基于加速性能退化参数的LED集成驱动电源可靠性分析方法与流程

本发明涉及一种加速退化试验领域的可靠性分析方法，具体涉及一种基于加速性能退化参数的led集成驱动电源可靠性分析方法
背景技术：
：led应用广泛，led可靠性分析在led应用推广中至关重要。集成驱动电源作为led整灯系统的一部分，它的可靠性直接关系到led性能。因此对集成驱动电源可靠性的研究，已经成为该领域不可回避的议题。集成驱动电源是一种高度集成的系统，由集成子模块和少数分立元器件组成。目前已有的研究多是基于单一元器件的可靠性分析，且不涉及具体的工程应用背景。一方面驱动电源是一个整体，设计者在设计过程中必然考虑到一定的容错性，因此任何一个元器件的失效都无法表征驱动电源整体失效。另一方面对于服务于不同对象的驱动电源，判断其可靠性的标准及失效机理必有差异。相比于突发性失效的研究方法，led集成驱动电源作为一种长寿命高可靠性产品，基于性能退化信息预测寿命及可靠度则成为一种有效途径。目前性能退化主要有两种思路，一是将性能退化量随时间变化的随机过程各样本函数称为退化轨迹,基于退化轨迹进行预测。该方法能够对单个样本的退化轨迹描述得比较精确,但是缺乏对样本总体退化规律在宏观上的统计描述。二是将性能退化量在不同时刻所服从分布的参数看作随机变量,基于退化量分布进行预测。该方法能够对所有样本退化的统计规律进行宏观描述。综上所述，现有的驱动电源可靠性分析方法缺乏实际工程应用背景，选择参数不具有整体代表性的问题，因而无法得出led集成驱动电源在整灯寿命中的影响结果。技术实现要素：为了解决现有技术中存在的问题，本发明提供了一种基于加速性能退化参数的集成驱动电源可靠性分析方法。利用基于winner过程的统计模型及bayes分布下的平均寿命模型，结合极大似然估计法及mcmc方法对模型参数进行识别，得到led集成驱动电源的可靠性指标及对整灯寿命的影响结果。本发明解决技术问题所采用的技术方案如下：基于加速性能退化参数的led集成驱动电源可靠性分析方法，包括如下步骤：步骤一，根据对led集成驱动电源的加速寿命试验方案，确定应力施加方式、应力施加类型、应力施加强度、单应力或多应力；加入led光通量老化试验作为辅助试验；步骤二，记录试验样本的输入输出参数，包括：输出电流、输出电压、输出功率、输入电流和输入电压；在辅助试验中，记录同型号同批次样本的光通量衰减情况；步骤三，利用基于sperman相关系数的daniel检验方法对长期记录数据变化趋势进行分析，同时结合各强度单应力施加条件下的短时记录数据选择性能退化参数；步骤四，为了获得led集成驱动电源的可靠性指标，建立基于加速退化电参数的wiener过程统计模型；根据具体实验设计选择合理的辅助模型，包括对应温度应力的阿伦尼乌斯模型，bayes寿命分布模型；并给出基本假定，然后对假定进行检验；依据实验数据和所建模型，运用极大似然估计法和马尔科夫链蒙特卡洛方法(mcmc)，对模型中的待定系数进行估计；步骤五，利用基于加速退化电参数的wiener过程统计模型进行可靠性分析，获取led整灯寿命周期特征指标，计算led集成驱动电源的失效概。本发明的有益效果是：结合实际工程应用：本发明首次结合市场实际应用led集成驱动电源，进行驱动电源的可靠性分析，以及对整灯寿命的影响分析。依据实际数据及理论计算选择退化参数：传统的研究方法依据市场回馈，多选择电容作为性能退化参数。然而随着设计工艺改进，在实际试验过程中发现采用电容突发失效进行可靠性分析，这一途径是行不通的。对于采用恒流驱动方式的led驱动电源，输出电流无论是实际实验记录还是理论计算结果，都不失为最佳参数。相比根据仿真结果选择参数，在理论上更具说服力。改进的模型参数辨识方法：极大似然估计法假定参数未知，但是某一确定值，该方法简单易行。但在工程实际中，退化量分布参数是变化的。mcmc方法正是在考虑退化量分布参数变化的随机性和周期性前提下产生的。但mcmc方法需要在参数预测前给出专家分布，专家分布的准确程度直接决定最终辨识结果的可信度。本发明结合两种辨识方法，将极大似然估计法的结果作为退化量分布参数的分布参数，然后在进行mcmc估计。实际证明该方法不但给出模型参数的值，而且给出参数分布，从而提高了结果的可靠度。建立模型参数与应力水平之间的关系：在加速退化试验中，退化量分布中的不同参数与应力水平大小的关系也不相同，本发明结合工程实际情况，根据现有阿伦尼乌斯加速模型，建立不同参数(均值和方差)与应力水平大小的关系。附图说明图1是可靠性分析的工作流程框图图2是马尔可夫链的迭代轨迹图图3是估计参数的核密度图4是三种温度应力下的可靠度曲线图5是应力、失效阈值与bayes分布平均寿命的关系图具体实施方式下面结合附图和实施例对本发明做进一步详细说明。本发明提供了一种基于加速性能退化参数的led集成驱动电源可靠性分析方法，结合工程实际改进模型及参数辨识方法——实现对led集成驱动电源的可靠性分析和对整灯寿命影响分析。具体步骤如下：1)加速性能退化参数选择加速性能退化参数的选择是基于加速试验长期记录数据和各强度单温度应力下的短时记录数据。短时记录数据是为了得出施加应力强度与板级输出参数之间的关系，验证施加温度应力的可行性；长时数据记录是为了给出在相同温度应力下不同类型的板级输出参数受其影响的程度。为了定量的给出三组电参数的变化趋势，引用基于sperman相关系数的daniel检验方法。对于显著水平α，由时间序列xt计算(t,rt)，t＝1,2,l,n的spearman秩相关系数qs，若|t|＞tα/2(n-2)，则拒绝h0，认为序列非平稳。且当qs＞0时，认为序列有上升趋势；qs＜0时，认为序列有下降趋势，|qs|值越大趋势越明显。又当|t|≤tα/2(n-2)时，接受h0，可以认为xt是平稳序列。表1各参数检验结果输出电流(iout)输出电压(vout)输出功率(pout)t统计量值t-18.4096-14.3079-10.9165上a/2分位点的值1.98331.98331.9833qs-0.8757-0.8156-0.73242)分布的选择及检验本发明是基于性能退化参数的可靠性分析，大部分样品在截尾实验中并没有完全失效，且单个样品的退化过程表现出一定的随机性。因此本文通过对驱动电源输出电流退化增量的研究，建立电流退化增量正态分布统计模型。对于一组温度加速应力水平s1,s2,...,sk，设第i个样品的第j次测量即时刻tkij退化量为xkij(k＝1,...,k；i＝1,...,m；j＝1,...,n)，令δdkij＝xkij-xkij-1,δtkij＝tkij-tkij-1。首先对δdkij进行正态分布校验，本发明利用单样本k-s检验法，检验结果见表2。表2120℃电流退化增量的k-s检验结果a.检验分布为正态分布。b.根据数据计算得到。3)模型建立在失效数据满足正态分布的前提下，进行所有样本数据的统计建模，该模型从样本整体出发基于wiener过程建立模型。(维纳过程增量的分布只与时间差有关，所以它是齐次的独立增量过程，它也是正态过程。其分布完全由它的均值函数与自协方差函数所确定。)样品在恒定应力的作用下，其性能退化参数在逐渐累积衰退，在每一个极短的时间间隔内样品的退化增量是一个随机变量，该值受到样品制造工艺影响。假设该值为yp(p＝1,2,...,p)，并设yp为独立同分布，其均值为μy方差为一般认为方差和应力无关，均值和应力相关。这里认为输出电流的累积退化量，即为单位时间退化增量的线性叠加。即损伤模型函数为1，累计损伤函数为单位正比函数。根据中心极限定理，当n很大时，δdkij的分布收敛于正态分布(这与实际检验结果相一致)，显然t时刻退化增量δdkij(t)的均值函数和方差函数分别为：μd(t)＝e[δdkij(t)]＝μygτ(t)(2)另α＝μy，当不考虑其他因素影响时，α和温度应力相关(在理想单应力条件下，不同的应力水平单位时间内造成的退化增量大小μy受应力s影响)，β2则是和应力无关的参数。当以温度作为加速应力时，使用arrhenius加速模型(加速退化方程描述了退化量与应力水平之间的关系)：α＝aexp[b/(273+t)](4)由正态分布检验结果可知，退化增量服从正态分布，即这里c(g)是累积损伤函数。当失效阈值为ω，累计损伤函数c(x)＝x，且初始累积退化量为0时，其累积失效概率函数为：当对性能退化参数进行等间隔测量时，τ(t)＝t为常数。将公式(4)代入公式(6)得。针对bayes分布平均寿命，当不考虑产品是以某一种确定随机过程发生退化时，假设不同应力水平下不同试验样品的采样周期固定且均为δt时，当在某一应力水平sk下的第i个样品的第j次测量周期内的退化量时，则应力水平sk下的bayes分布函数为：其中，为失效阈值。4)模型参数辨识常用的参数估计法有极大似然估计法，最大后验估计法和贝叶斯估计法。其中极大似然估计法是最简单的形式，其假定参数虽然未知，但是确定值，只需找到样本对数似然分布最大的参数。对于一组加速应力水平s1,s2,...,sk，设第i个样品的第j次测量即时刻tkij退化量为xkij(k＝1,...,k；i＝1,...,m；j＝1,...,n)，令δdkij＝xkij-xkij-1,δtkij＝tkij-tkij-1根据wiener过程的独立增量性质有δdkij:n(αkδtkij,β2δtkij)。对公式(8)所示的似然函数两边取自然对数得到式(9)，由极大似然估计原理得到式(10)。根据实验数据通过解该方程组得到a，b以及β。于是就得到了以时间和应力水平为变量的产品退化的失效分布以上是基于产品退化的wiener过程所推导的加速寿命试验中的失效分布。5)模型的改进以上模型推导过程中，认为只有性能退化增量均值受限于应力，而性能退化增量的离散度与应力无关。依据这一思想建立的传统模型只能适用于应力在小范围内变化的情况，而加速寿命试验最终是想根据加速应力下的退化数据外推出常温下的产品可靠性情况，因此需要建立一个适用于应力在大范围内变化的模型。由于本发明的应力是温度，所以根据阿伦尼乌斯模型，建立性能退化增量均值和方差的模型。如下利用最小二乘法，根据已有数据求出上式待定系数。将公式(15)代入公式(13)得公式(16)，即b-s分布平均寿命与失效阈值和温度应力之间的函数关系式。将公式(15)代入公式(17)得bayes分布下，与温度应力及失效阈值相关的累计失效概率函数如公式(18)。6)改进的模型参数辨识方法考虑退化量分布参数变化随机性和周期性的前提下，本发明改进已有参数辨识方法。首先通过基于小子样的极大似然粗估计法给出mcmc验前分布，然后利用mcmc方法适用于小子样的特点进行参数估计，最后给出待估参数的分布情况。mcmc的典型方法是metropolis-hastings算法和吉布斯抽样，后者是前者的一个特例，吉布斯算法将抽样中分布用完全条件分布代替，并以概率1接受建议值x*。设x为n维向量，则gibbs抽样算法描述如下：初始化：选择初始参数向量x0迭代：在第k次迭代中，做：(1)从{1,2,…,n}中完全随机选择指标p；(2)从条件分布抽取随机变量yp；(3)定义基于120℃温度应力下的前40个小样本实验数据，运用改进的参数辨识方法，进行模型参数辨识结果如下。本发明给出参数的先验分布为：a～n(0,0.0012)、b～n(0,0.0012)以及τ～g(0.001,0.012)，同时构建3条马尔可夫链，利用gibbs抽样迭代11000次，取前1000次作为燃烧期。表3参数辨识结果nodemeansdmcerror2.50％97.50％mu0.20090.4630.006274-0.69421.164sigma3.3020.36910.0041472.6754.117三条马尔可夫链的迭代轨迹见图2，不难看出，三条链几乎重合，可近似判断达到稳态。估计参数的核密度满足单峰值分布见图3。7)获取整灯寿命指标，计算集成驱动电源失效概率依以上方法最终得出80℃，100℃和120℃温度应力下的可靠度曲线见图4。本发依据辅助实验中记录的光通量衰减数据求出的衰退系数，在定义失效判据为光通量衰减到初始值的70％的前提下计算出个体样本加速寿命。然后构建威布尔寿命分布模型，通过模型转换进行分布统计检验。最后求出模型参数，给出特征寿命。因为此处并非本发明研究重点，所以不给出详细计算过程，只给出最终整灯寿命周期指标。将集成驱动电源单独置于常温试验环境下，整灯放在80℃试验环境下，最终计算出的特征寿命为6556小时。为计算方便，这里向上取6396h＝24h×17×17作为整灯寿命特征指标。表4驱动电源在整灯寿命周期内的可靠度和bayes分布下产品的平均寿命。温度应力(℃)80100120平均无故障时间大于6396h概率99.96％99.03％90.54％平均无故障时间大于9600h概率99.56％95.97％80.94％b-s分布下产品平均寿命(h)468583384325680由表格数据可以看出，在整灯寿命周期内驱动电源的累计失效概率极低，可靠度极高。通过建立模型参数与应力水平之间的关系，最终可以得出应力、失效阈值与bayes分布平均寿命的关系如图5所示。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页12