高功率光纤激光模式诊断技术研究

One of the key technical challenges in current high power fiber laser (HPFL) research is how to maintain the fundamental mode operation or preserve diffraction-limited beam quality under high-power output. This project will focus on the so-called modal diagnostic technology to study the mode coupling, mode competition and mode instability in HPFL which are all fundemantel physic issuses. The destination of our research is to find out the stable and effective mode control method in HPFL. Firstly, the theoretical model which describes the mode decompostion will be established and the simulation work will follow up, and the influence of the factors such as thermal deposition, laser spectrum-broadening on the results of beam reconstruction by mode decompostion will be analyzed. Then, the mode decomposition technique based on stochastic parallel gradient descent algorithm will be deveoped, which is proposed by us. Finally, we will apply the mode decompostion technique to diagnose the modal behaviors of actual fiber laser and construct model on the modal behaviors of HPFL to study the mode coupling, mode competition and mode instability in HPFL. If all is accomplished, this project will contribute much to the development of HPFL on rapidly measuring the beam quality, monitoring and analyzing the mode characteristics of pump combiner and gain fiber, and providing the solution to preserving or improving the beam quality.

如何在高功率情况下保持基模或者近衍射极限的光束质量是当前高功率光纤激光器（High power fiber laser,HPFL）研究领域的一项重要技术挑战。本项目将通过激光模式诊断技术深入研究HPFL中的模式耦合、模式竞争以及模式不稳定性等基本物理问题，探索如何实现稳定有效的模式控制。首先，本项目将建立模式诊断的理论模型和仿真平台，研究高功率下热效应、光谱展宽等因素对模式诊断结果的影响；然后，进一步发展和完善基于随机梯度并行下降算法的模式诊断技术，拓展模式诊断方法的适用范围；最后，将该模式诊断技术应用于诊断光纤激光器的模式特性，并且建立模型对HPFL的模式特性进行仿真分析，研究多模HPFL中涉及模式的物理问题。本项目的完成可推动模式诊断技术的发展，进行HPFL的快速光束质量测量，为增益光纤和泵浦合束器等核心部件的研制提供有效的监测和分析手段，并为提升或保持光束质量提出有效的解决方案。

如何在高功率情况下保持基模或近衍射极限的光束质量仍然是高功率光纤激光（High power fiber laser，HPFL）领域重要的研究内容，本项目以模式分解技术作为HPFL中模式诊断的工具，在模式分解、模式诊断、光束质量快速测量等方面开展了系统研究，主要研究内容和结果如下。.（1）进一步完善模式分解技术的理论基础和实现算法. 模式分解是开展模式诊断的基础，项目以随机并行梯度下降（SPGD）算法为研究的切入点，针对SPGD存在的收敛速度慢、对初值敏感、易陷入局部最优等缺点，提出了基于SPGD算法和遗传算法（GA）相结合的模式分解方法，对模式数量大于6的多模光纤激光实现了平均模式比例和相位差误差低至0.00082和0.0038的高精度模式分解。. 基于具体算法的模式分解均存在对硬件要求高、计算速度慢、分解结果受初始样本影响等缺点。为了避免具体算法的影响，开展了基于深度学习算法进行光纤激光模式分解的理论和实验研究工作，实现了对含有10个模式光纤激光的静态模式分解；在线式模式分解时最高频率可达30Hz，且仅受限于相机最大帧频。.（2）基于模式分解技术开展HPFL模式诊断研究. 基于模式分解技术实现了低数值孔径阶跃折射率光纤中模式不稳定性（MI）的动态分析，展示了模式分解技术在千瓦级HPFL模式诊断方面的应用潜力。研究结果将有助于理解HPFL中MI产生的物理机理和变化规律，该方法也可以应用于HPFL模式研究的相关领域。.（3）光纤激光光束质量快速测量技术研究. 基于深度学习算法实现了多模光纤激光光束质量的快速和实时测量。在离线式仿真中，只需利用CCD采集单幅近场光斑图像即可实现含有10个模式的光纤激光光束质量测量；在线式实验中，对含有6个模式的光纤激光实现了实时光束质量测量，测量频率超过72Hz。. 基于模式分解的模式诊断技术有望成为研究HPFL中模式耦合、模式竞争及模式不稳定性等物理问题的有利工具。