一种激光电源组件性能检测方法及系统与流程
本发明涉及激光电源检测领域，特别涉及一种激光电源组件性能检测方法及系统。
背景技术：
1、激光电源是一种能够将电能转换为光能的装置，广泛应用于激光通信、激光显示、激光切割、激光焊接等领域。为了确保激光电源的性能和可靠性，需要进行包括静态功率测试、动态功率测试、效率测试、稳定性测试、噪声测试等一系列的性能测试。
2、其中，动态功率测试是评估激光电源动态功率性能的方法，目前，通常使用调光器进行测量，在测试过程中，将激光电源接入调光器和功率计，动态调节调光器的亮度，并记录亮度读数和功率计度数，根据获取的亮度值与功率值对电源的额定功率、实际功率、效率等性能指标进行评估。
3、但现有的测试方法并未考虑到外界影响因素，如环境干扰及电池状态等，对于测量过程的影响，导致其测量结果与真实情况之间出现偏差，无法真实的反映出被检测激光电源的动态功率性能。为此，我们提出一种激光电源组件性能检测方法及系统。
技术实现思路
1、本发明的主要目的在于提供一种激光电源组件性能检测方法及系统，可以有效解决背景技术中的问题。
2、为实现上述目的，本发明采取的技术方案为，
3、一种激光电源组件性能检测方法，包括：
4、将待检测电源接入调光器和功率计，动态调节调光器的亮度，对待检测电源由荷电状态上限socmax持续放电至荷电状态下限socmin过程中的性能指标参数及调光器的亮度值、环境参数、荷电状态值进行采样，其中，所述性能指标参数包括额定功率、实际功率、转换效率；所述环境参数包括待检测电源的运行温度和所处环境的湿度；荷电状态上限socmax的取值范围为[0.8,0.9]，荷电状态下限socmin的取值范围为[0.15,0.2]；
5、采用lof算法计算所述性能指标参数中的局部离群因子，利用获取的局部离群因子对第i项性能指标的第j个采样值是否为异常数据进行判定，筛选并剔除性能指标参数采样值中的异常数据，判定流程包括以下步骤：
6、分别计算采样值与其余采样值间的距离值，计算公式为：其中，j、q∈n，且q≠j，n为采样数据总量；将获取的距离值按小到大依次排序,设与采样值距离最近的第k个元素为p∈n，且p≠j，获取采样值与采样值的第k距离值，其中，；
7、根据第k距离值确定元素的第k距离邻域；
8、获取采样值的第k可达距离，其中，，为采样值的第k可达距离；为取、中的最大值操作；为采样值与第k距离邻域中所有元素间的距离值集合；
9、获取采样值的局部可达密度，其中，局部可达密度的定义为：根据获取的局部可达密度计算采样值的局部离群因子，计算公式为：式中，为采样值的局部离群因子；
10、利用获取的局部离群因子对采样值的异常情况进行判定，判定原则为：
11、当＞1，表示采样值可能是异常数据，且当值越大时，数据异常程度可能性越大；
12、当接近1，表示采样值可能和邻域点属于同一簇，是正常数据；
13、当＜1，表示采样值是密集数据点；
14、将经过筛选的所述性能指标参数及调光器亮度值、环境参数、荷电状态值归一化处理至［0，1］区间，归一化处理公式为：式中，表示为归一化处理后的数值；x表示为未归一化处理前的数据值；、分别表示为未归一化处理前的数据中的最大值和最小值，以归一化处理后的调光器亮度值、环境参数、荷电状态采样值为输入数据，以对应的归一化处理后的性能指标参数采样值为输出数据，构建bp神经网络模型，对建立的神经网络模型进行训练，设定网络模型的目标误差及最大循环次数，根据训练结果的误差调整模型的隐含层数量至预测准确率不低于期望值时，得到用于预测所述性能指标参数的神经网络模型，预测准确率期望值的计算公式为，其中，表示为预测准确率期望值；表示为神经网络的输入样本量；表示为神经网络的输出函数；表示为神经网络的第k个输出样本；
15、利用构建的神经网络模型获取待检测电源性能指标参数的预测值，并根据获取的预测值计算各项性能指标参数的修正系数，计算公式为：式中，表示为神经网络的输入样本量；表示为利用神经网络模型获取的性能指标参数的预测值，通过修正系数对性能指标参数的采样值进行修正，获取各项性能指标参数的修正值，计算公式为：。
16、一种激光电源组件性能检测系统，包括调光器、功率计、动态调节模块、环境参数获取模块、荷电状态获取模块、数据处理模块、神经网络构建模块、数据修正模块；
17、所述调光器与所述待检测电源连接，用于获取待检测电源由荷电状态上限socmax持续放电至荷电状态下限socmin过程中的调光器亮度采样值；
18、所述功率计与待检测电源连接，用于获取待检测电源由荷电状态上限socmax持续放电至荷电状态下限socmin过程中包括额定功率、实际功率、转换效率的性能指标参数采样值；
19、所述动态调节模块用于在待检测电源由荷电状态上限socmax持续放电至荷电状态下限socmin过程中，对调光器的亮度值进行动态调节；
20、所述环境参数获取模块用于获取待检测电源由荷电状态上限socmax持续放电至荷电状态下限socmin过程中包括待检测电源的运行温度和所处环境的湿度的环境参数采样值；
21、所述荷电状态获取模块用于获取待检测电源的荷电状态采样值；
22、所述数据处理模块用于采用lof算法计算所述性能指标参数中的局部离群因子，利用获取的局部离群因子对第i项性能指标的第j个采样值是否为异常数据进行判定，筛选并剔除性能指标参数采样值中的异常数据；
23、所述神经网络构建模块用于构建以归一化处理后的调光器亮度值、环境参数、荷电状态采样值为输入数据，以对应的归一化处理后的性能指标参数采样值为输出数据的bp神经网络模型，并对建立的神经网络模型进行训练，设定网络模型的目标误差及最大循环次数，根据训练结果的误差调整模型的隐含层数量至预测准确率不低于期望值时，得到用于预测所述性能指标参数的神经网络模型；
24、所述数据修正模块用于利用构建的神经网络模型获取待检测电源性能指标参数的预测值，并根据获取的预测值计算各项性能指标参数的修正系数，计算公式为：，式中，表示为神经网络的输入样本量；表示为利用神经网络模型获取的性能指标参数的预测值，通过修正系数对性能指标参数的采样值进行修正，获取各项性能指标参数的修正值，计算公式为：；
25、所述系统包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
26、本发明具有如下有益效果，
27、与现有技术相比，通过对待检测电源由荷电状态上限socmax持续放电至荷电状态下限socmin过程中的性能指标参数及调光器的亮度值、环境参数、荷电状态值进行采样，筛选并剔除性能指标参数采样值中的异常数据进行归一化处理，以归一化处理后的调光器亮度值、环境参数、荷电状态采样值为输入数据，以对应的归一化处理后的性能指标参数采样值为输出数据，构建bp神经网络模型并进行训练，利用构建的神经网络模型获取待检测电源性能指标参数的预测值，并根据获取的预测值计算各项性能指标参数的修正系数，通过修正系数对性能指标参数的采样值进行修正，获取各项性能指标参数的修正值，本方案充分考虑到环境干扰及电池状态等外界影响因素对于激光电源动态功率性能测量过程的影响，通过对测量结果进行修正，能够降低测量结果与真实情况间的偏差程度，提高测量结果的准确性，从而真实的反映出被检测激光电源的动态功率性能。
技术特征：
1.一种激光电源组件性能检测方法，其特征在于，包括：
2.根据权利要求1所述的一种激光电源组件性能检测方法，其特征在于，性能指标参数采样值中的异常数据判定流程包括以下步骤：
3.根据权利要求1所述的一种激光电源组件性能检测方法，其特征在于，所述性能指标参数包括额定功率、实际功率、转换效率；
4.根据权利要求1所述的一种激光电源组件性能检测方法，其特征在于，数据归一化处理公式为：式中，表示为归一化处理后的数值；x表示为未归一化处理前的数据值；、分别表示为未归一化处理前的数据中的最大值和最小值。
5.根据权利要求1所述的一种激光电源组件性能检测方法，其特征在于，预测准确率期望值的计算公式为，其中，表示为预测准确率期望值；表示为神经网络的输入样本量；表示为神经网络的输出函数；表示为神经网络的第k个输出样本。
6.根据权利要求1所述的一种激光电源组件性能检测方法，其特征在于，荷电状态上限socmax的取值范围为[0.8,0.9]，荷电状态下限socmin的取值范围为[0.15,0.2]。
7.一种激光电源组件性能检测系统，其特征在于，包括调光器、功率计、动态调节模块、环境参数获取模块、荷电状态获取模块、数据处理模块、神经网络构建模块、数据修正模块；
8.根据权利要求7所述的一种激光电源组件性能检测系统，其特征在于，所述系统包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现权利要求1-6中任一项所述方法的步骤。
技术总结
本发明公开了一种激光电源组件性能检测方法及系统，涉及激光电源检测领域。通过对待检测电源由荷电状态上限SOC<subgt;max</subgt;持续放电至荷电状态下限SOC<subgt;min</subgt;过程中的性能指标参数及调光器的亮度值、环境参数、荷电状态值进行采样，筛选并剔除性能指标参数采样值中的异常数据进行归一化处理，以归一化处理后的调光器亮度值、环境参数、荷电状态采样值为输入数据，以对应的归一化处理后的性能指标参数采样值为输出数据，构建BP神经网络模型并进行训练，利用构建的神经网络模型获取待检测电源性能指标参数的预测值，并根据获取的预测值计算各项性能指标参数的修正系数，通过修正系数对性能指标参数的采样值进行修正，获取各项性能指标参数的修正值。
技术研发人员：戴畅,陈延明,黄修江,张振伟
受保护的技术使用者：深圳市联明电源股份有限公司
技术研发日：
技术公布日：2024/12/5