体地：

如图1、4所示，多个激光器101包括多个第一激光器1011和多个第二激光器1012，每相邻两个第一激光器1011之间具有至少两个第二激光器1012；

系统还包括：分配模块5，用于基于一定时间内激光器101的实测温度确定激光器101的实测温升，若实测温升超出第二预设区间，则将激光器101作为第一激光器1011；若实测温升位于第二预设区间，则将激光器101作为第二激光器1012；

第一激光器1011单独配置有一个TEC半导体制冷器103，至少两个第二激光器1012共用一个TEC半导体制冷器103。

本申请通过激光器101的实测温升大小来区分第一激光器1011和第二激光器1012，第一激光器1011为产生热量较大的激光器101，因此需要单独配置一个TEC半导体制冷器103进行散热；而第二激光器1012为产生热量较小的激光器101，因此可以将相邻的至少两个激光器101设置在同一个TEC半导体制冷器103进行散热，通过此种方式的设计既减少了TEC半导体制冷器103的数量，减低了生产成本，同时还能够具有良好的散热效果，使散热更加均匀、高效。

如图5所示，本申请还包括：

温度传感器6，用于获取激光器101预设时刻的实测温度；

计算模块7，用于根据激光器101预设时刻的实测温度以及预测温度，计算实测温度以及预测温度的差值；

优化模块8，用于判断实测温度以及预测温度的差值是否位于第三预设区间，若实测温度以及预测温度的差值超过第三预设区间，则记录激光器101的实测温度以及对应时刻的历史运行状态数据以更新数据库，并根据更新后的数据库优化深度学习模型。

本申请的温度传感器6的作用区别于现有技术用于测温以调节激光器101的温度，在本申请中，温度传感器6仅仅是对预测模块3的预测温度进行验证，如果实测温度以及预测温度的差值位于第三预设区间，此时就可以继续采用预测温度来调节激光器101的温度；如果实测温度以及预测温度的差值超过第三预设区间，则需要记录激光器101的实测温度以及对应时刻的工作状态数据以更新数据库，并根据更新后的数据库优化深度学习模型，在温度传感器6、计算模块7以及优化模块8三者的共同作用下，实现了深度学习模型的优化，提高了系统中预测温度的可靠性，减少了预测温度与实际温度的偏差，使整个系统的可靠性得到显著提高。

如图1-6所示，其中，温度传感器6可以设置为一个或者多个。

若温度传感器6只有一个时，优选的，将温度传感器6设置在激光器阵列模块1的中心或者激光器阵列模块1的最大发热区域。

如图8所示，当温度传感器6具有多个时,多个温度传感器6均分布在激光器阵列模块1的中心到边缘的15%至80%的距离范围内；且沿激光器阵列模块1的中心到边缘的方向上，温度传感器6的数量逐渐递减。

具体地，对于激光器101阵列而言，越靠近中心的激光器101发热量越大,其温升变化也会更大,因此需要更加精准、更加及时驱动TEC半导体制冷器103以使中间区域的激光器101进行调温，本申请在设置温度传感器6时，将多个温度传感器6分布在激光器阵列模块1的中心到边缘的15%至80%的距离范围内,使温度传感器6能够及时确定中间区域的激光器101的预测温度以及实测温度之间的差值，从而可以及时获取到预测温度异常的信息，以及时地优化深度学习模型，保证预测数据的准确性和可靠性(其中,激光器阵列模块1的中心到边缘的15%至80%的距离范围为如图8所示的放置区域11)。

如图3所示，本申请还包括：

液冷模块9，液冷模块9设置在激光器101靠近热沉102的一侧，且液冷模块9与TEC半导体制冷器103并列设置或层叠设置；

功率模块10，用于在TEC半导体制冷器103的功率小于阈值时，驱动液冷模块9加大循环功率。

本申请的激光器101可以通过TEC半导体制冷器103进行散热，还可以通过液冷模块9进行散热，通过将液冷模块9和TEC半导体制冷器103两者的结合，进一步加强了系统的散热效果，同时液冷模块9可以在TEC半导体制冷器103异常时，加大循环功率从而保证系统始终具有良好的散热效果，防止TEC半导体制冷器103停止工作时整个激光器101阵列过热进而影响正常工作的现象，使整个系统具有良好的稳定性，减少了安全隐患。

如图1-6所示，第一参数还包括电阻、谐振频率、发射波长或阈值电流；第二参数还包括热沉102的面积；历史运行状态数据包括激光器101的电阻、谐振频率、发射波长、阈值电流或运行时间；

和/或，调温模块4包括：

第一确定模块401，用于基于预测温度确定激光器101一定时间内的预测温升，

获取模块402，用于基于同一TEC半导体制冷器103同一时刻获取预测温升的数量，

第二确定模块403，用于若预测温升的数量为多个，则将预测温升的最大值作为调节TEC半导体制冷器103温度的最终预测温升；若预测温升的数量为一个，则将预测温升作为调节TEC半导体制冷器103温度的最终预测温升；

调节模块404，用于基于最终预测温升控制TEC半导体制冷器103调节激光器101的当前温度；

和/或，调节模块404包括：

第一驱动模块4041，用于当最终预测温升位于第一温升范围，则驱动TEC半导体制冷器103以最大功率的25％工作，使激光器101的温度恢复；

第二驱动模块4042，用于当最终预测温升位于第二温升范围，则驱动TEC半导体制冷器103以最大功率的50％工作，使激光器101的温度恢复；

第三驱动模块4043，用于当最终预测温升位于第三温升范围，则驱动TEC半导体制冷器103以最大功率的75％工作，使激光器101的温度恢复；

上报模块4044，用于当最终预测温升超出第三温升范围，则检测激光器101当前的实测温度以及获取当前运行状态数据，并将实测温度和当前运行状态数据更新至数据库。

实施例2

如图7所示，智能散热方法，应用于激光器封装系统，包括：

S1:获取一定时间内激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库，将数据库划分为训练数据和验证数据；基于训练数据对深度学习模型进行训练，并基于验证数据对训练后的深度学习模型进行验证；若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内，则输出训练后的深度学习模型；

S2:实时检测激光器的第一参数和第二参数，并将第一参数和第二参数输入至训练后的深度学习模型，以生成激光器对应的预测温度；其中，第一参数包括功率，第二参数包括运行时间；

S3:基于预测温度控制TEC半导体制冷器调节激光器的当前温度。

本申请通过对深度学习模型进行训练，并输入激光器的第一参数和第二参数预测激光器的预测温度，从而代替传统的温度传感器的检测，使整个系统更加智能化。同时通过此散热方法实现的散热效果良好，使激光器阵列模块具有良好的光电转换率、提高了激光器阵列模块的使用寿命。

智能散热方法还包括：

获取激光器预设时刻的实测温度；

根据激光器预设时刻的实测温度以及预测温度，计算实测温度以及预测温度的差值；

判断实测温度以及预测温度的差值是否位于第三预设区间，若实测温度以及预测温度的差值超过第三预设区间，则记录激光器的实测温度以及对应时刻的工作状态数据以更新数据库，并根据更新后的数据库优化深度学习模型。

本申请通过实测温度以及预测温度的比对，实现对训练的深度学习模型的实施验证，提高了系统中预测温度的可靠性，减少了预测温度与实际温度的偏差，使整个系统的可靠性得到显著提高。

“基于预测温度控制TEC半导体制冷器调整激光器的当前温度”包括：

基于预测温度确定激光器一定时间内的预测温升，

基于同一TEC半导体制冷器同一时刻获取预测温升的数量，

若预测温升的数量为多个，则将预测温升的最大值作为调节TEC半导体制冷器温度的最终预测温升；若预测温升的数量为一个，则将预测温升作为调节TEC半导体制冷器温度的最终预测温升；

基于最终预测温升控制TEC半导体制冷器调节激光器的当前温度。

通过获取到同一TEC半导体制冷器上预测温升的最大值，基于最大值调节TEC半导体制冷器温度的最终预测温升可以更好地保证激光器的散热，进而提高了系统可靠性和安全性。

“基于最终预测温升控制TEC半导体制冷器调节激光器的当前温度”包括：

当最终预测温升位于第一温升范围，则驱动TEC半导体制冷器以最大功率的25％工作，使激光器的温度恢复；

当最终预测温升位于第二温升范围，则驱动TEC半导体制冷器以最大功率的50％工作，使激光器的温度恢复；

当最终预测温升位于第三温升范围，则驱动TEC半导体制冷器以最大功率的75％工作，使激光器的温度恢复；

当最终预测温升超出第三温升范围，则检测激光器当前的实测温度以及获取当前运行状态数据，并将实测温度和当前运行状态数据更新至数据库。

通过不同的预测温升驱动TEC半导体制冷器以不同功率工作，使整个激光器阵列的散热效果更佳、更均匀，并且，当预测温升超出第三温升范围，则检测激光器此时的实测温度以及获取工作状态数据，并将实测温度和工作状态数据更新至数据库，以便于之后根据更新后的数据库优化深度学习模型。

本领域普通技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件的结合。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.激光器封装系统，其特征在于，包括：

激光器阵列模块，具有多个间隔设置且呈阵列分布的激光器，每个所述激光器上具有用于传导热量的热沉，每一所述热沉均配置有用于给所述激光器散热的TEC半导体制冷器；

训练模块，用于获取一定时间内所述激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库，将所述数据库划分为训练数据和验证数据；基于所述训练数据对深度学习模型进行训练，并基于所述验证数据对训练后的深度学习模型进行验证；若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内，则输出训练后的深度学习模型；

预测模块，用于实时检测所述激光器的第一参数和第二参数，并将所述第一参数和所述第二参数输入至训练后的深度学习模型，以生成所述激光器对应的预测温度；其中，所述第一参数包括功率，所述第二参数包括运行时间；

调温模块，用于基于所述预测温度控制所述TEC半导体制冷器调节所述激光器的当前温度。

2.根据权利要求1所述的激光器封装系统，其特征在于，多个所述激光器包括多个第一激光器和多个第二激光器，每相邻两个所述第一激光器之间具有至少两个所述第二激光器；

所述系统还包括：分配模块，用于基于一定时间内所述激光器的实测温度确定所述激光器的实测温升，若所述实测温升超出第二预设区间，则将所述激光器作为所述第一激光器；若所述实测温升位于所述第二预设区间，则将所述激光器作为所述第二激光器；

所述第一激光器单独配置有一个所述TEC半导体制冷器，至少两个所述第二激光器共用一个所述TEC半导体制冷器。

3.根据权利要求1所述的激光器封装系统，其特征在于，还包括：

温度传感器，用于获取所述激光器预设时刻的实测温度；

计算模块，用于根据所述激光器预设时刻的实测温度以及预测温度，计算所述实测温度以及所述预测温度的差值；

优化模块，用于判断所述实测温度以及所述预测温度的差值是否位于第三预设区间，若所述实测温度以及所述预测温度的差值超过第三预设区间，则记录所述激光器的实测温度以及对应时刻的所述历史运行状态数据以更新数据库，并根据更新后的数据库优化所述深度学习模型。

4.根据权利要求3所述的激光器封装系统，其特征在于，所述温度传感器具有多个,多个所述温度传感器均分布在所述激光器阵列模块的中心到边缘的15%至80%的距离范围内；且沿所述激光器阵列模块的中心到边缘的方向上，所述温度传感器的数量逐渐递减。

5.根据权利要求1所述的激光器封装系统，其特征在于，还包括：

液冷模块，所述液冷模块设置在所述激光器靠近所述热沉的一侧，且所述液冷模块与所述TEC半导体制冷器并列设置或层叠设置；

功率模块，用于在所述TEC半导体制冷器的功率小于阈值时，驱动所述液冷模块加大循环功率。

6.根据权利要求1所述的激光器封装系统，其特征在于，所述第一参数还包括电阻、谐振频率、发射波长或阈值电流；所述第二参数还包括所述热沉的面积；所述历史运行状态数据包括激光器的电阻、谐振频率、发射波长、阈值电流或运行时间；

和/或，所述调温模块包括：

第一确定模块，用于基于所述预测温度确定所述激光器一定时间内的预测温升，

获取模块，用于基于同一所述TEC半导体制冷器同一时刻获取所述预测温升的数量，

第二确定模块，用于若所述预测温升的数量为多个，则将所述预测温升的最大值作为调节所述TEC半导体制冷器温度的最终预测温升；若所述预测温升的数量为一个，则将所述预测温升作为调节所述TEC半导体制冷器温度的最终预测温升；

调节模块，用于基于最终预测温升控制所述TEC半导体制冷器调节所述激光器的当前温度；

和/或，所述调节模块包括：

第一驱动模块，用于当所述最终预测温升位于第一温升范围，则驱动所述TEC半导体制冷器以最大功率的25％工作，使激光器的温度恢复；

第二驱动模块，用于当所述最终预测温升位于第二温升范围，则驱动所述TEC半导体制冷器以最大功率的50％工作，使激光器的温度恢复；

第三驱动模块，用于当所述最终预测温升位于第三温升范围，则驱动所述TEC半导体制冷器以最大功率的75％工作，使激光器的温度恢复；

上报模块，用于当所述最终预测温升超出所述第三温升范围，则检测所述激光器当前的实测温度以及获取当前运行状态数据，并将所述实测温度和所述当前运行状态数据更新至数据库。

7.智能散热方法，应用于如权利要求1-6任一项所述的激光器封装系统，其特征在于，包括：

获取一定时间内所述激光器的实测温度以及对应时刻的历史运行状态数据以生成数据库，将所述数据库划分为训练数据和验证数据；基于所述训练数据对深度学习模型进行训练，并基于所述验证数据对训练后的深度学习模型进行验证；若验证输出的预测温度与对应的实测温度之间的差值在第一预设区间内，则输出训练后的深度学习模型；

实时检测所述激光器的第一参数和第二参数，并将所述第一参数和所述第二参数输入至训练后的深度学习模型，以生成所述激光器对应的预测温度；其中，所述第一参数包括功率，所述第二参数包括运行时间；

基于所述预测温度控制所述TEC半导体制冷器调整所述激光器的当前温度。