[0031] 为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
[0032] 本发明提出的一种应用于大功率激光器的老练筛选方法,包括以下具体步骤:
[0033] S1、定点采集器件分别在不同老练环境下失效过程的退化数据,将退化数据记为原始数据集A;
[0034] S2、将原始数据集A分为多个长度一定且连接的片段退化信息;将片段退化信息、老练环境信息和器件标签组成数据集B;
[0035] S3、按照相同老练环境和相同测量时间点对数据集B进行分组,得到C组样本;将C组样本的退化信息和老练环境信息分别输入硬负样本训练策略的训练深度学习模型ANN1网络中并获得C组样本的准确率,且分别设置C组样本的老练时间为该组中的最后一个测量时间点对应的时间;将老练环境信息、老练时间和准确率组成数据集D;
[0036] 其中,训练深度学习模型ANN1网络的输入是C组样本的退化信息和老练环境信息,输出是预测的样本标签(合格/不合格);
[0037] S4、将遗传算法GA和训练好的训练深度学习模型ANN2网络相结合,并输入数据集D的老练环境信息、老练时间和准确率;根据适应度函数在给定的参数空间内搜索参数最优解,最终获得最佳老练环境和老练时间;其中,适应度函数为:f=1‑w(1 1‑outANN2)‑w2.t;w1+w2=1;outANN2为ANN2的输出;t为给定的老练时间;w1和w2分别表示为权重;
[0038] 其中,训练深度学习模型ANN2网络输入是数据集D样本的老练环境信息、老练时间、准确率,输出是预测的样本标签;
[0039] 其中,遗传算法GA需要确定最优解搜索范围,用以染色体编码;具体地,需要确定包括温度、压力在内的所有老练环境参数和老练时间等各参数的取值范围;设置popular size参数,并在给定的参数状态空间下初始化种群;
[0040] S5、根据当前器件的退化信息进行在线优化策略;将待筛选的器件放入最佳老练环境中进行老练,并采集器件的退化数据;决定是否要继续老练;在线优化策略下,相邻两次的老练测试结果将被比较,若新增的老练时间没有产生有效信息,则停止老练;停止老练时,使用ANN1进行器件分类,从而筛选出合格器件。
[0041] 在一个可选的实施例中,原始数据集A中含有的信息包括老练环境信息、测量时间点、退化信息及器件标签(合格/不合格);老练环境信息包括环境的温度信息、环境的湿度信息和环境的压强信息。
[0042] 在一个可选的实施例中,数据集B中的样本在硬负样本训练策略中,若样本的退化数据靠近退化起始点,则不利于被识别;若新样本的退化数据靠近失效点,则易于被识别;为使网络进行有效学习并收敛于合适的老练时间,所以训练过程中引入了硬负样本策略。
[0043] 在一个可选的实施例中,硬负样本训练策略训练深度学习模型ANN1网络,训练过程中,在每个迭代期内,若网络对某样本的预测标签同真实标签不一样,该样本将作为硬负样本并加入硬负样本集HNS(Hard Negative Samples),在新一轮的训练中将使用HNS进行训练。
[0044] 在一个可选的实施例中,outANN2为将数据集D的个体样本信息输入ANN2网络中,并获得相应的输出;将outANN2和老练时间代入适应度函数,得到数据集D的个体的适应度f;执行选择、交叉和变异算子,得到新种群;在预设置的迭代期内,观察群体进化过程中的最优解变化,并决定是否继续迭代。
[0045] 在一个可选的实施例中,个体样本信息包括老练环境信息和老练时间信息。
[0046] 在一个可选的实施例中,在线优化策略,其步骤如下所示:
[0047] S6、以离线训练获得的最佳老练时间b0为中心,设置老练时间的区间段[b0‑Δb,b0+Δb],其中Δb为超参数;已有的器件筛选结果为predpre,且predpre=None。
[0048] S7、在区间段[b0‑Δb,b0+Δb]内调整和优化实际老练时间,具体步骤如下:
[0049] S71、设置已有的老练时间为t=0,新增的老练时间为Δt=b0‑Δb;
[0050] S72、将待筛选的器件放置在最佳老练环境中老练Δt的时间,并在老练的过程中继续采集器件的退化信息;
[0051] S73、将t+Δt时间下的各器件退化数据输入ANN1并获得相应的预测标签,预测结果记为predcur。
[0052] S74、更新老练时间t;其中t=t+Δt;Δt=c,c为给定常数;
[0053] S75、当t≥b+Δb时,停止老练;
[0054] S76、生成“继续老练的决策”:比较predpre和predcur,当二者有明显不同时,可认为新增的老练时间产生了有效的信息,应当继续老练。更新predpre为predpre=predcur,回到S7重新运算;
[0055] 生成“停止老练的决策”:比较predpre和predcur,当二者差异可以忽略时,认为新增的老练时间没有产生有效信息,停止老练。
[0056] 应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。