本發(fā)明涉及激光電源檢測領域，特別涉及一種激光電源組件性能檢測方法及系統(tǒng)。

背景技術：

1、激光電源是一種能夠將電能轉換為光能的裝置，廣泛應用于激光通信、激光顯示、激光切割、激光焊接等領域。為了確保激光電源的性能和可靠性，需要進行包括靜態(tài)功率測試、動態(tài)功率測試、效率測試、穩(wěn)定性測試、噪聲測試等一系列的性能測試。

2、其中，動態(tài)功率測試是評估激光電源動態(tài)功率性能的方法，目前，通常使用調光器進行測量，在測試過程中，將激光電源接入調光器和功率計，動態(tài)調節(jié)調光器的亮度，并記錄亮度讀數和功率計度數，根據獲取的亮度值與功率值對電源的額定功率、實際功率、效率等性能指標進行評估。

3、但現(xiàn)有的測試方法并未考慮到外界影響因素，如環(huán)境干擾及電池狀態(tài)等，對于測量過程的影響，導致其測量結果與真實情況之間出現(xiàn)偏差，無法真實的反映出被檢測激光電源的動態(tài)功率性能。為此，我們提出一種激光電源組件性能檢測方法及系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種激光電源組件性能檢測方法及系統(tǒng)，可以有效解決背景技術中的問題。

2、為實現(xiàn)上述目的，本發(fā)明采取的技術方案為，

3、一種激光電源組件性能檢測方法，包括：

4、將待檢測電源接入調光器和功率計，動態(tài)調節(jié)調光器的亮度，對待檢測電源由荷電狀態(tài)上限socmax持續(xù)放電至荷電狀態(tài)下限socmin過程中的性能指標參數及調光器的亮度值、環(huán)境參數、荷電狀態(tài)值進行采樣，其中，所述性能指標參數包括額定功率、實際功率、轉換效率；所述環(huán)境參數包括待檢測電源的運行溫度和所處環(huán)境的濕度；荷電狀態(tài)上限socmax的取值范圍為[0.8,0.9]，荷電狀態(tài)下限socmin的取值范圍為[0.15,0.2]；

5、采用lof算法計算所述性能指標參數中的局部離群因子，利用獲取的局部離群因子對第i項性能指標的第j個采樣值是否為異常數據進行判定，篩選并剔除性能指標參數采樣值中的異常數據，判定流程包括以下步驟：

6、分別計算采樣值與其余采樣值間的距離值，計算公式為：其中，j、q∈n，且q≠j，n為采樣數據總量；將獲取的距離值按小到大依次排序,設與采樣值距離最近的第k個元素為p∈n，且p≠j，獲取采樣值與采樣值的第k距離值，其中，；

7、根據第k距離值確定元素的第k距離鄰域；

8、獲取采樣值的第k可達距離，其中，，為采樣值的第k可達距離；為取、中的最大值操作；為采樣值與第k距離鄰域中所有元素間的距離值集合；

9、獲取采樣值的局部可達密度，其中，局部可達密度的定義為：根據獲取的局部可達密度計算采樣值的局部離群因子，計算公式為：式中，為采樣值的局部離群因子；

10、利用獲取的局部離群因子對采樣值的異常情況進行判定，判定原則為：

11、當＞1，?表示采樣值可能是異常數據，且當值越大時，數據異常程度可能性越大；

12、當?接近1，?表示采樣值可能和鄰域點屬于同一簇，是正常數據；

13、當＜1，?表示采樣值是密集數據點；

14、將經過篩選的所述性能指標參數及調光器亮度值、環(huán)境參數、荷電狀態(tài)值歸一化處理至［0，1］區(qū)間，歸一化處理公式為：式中，表示為歸一化處理后的數值；x表示為未歸一化處理前的數據值；、分別表示為未歸一化處理前的數據中的最大值和最小值，以歸一化處理后的調光器亮度值、環(huán)境參數、荷電狀態(tài)采樣值為輸入數據，以對應的歸一化處理后的性能指標參數采樣值為輸出數據，構建bp神經網絡模型，對建立的神經網絡模型進行訓練，設定網絡模型的目標誤差及最大循環(huán)次數，根據訓練結果的誤差調整模型的隱含層數量至預測準確率不低于期望值時，得到用于預測所述性能指標參數的神經網絡模型，預測準確率期望值的計算公式為，其中，表示為預測準確率期望值；表示為神經網絡的輸入樣本量；表示為神經網絡的輸出函數；表示為神經網絡的第k個輸出樣本；

15、利用構建的神經網絡模型獲取待檢測電源性能指標參數的預測值，并根據獲取的預測值計算各項性能指標參數的修正系數，計算公式為：式中，表示為神經網絡的輸入樣本量；表示為利用神經網絡模型獲取的性能指標參數的預測值，通過修正系數對性能指標參數的采樣值進行修正，獲取各項性能指標參數的修正值，計算公式為：。

16、一種激光電源組件性能檢測系統(tǒng)，包括調光器、功率計、動態(tài)調節(jié)模塊、環(huán)境參數獲取模塊、荷電狀態(tài)獲取模塊、數據處理模塊、神經網絡構建模塊、數據修正模塊；

17、所述調光器與所述待檢測電源連接，用于獲取待檢測電源由荷電狀態(tài)上限socmax持續(xù)放電至荷電狀態(tài)下限socmin過程中的調光器亮度采樣值；

18、所述功率計與待檢測電源連接，用于獲取待檢測電源由荷電狀態(tài)上限socmax持續(xù)放電至荷電狀態(tài)下限socmin過程中包括額定功率、實際功率、轉換效率的性能指標參數采樣值；

19、所述動態(tài)調節(jié)模塊用于在待檢測電源由荷電狀態(tài)上限socmax持續(xù)放電至荷電狀態(tài)下限socmin過程中，對調光器的亮度值進行動態(tài)調節(jié)；

20、所述環(huán)境參數獲取模塊用于獲取待檢測電源由荷電狀態(tài)上限socmax持續(xù)放電至荷電狀態(tài)下限socmin過程中包括待檢測電源的運行溫度和所處環(huán)境的濕度的環(huán)境參數采樣值；

21、所述荷電狀態(tài)獲取模塊用于獲取待檢測電源的荷電狀態(tài)采樣值；

22、所述數據處理模塊用于采用lof算法計算所述性能指標參數中的局部離群因子，利用獲取的局部離群因子對第i項性能指標的第j個采樣值是否為異常數據進行判定，篩選并剔除性能指標參數采樣值中的異常數據；

23、所述神經網絡構建模塊用于構建以歸一化處理后的調光器亮度值、環(huán)境參數、荷電狀態(tài)采樣值為輸入數據，以對應的歸一化處理后的性能指標參數采樣值為輸出數據的bp神經網絡模型，并對建立的神經網絡模型進行訓練，設定網絡模型的目標誤差及最大循環(huán)次數，根據訓練結果的誤差調整模型的隱含層數量至預測準確率不低于期望值時，得到用于預測所述性能指標參數的神經網絡模型；

24、所述數據修正模塊用于利用構建的神經網絡模型獲取待檢測電源性能指標參數的預測值，并根據獲取的預測值計算各項性能指標參數的修正系數，計算公式為：，式中，表示為神經網絡的輸入樣本量；表示為利用神經網絡模型獲取的性能指標參數的預測值，通過修正系數對性能指標參數的采樣值進行修正，獲取各項性能指標參數的修正值，計算公式為：；

25、所述系統(tǒng)包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序。

26、本發(fā)明具有如下有益效果，

27、與現(xiàn)有技術相比，通過對待檢測電源由荷電狀態(tài)上限socmax持續(xù)放電至荷電狀態(tài)下限socmin過程中的性能指標參數及調光器的亮度值、環(huán)境參數、荷電狀態(tài)值進行采樣，篩選并剔除性能指標參數采樣值中的異常數據進行歸一化處理，以歸一化處理后的調光器亮度值、環(huán)境參數、荷電狀態(tài)采樣值為輸入數據，以對應的歸一化處理后的性能指標參數采樣值為輸出數據，構建bp神經網絡模型并進行訓練，利用構建的神經網絡模型獲取待檢測電源性能指標參數的預測值，并根據獲取的預測值計算各項性能指標參數的修正系數，通過修正系數對性能指標參數的采樣值進行修正，獲取各項性能指標參數的修正值，本方案充分考慮到環(huán)境干擾及電池狀態(tài)等外界影響因素對于激光電源動態(tài)功率性能測量過程的影響，通過對測量結果進行修正，能夠降低測量結果與真實情況間的偏差程度，提高測量結果的準確性，從而真實的反映出被檢測激光電源的動態(tài)功率性能。