预测模型的训练方法、电子装置、激光器诊断装置及方法与流程

1.本技术涉及焊接技术领域，特别涉及一种预测模型的训练方法、电子装置、激光器诊断装置及方法。


背景技术：

2.激光器是激光焊接机的关键部件，激光器运行数据是否正常决定着工件的加工质量，所以，在生产加工中通常需要监测激光器的加工参数，当加工参数超过预设范围值时，则通知维修人员进行维修。
3.目前，预警范围的设置通过使根据操作人员的工作经验设置，由于不同操作人员的工作经验不一致，不易形成统一的范围标准。并且，现有的激光焊接机不能提前预警或预警效果差，当加工参数超过预设范围值时，设备已经运作了一段时间，产生了许多不良品，这也会损坏激光焊接机的性能和寿命。


技术实现要素：

4.鉴于上述状况，实有必要提供一种预测模型的训练方法、电子装置、激光器诊断装置及方法，以解决上述激光焊接机预警范围标准不统一以及预警不及时的技术问题。
5.本技术一实施例提供了一种预测模型的训练方法，包括：
6.获取激光器焊接的历史运行数据，其中所述历史运行数据包括特征数据以及与所述特征数据对应的温度，所述特征数据包括电压、电流及功率中的至少一者，所述电压和所述电流为加载在所述激光器上的电压和电流，所述功率包括所述激光器发出激光的功率密度，所述温度包括所述激光器上激光束出射位置的温度和反光镜位置的温度的至少一者；
7.拆分所述历史运行数据，形成训练集及验证集，其中所述训练集为第一部分所述特征数据及对应的所述温度的集合，所述验证集为第二部分所述特征数据及对应的所述温度的集合；
8.根据所述训练集训练预设模型，得到第一模型；
9.输入所述验证集至所述第一模型，确定评价参数；
10.确定所述评价参数符合预设要求；
11.基于所述评价参数符合预设要求，确定预测模型。
12.本技术一实施例提供了一种电子装置，包括处理器和存储介质，所述存储介质包括可读指令，所述可读指令用于被所述处理器执行上述的训练方法。
13.本技术提供了一种预测模型的训练方法及执行该训练方法的电子设备，通过对激光器在焊接过程所形成的历史运行数据进行训练，形成预测模型，进而能够通过预测模型得出标准的预警区间，提供了预测模型训练的解决方案，使预警范围的形成更加依赖大数据信息，而非人员的工作经验，利于工厂实现自动化和智能化。
14.本技术一实施例提供了一种激光器诊断装置，用于确定激光器的健康状态，包括：
15.通信器，用于接收所述激光器的运行数据，其中所述运行数据包括特征数据以及
与所述特征数据对应的温度，所述特征数据包括电压、电流及功率的至少一者，所述电压和所述电流为加载在所述激光器上的电压和电流，所述功率包括所述激光器发出激光的功率密度，所述温度包括所述激光器上激光束出射位置的温度和反光镜位置的温度的至少一者；
16.处理器，耦接所述通信器，用于：
17.输入所述特征数据至预测模型得到预测温度，所述预测模型为基于对所述激光器的历史运行数据训练得到；
18.输入所述预测温度至第二模型，形成预警区间；
19.基于所述温度及所述预警区间，确定所述激光器的健康状态。
20.本技术一实施例提供了一种激光器诊断方法，用于确定激光器的健康状态，包括：
21.接收所述激光器的运行数据，其中所述运行数据包括特征数据以及与所述特征数据对应的温度，所述特征数据包括电压、电流及功率的至少一者，所述电压和所述电流为加载在所述激光器上的电压和电流，所述功率包括所述激光器发出激光的功率密度，所述温度包括所述激光器上激光束出射位置的温度和反光镜位置的温度的至少一者；
22.输入所述特征数据至预测模型得到预测温度，所述预测模型为基于对所述激光器的历史运行数据训练得到；
23.输入所述预测温度至第二模型，形成预警区间；
24.基于所述温度及所述预警区间，确定所述激光器的健康状态。
25.在一些实施例中，进一步包括：
26.确定所述特征数据的均值及标准差；
27.根据所述均值及所述标准差，标准化所述特征数据。
28.本技术提供了一种激光器诊断装置及诊断方法，通过将激光器的运行数据输入经过训练的预测模型，形成预警温度或预警区间，并比较比较采集的温度和预警温度或预警区间，确定激光器的健康状态，若激光器的健康状态为将要损坏则通知人员进行停机处理或自动调整，可避免不能提前预警导致不良品的产生。
附图说明
29.图1是本技术一实施例提供的一种预测模型的训练方法流程图。
30.图2是本技术一实施例提供的激光器发射激光焊接工件的结构示意图。
31.图3是本技术一实施例提供的形成训练集及验证集的步骤之前的方法流程图。
32.图4是本技术一实施例提供的剔除异常值的示意图。
33.图5是本技术一实施例提供的形成训练集及验证集的步骤之前的方法流程图。
34.图6是本技术一实施例提供的标准化特征数据的流程图。
35.图7是本技术一实施例提供的形成训练集及验证集的流程图。
36.图8是本技术一实施例提供的确定预测模型的流程图。
37.图9是本技术一实施例提供的得到第一模型的流程图。
38.图10是本技术一实施例提供的电子装置的架构图。
39.图11是本技术一实施例提供的激光器诊断装置的架构图。
40.图12是本技术一实施例提供的正态分布的机率分布图。
41.图13是本技术一实施例提供的激光器诊断方法流程图。
42.图14是本技术一实施例提供的标准化特征数据的流程图。
43.图15是本技术一实施例提供的形成预警区间的流程图。
44.图16是本技术一实施例提供的形成预警区间的流程图。
45.主要元件符号说明
46.激光器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
100，400
47.激光
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
10
48.工件
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
20
49.激光束出射位置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
30
50.反光镜位置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
40
51.电子装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
200
52.处理器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
210
53.存储介质
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
220
54.可读指令
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
221
55.激光器诊断装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
300
56.通信器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
310
57.处理器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
320
具体实施方式
58.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
59.需要说明的是，当一个元件被认为是“连接”另一个元件，他可以是直接连接到另一个元件或者可能同时存在居中设置的元件。当一个元件被认为是“设置在”另一个元件，他可以是直接设置在另一个元件上或者可能同时存在居中设置的元件。
60.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
61.本技术一实施例提供了一种预测模型的训练方法，包括：
62.获取激光器焊接的历史运行数据，其中历史运行数据包括特征数据以及与特征数据对应的温度，特征数据包括电压、电流及功率中的至少一者，电压和电流为加载在激光器上的电压和电流，功率包括激光器发出激光的功率密度，温度包括激光器上激光束出射位置的温度和反光镜位置的温度的至少一者；
63.拆分历史运行数据，形成训练集及验证集，其中训练集为第一部分特征数据及对应的温度的集合，验证集为第二部分特征数据及对应的温度的集合；
64.根据训练集训练预设模型，得到第一模型；
65.输入验证集至第一模型，确定评价参数；
66.确定评价参数符合预设要求；
67.基于评价参数符合预设要求，确定预测模型。
68.本技术一实施例提供了一种电子装置，包括处理器和存储介质，存储介质包括可读指令，可读指令用于被处理器执行上述的训练方法。
69.本技术提供了一种预测模型的训练方法及执行该训练方法的电子设备，通过对激光器在焊接过程所形成的历史运行数据进行训练，形成预测模型，进而能够通过预测模型得出标准的预警区间，提供了预测模型训练的解决方案，使预警范围的形成更加依赖大数据信息，而非人员的工作经验，利于工厂实现自动化和智能化。
70.本技术一实施例提供了一种激光器诊断装置，用于确定激光器的健康状态，包括：
71.通信器，用于接收激光器的运行数据，其中运行数据包括特征数据以及与特征数据对应的温度，特征数据包括电压、电流及功率的至少一者，电压和电流为加载在激光器上的电压和电流，功率包括激光器发出激光的功率密度，温度包括激光器上激光束出射位置的温度和反光镜位置的温度的至少一者；
72.处理器，耦接通信器，用于：
73.输入特征数据至预测模型得到预测温度，预测模型为基于对激光器的历史运行数据训练得到；
74.输入预测温度至第二模型，形成预警区间；
75.基于温度及预警区间，确定激光器的健康状态。
76.本技术一实施例提供了一种激光器诊断方法，用于确定激光器的健康状态，包括：
77.接收激光器的运行数据，其中运行数据包括特征数据以及与特征数据对应的温度，特征数据包括电压、电流及功率的至少一者，电压和电流为加载在激光器上的电压和电流，功率包括激光器发出激光的功率密度，温度包括激光器上激光束出射位置的温度和反光镜位置的温度的至少一者；
78.输入特征数据至预测模型得到预测温度，预测模型为基于对激光器的历史运行数据训练得到；
79.输入预测温度至第二模型，形成预警区间；
80.基于温度及预警区间，确定激光器的健康状态。
81.本技术提供了一种激光器诊断装置及诊断方法，通过将激光器的运行数据输入经过训练的预测模型，形成预警温度或预警区间，并比较比较采集的温度和预警温度或预警区间，确定激光器的健康状态，若激光器的健康状态为将要损坏则通知人员进行停机处理或自动调整，可避免不能提前预警导致不良品的产生。
82.下面结合说明书附图，对本技术的实施例作进一步地说明。
83.请参见图1，本技术实施例提出了一种预测模型的训练方法，包括：
84.s110，获取激光器焊接的历史运行数据。
85.其中，请参见图2，激光器100在输入设定的电流和电压，可发出设定功率的激光10，以对工件20进行焊接作业，激光10产生的热量会达到相对应的温度。历史运行数据是指激光器100过去的预定时间段内或者多个不同的时间点的运行数据，运行数据包括特征数据以及与特征数据对应的温度。特征数据包括电压、电流及功率中的至少一者，电压和电流为激光器10电压和电流的输入电流和输入电压，功率可以包括激光器100发出激光10的功
率密度，温度包括激光器100上激光束出射位置30的温度和反光镜位置40的温度的至少一者。
86.需要说明的是，功率密度是激光加工中最关键的参数之一，采用较高的功率密度，在微秒时间范围内，工件表层即可加热至沸点，产生大量汽化；采用较低的功率密度，工件表层温度达到沸点需要经历数毫秒，在表层汽化前，底层达到熔点，易形成良好的熔融焊接。
87.s120，拆分历史运行数据，形成训练集及验证集。
88.其中，将历史运行数据分为第一部分和第二部分，训练集为第一部分特征数据及对应的温度的集合，验证集为第二部分特征数据及对应的温度的集合。例如，历史运行数据包括功率＝(5，7，9)，对应的温度＝(80，85，90)，则其中一种形成方法是：训练集＝(5，80)和(7，85)，验证集＝(9，90)，以此完成拆分。
89.s130，根据训练集训练预设模型，得到第一模型。
90.其中，可通过xgboost机器学习算法对预设模型进行训练，从而得到第一模型。
91.其中，输入是训练集样本i＝{(x，y1)，(x2，y2)，...(xm，ym)}，最大迭代次数t，损失函数l，正则化系数λ，y；
92.输出是强学习器f(x)；
93.对迭代轮数t＝1，2，...t有：
94.1.计算第i个样本(i-1，2，..m)在当前轮损失函数l基于f
t-1
(xi)一阶导数g
ti
和二阶导数h
ti
计算所有样本的一阶导数和和二阶导数和
95.2.基于当前节点尝试分裂判定树，默认分数score＝0，g和h为当前需要分裂的节点的一阶二阶导数之和；
96.对特征序号k＝1，2...k：
97.g
l
＝0，h
l
＝0
98.将样本按特征k从小到大排列，依次取出第i个样本，依次计算当前样本放入左子树后，左右子树一阶和二阶导数和：
99.g
l
＝g
l
g
ti
，gr＝g-g
l
100.h
l
＝h
l
h
ti
，hr＝h-h
l
101.尝试更新最大的分数：
[0102][0103]
3.基于最大score对应的划分特征和特征值分裂子树。
[0104]
4.如果最大score为0，则当前判定树建立完毕，计算所有叶子区域的w
tj
得到弱学习器h
t
(x)更新强学习器f
t
(x)进入下一轮弱学习器迭代，最终得到第一模型；如果最大score不是0，则转到第2步继续尝试分裂判定树。
[0105]
可以理解，在其他的实施例中，也可采用其他算法对训练集进行训练，例如，神经网络算法。
[0106]
s140，输入验证集至第一模型，确定评价参数。
[0107]
其中，评价参数为输入验证集至第一模型后得到的输出结果，输出结果可以确定
第一模型的分类是否准确。
[0108]
s150，确定评价参数符合预设要求。
[0109]
其中，该步骤主要是判断得到的评价参数是否符合预设的要求。示例性的，预设要求为经过xgboost模型计算出的score值为最大值。
[0110]
s160，基于评价参数符合预设要求，确定预测模型。
[0111]
示例性的，经过多次迭代后的取得score最大值时对应的第一模型，且判定评价参数score符合预设要求，例如score值为0，此时对应的第一模型即为预测模型。当评价参数符合预设要求，则说明预测出的数据和理想数据之间的差异符合预设的差异范围，此时，即可确定预测模型。
[0112]
在本实施例中，通过对激光器在焊接过程所形成的历史运行数据进行训练，形成预测模型，进而能够通过预测模型得出标准的预警区间，提供了预测模型训练的解决方案，使预警范围的形成更加依赖大数据信息，而非人员的工作经验，利于工厂实现自动化和智能化。
[0113]
请参见图3，在一些实施例中，该形成训练集及验证集的步骤之前，所述训练方法进一步包括：
[0114]
s111a，基于历史运行数据，形成电压、电流、功率及温度任一的四分位数；
[0115]
s112b，根据四分位数及预设比例，确定历史运行数据中的异常值；
[0116]
s113c，剔除历史运行数据中的异常值。
[0117]
其中，在获取激光器焊接的历史运行数据后，通过四分位差法剔除历史运行数据中的异常值，以保留设备正常运作时的参数数据。
[0118]
以历史运行数据中的电压作为示例，请参见图4，计算历史运行数据中的电压中的第一四分位数q1，第三四分位数q3，以及四分位距iqr，四分位距iqr位于第一四分位数q1和第三四分位数q3之间，四分位距iqr所对应的比例为50％，超出q1-1.5*iqr到q3 1.5*iqr这个范围的电压即为异常值。
[0119]
在另一些实施例中，参见图5，该形成训练集及验证集的步骤之后，所述训练方法进一步包括：
[0120]
s111d，基于训练集及验证集，形成电压、电流、功率及温度任一的四分位数；
[0121]
s112e，根据四分位数及预设比例，确定训练集及验证集中的异常值；
[0122]
s113f，剔除训练集及验证集中的异常值。
[0123]
其中，在形成训练集及验证集后，通过四分位差法剔除训练集及验证集中的异常值，以保留设备正常运作时的参数数据。
[0124]
剔除异常值的动作可设置在拆分历史运行数据后。
[0125]
以训练集中的电压作为示例，请继续参见图4，计算训练集中的电压中的第一四分位数q1，第三四分位数q3，以及四分位距iqr，四分位距iqr位于第一四分位数q1和第三四分位数q3之间，四分位距iqr所对应的比例为50％，超出q1-1.5*iqr到q3 1.5*iqr这个范围的电压即为异常值。
[0126]
在一些实施例中，请参见图6，该训练方法进一步包括：
[0127]
s114，确定特征数据的均值及标准差；
[0128]
s115，根据均值及标准差，标准化特征数据。
[0129]
在一些实施例中，标准化的特征数据覆盖掉历史运行数据的非标准化特征数据部分，在通过该处理后的历史运行数据进行后续处理。
[0130]
其中，可通过z-score对历史运行数据中的特征数据进行标准化，以改进模型的泛化能力，例如将均值变为0，方差变为1。
[0131]
在一些实施例中，可在形成训练集及验证集，且剔除训练集及验证集中的异常值后，对训练集及验证集中的特征数据进行标准化，从而改进模型的泛化能力。
[0132]
请参见图7，在一些实施例中，该拆分历史运行数据，形成训练集及验证集的步骤，包括：
[0133]
s121，随机拆分历史运行数据为n份样本，n为整数且大于1；
[0134]
s122，随机选择n-1份样本，形成训练集，将剩余的1份样本形成验证集。
[0135]
其中，可形成多组不同样本数的训练集和验证集进行迭代训练，以提升模型的精准度。
[0136]
请参见图8，在另一些实施例中，该确定预测模型的步骤包括：
[0137]
s161，基于第一模型符合预设要求，设定第一模型的随机参数；
[0138]
s162，根据随机参数，搜索第一模型，以形成搜索结果；
[0139]
s163，确定搜索结果符合要求；
[0140]
s164，基于搜索结果符合要求，确定第一模型的最优参数；
[0141]
s165，根据第一模型和最优参数，确定预测模型。
[0142]
其中，通过随机参数优化的方法可搜索第一模型的最优参数，然后根据最优参数，形成精准度较高的预测模型。随机参数优化的方法为：在值域范围内生成足够多的可行解，然后分别计算每个可行解的代价，根据代价选择一个最小的可行解作为随机搜索的最优解，即本技术中的最优参数。需要说明的是，代价函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数；值域是确定搜索的范围。
[0143]
请参见图9，在一些实施例中，该根据训练集训练预设模型，得到第一模型的步骤，包括：
[0144]
s131，输入特征数据及对应的温度至预设模型，形成判断参数；
[0145]
s132，确定判断参数等于预设值；
[0146]
s133，基于判断参数等于预设值，形成调整集；
[0147]
s 134，根据调整集和预设模型，得到第一模型。
[0148]
其中，通过调整集对预设模型不断的进行调整，可得到精准度较高的第一模型。该判断参数示例性的为上述s165中最优参数，预设值为最优参数对应全局收敛或局部收敛时的参数。
[0149]
请参见图10，本技术实施例还提出了一种电子装置200，包括处理器210和存储介质220，存储介质220包括可读指令221，可读指令221用于被处理器210执行上述任一的训练方法。
[0150]
该电子装置200包括但不限定计算机、专用设备、数据中心、服务器等硬件设备。在一实施方式中，电子装置200可以为一个微型计算机，包括至少一个处理器210，其中，处理器210可以包括应用处理器(application processor，ap)，调制解调处理器，图形处理器(graphics processing unit，gpu)，图像信号处理器(image signal processor，isp)，控
制器，视频编解码器，数字信号处理器(digital signal processor，dsp)，基带处理器，和/或神经网络处理器(neural-network processing unit，npu)等。
[0151]
本技术提供了一种预测模型的训练方法及执行该训练方法的电子设备，通过对激光器在焊接过程所形成的历史运行数据进行训练，形成预测模型，进而能够通过预测模型得出标准的预警区间，提供了预测模型训练的解决方案，使预警范围的形成更加依赖大数据信息，而非人员的工作经验，利于工厂实现自动化和智能化。
[0152]
请参见图11，本技术实施例还提出了一种激光器诊断装置300，用于确定激光器400的健康状态，该装置包括通信器310和处理器320，处理器320执行的任务步骤可与上述训练方法中的部分记载的技术方案相同或近似。
[0153]
通信器310用于接收激光器400的运行数据；其中运行数据包括特征数据以及与特征数据对应的温度，特征数据包括电压、电流及功率的至少一者，电压和电流为加载在激光器400上的电压和电流，功率包括激光器400发出激光的功率密度，温度包括激光器400上激光束出射位置的温度和反光镜位置的温度的至少一者。
[0154]
处理器320耦接通信器310，用于：输入特征数据至预测模型得到预测温度，预测模型为基于对激光器的历史运行数据训练得到；根据所述预测温度及所述温度，确定所述激光器的健康状态。
[0155]
在一些实施例中，处理器320进一步用于：确定特征数据的均值及标准差；根据均值及标准差，标准化特征数据。
[0156]
在一些实施例中，标准化的特征数据覆盖掉运行数据的非标准化特征数据部分，在通过该处理后的运行数据进行后续处理。
[0157]
其中，可通过z-score对特征数据进行标准化，以改进模型的泛化能力，例如将均值变为0，方差变为1。
[0158]
在一些实施例中，处理器320进一步用于：输入预测温度至第二模型，以建立预测温度的标准正态分布；根据预测温度的标准正态分布，确定预测参数的第一标准偏差；基于第一标准偏差，形成第一预警区间。基于温度及第一预警区间，确定激光器的健康状态。
[0159]
在上述的实施例中，当输入激光器的预测温度至第二模型，根据预警区间可确定激光器的健康状态及是否预警，可避免不能提前预警导致不良品的产生。其中第二模型示例性为6sigma模型。也可以是直接比较预测温度与温度的大小，例如若温度大于或小于预测温度，则判断激光器健康状态为不良。
[0160]
其中，请参见图12，在实际应用上，当一组数据具有近似于常态分布的机率分布，则约68.3％数值分布在距离平均值有1个标准偏差之内的范围，约95.4％数值分布在距离平均值有2个标准偏差之内的范围，以及约99.7％数值分布在距离平均值有3个标准偏差之内的范围。透过计算标准偏差，来建立激光器400的温度预警区间，当实时激光器400的温度超过上限时发出预警。
[0161]
其中，第一标准偏差为一范围值，第一标准偏差可根据实际需要设置。例如，第一标准偏差为(-2o’，2o’)，o’为标准正态分布中的标准偏差。
[0162]
在一些实施例中，处理器320进一步用于：基于温度超过第一预警区间，确定激光器的健康状态为第一状态。其中，第一状态为需要停机的状态。
[0163]
在一些实施例中，处理器320进一步用于：根据预测参数的标准正态分布，确定预
测参数的第二标准偏差；基于第二标准偏差，形成第二预警区间，第二预警区间在第一预警区间内；基于温度超过第二预警区间，且在第一预警区间内，确定激光器的健康状态为第二状态。
[0164]
其中，第二标准偏差为一范围值，第二标准偏差可根据实际需要设置。例如，第一标准偏差为(-o’，o’)，o’为标准正态分布中的标准偏差。其中，第二状态为预警状态，此时需要维修人员对激光器400的参数进行调整。
[0165]
请参见图13，本发明实施例还提出了一种激光器诊断方法，用于确定激光器的健康状态，可搭载在上述激光器诊断装置中使用，其中的部分步骤可与上述训练方法中的部分记载的技术方案相同或近似，该诊断方法包括：
[0166]
s510，接收激光器的运行数据；
[0167]
其中运行数据包括特征数据以及与特征数据对应的温度，特征数据包括电压、电流及功率的至少一者，电压和电流为加载在激光器上的电压和电流，功率包括激光器发出激光的功率密度，温度包括图3中的激光器在运行过程中的激光束出射位置的温度和反光镜位置的温度的至少一者；
[0168]
s520，输入特征数据至预测模型得到预测温度，预测模型为基于对激光器的历史运行数据训练得到；
[0169]
s530，根据所述预测温度及所述温度，确定所述激光器的健康状态。
[0170]
请参见图14，在一些实施例中，该方法进一步包括：
[0171]
s511，确定特征数据的均值及标准差；
[0172]
s512，根据均值及标准差，标准化特征数据。
[0173]
在一些实施例中，标准化的特征数据覆盖掉运行数据的非标准化特征数据部分，在通过该处理后的运行数据进行后续处理。
[0174]
其中，可通过z-score对特征数据进行标准化，以改进模型的泛化能力，例如将均值变为0，方差变为1。
[0175]
请参见图15，在一些实施例中，该形成预警区间的步骤，包括：
[0176]
s531，输入预测温度至第二模型，以建立预测温度的标准正态分布；
[0177]
s532，根据预测温度的标准正态分布，确定预测温度的第一标准偏差；
[0178]
s533，基于第一标准偏差，形成第一预警区间。
[0179]
其中，第一标准偏差为一范围值，第一标准偏差可根据实际需要设置。例如，第一标准偏差为(-2o’，2o’)，o’为标准正态分布中的标准偏差。
[0180]
在一些实施例中，该确定激光器的健康状态的步骤，包括：
[0181]
基于温度超过第一预警区间，确定激光器的健康状态为第一状态。其中，第一状态为需要停机的状态。
[0182]
在上述的实施例中，当输入激光器的预测温度至第二模型，根据预警区间可确定激光器的健康状态及是否预警，可避免不能提前预警导致不良品的产生。其中第二模型示例性为6sigma模型。也可以是直接比较预测温度与温度的大小，例如若温度大于或小于预测温度，则判断激光器健康状态为不良。
[0183]
请参见图16，在一些实施例中，该形成预警区间的步骤，还包括：
[0184]
s534，根据预测温度的标准正态分布，确定预测温度的第二标准偏差；
[0185]
s535，基于第二标准偏差，形成第二预警区间，第二预警区间在第一预警区间内；
[0186]
s536，确定温度超过第二预警区间，且在第一预警区间之内，确定激光器的健康状态为第二状态。
[0187]
其中，第二标准偏差为一范围值，第二标准偏差可根据实际需要设置。例如，第一标准偏差为(-o’，o’)，o’为标准正态分布中的标准偏差。其中，第二状态为预警状态，此时需要维修人员对激光器400的参数进行调整。
[0188]
本技术提供了一种激光器诊断装置及诊断方法，通过将激光器的运行数据输入经过训练的预测模型，形成预警温度或预警区间，并比较比较采集的温度和预警温度或预警区间，确定激光器的健康状态，若激光器的健康状态为将要损坏则通知人员进行停机处理或自动调整，可避免不能提前预警导致不良品的产生。
[0189]
对于本领域技术人员而言，显然本技术不限于上述示范性实施方式的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施方式看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其它单元或步骤，单数不排除复数。
[0190]
最后应说明的是，以上实施方式仅用以说明本技术的技术方案而非限制，尽管参照较佳实施方式对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。