[发明专利]一种应用于大功率激光器的老练筛选方法

权利要求书

1.一种应用于大功率激光器的老练筛选方法，其特征在于，包括以下具体步骤：

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，记为原始数据集A；

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；使用数据集B并通过硬负样本策略，训练深度学习模型ANN1；

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，使用ANN1对各组样本进行预测并统计组内预测准确率；设置各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；将每组样本重构成为一个新样本并组成数据集C，重构样本信息包括老练环境信息、老练时间和准确率；

S4、使用数据集C训练深度学习模型ANN2；将遗传算法GA和训练好的ANN2相结合，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-w₁（1-out_ANN2）-w₂.t;w₁+w₂=1;out_ANN2为ANN2的输出;t为给定的老练时间;w₁和w₂分别表示为权重；

S5、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；根据当前器件的退化信息进行老练时间的在线优化并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；在线优化策略，其步骤如下所示：

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pred_pre，且pred_pre=None；

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：

S71、设置已有的老练时间为t=0，新增的老练时间为Δt=b0-Δb；

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；

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pred_cur；

S74、更新老练时间t；其中t=t+Δt；Δt=c，c为给定常数；

S75、当t≥b+Δb时，停止老练；

S76、比较pred_pre和pred_cur，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pred_pre为pred_pre=pred_cur，回到S7重新运算；比较pred_pre和pred_cur，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。

2.根据权利要求1所述的一种应用于大功率激光器的老练筛选方法，其特征在于，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；老练环境信息包括测试温度和测试电流信息。

3.根据权利要求1所述的一种应用于大功率激光器的老练筛选方法，其特征在于，硬负样本训练策略依据为：若数据集B中样本的退化数据靠近退化起始点，则不利于被识别；若样本的退化数据靠近失效点，则易于被识别。

4.根据权利要求1所述的一种应用于大功率激光器的老练筛选方法，其特征在于，硬负样本训练策略训练深度学习模型ANN1，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，在新一轮的训练中将使用HNS进行训练。