本发明涉及led灯具技术领域,特别是涉及一种基于人工神经网络的大功率led灯具寿命预测方法。
背景技术:
led,英文lightemittingdiode的简称,又称发光二极管。它的基本结构是一块电致发光的半导体材料,是一种固态的半导体器件,它可以直接把电转化为光。置于一个有引线的架子上,然后四周用环氧树脂密封,起到保护内部芯线的作用,所以led的抗震性能好。led的心脏是一个半导体的晶片,晶片的一端附在一个支架上,一端是负极,另一端连接电源的正极,使整个晶片被环氧树脂封装起来。发光二极管,是一种能够将电能转化为可见光的固态的半导体器件,它可以直接把电转化为光。led的心脏是一个半导体的晶片,晶片的一端附在一个支架上,一端是负极,另一端连接电源的正极,使整个晶片被环氧树脂封装起来。半导体晶片由两部分组成,一部分是p型半导体,在它里面空穴占主导地位,另一端是n型半导体,在这边主要是电子。但这两种半导体连接起来的时候,它们之间就形成一个p-n结。当电流通过导线作用于这个晶片的时候,电子就会被推向p区,在p区里电子跟空穴复合,然后就会以光子的形式发出能量,这就是led灯发光的原理。而光的波长也就是光的颜色,是由形成p-n结的材料决定的。
众所周知,led的使用寿命是其非常重要的一项参数,如何准确地预测led灯的使用寿命具有重要的现实意义。
技术实现要素:
本发明要解决的技术问题是:提供一种基于人工神经网络的大功率led灯具寿命预测方法;该基于人工神经网络的大功率led灯具寿命预测方法能够更加准确合理地对led的使用寿命进行预测。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:
一种基于人工神经网络的大功率led灯具寿命预测方法,至少包括如下步骤:
步骤101、根据具体型号ledlm80寿命测试数据,以及tm21外推公式,得到led的光通量退化曲线;
步骤102、通过插值方法,得到温度在328k~378k范围内led的光通量退化曲线;插值间距为5k;
步骤103、建立并训练led光通量、温度—寿命人工神经网络,用来预测一定光通量范围、一定温度范围内的led寿命;
步骤104、根据某型号led灯具的温度分布,预测了灯具上每颗led的l70寿命;
步骤105、预测得出led灯具的寿命,根据单颗led的寿命曲线,结合led灯具的热分布,对led灯具寿命进行评价。
进一步:所述步骤101具体为:
所述单颗led随着工作时间的增加,结温上升,导致荧光粉在较高温度下的性能衰退,使得荧光粉的量子效率减低,最终导致led的光通量下降;根据tm21外推公式,led输出光通量随时间的拟合公式表示为:
φ(t)=exp(-αtβ)(1)
式中φ(t)表示t时刻led归一化的光通量,α表示用最小二乘曲线拟合导出的衰变率常数,β为一个形参;
根据ledlm-80测试数据,得到led归一化的光通量与寿命的拟合曲线;
计算拟合曲线和原始值的均方误差:
式中yk为第k组数据的拟合结果,dk为第k组数据的测试结果。
更进一步:所述步骤102具体为:
方程(1)中的系数α表示成阿列纽斯模型(3):
式中c为一个常数,ea表示激活能,ts表示led的工作温度,kb表示玻尔兹曼常数,为8.617×10-5ev/k;
在温度ts1和ts2中间插值一个温度为ts3的加速寿命曲线,将ts1和ts2的系数α1、α2代入上式(3),得出方程组:
通过求解方程组(4)得到式中常数c和ea/kb,将插值温度ts3以及求出的c和ea/kb带入方程(3)中,得到温度为ts3时α系数的值;
曲线拟合公式(1)中的β是一个初始化常数,温度ts3下的曲线拟合初试化常数β3表示为:
式中β1为温度ts1下的曲线拟合初始化常数,β2为温度ts2下的曲线拟合初始化常数;
通过插值,得到工作电流为150ma时,不同温度下led的寿命随归一化的光通量变化的拟合曲线系数矩阵、不同温度下led的寿命随归一化的光通量变化的拟合曲线。
更进一步:所述步骤103具体为:
led的光通量下降为初试值的γ倍所经过的时间为led的寿命,根据不同温度下led的寿命与归一化的光通量之间的拟合公式(1)可以得出,不同温度下led的寿命为:
γ的取值范围为0到1。
更进一步:所述步骤104具体为:
建立led温度、光通量-寿命人工神经网络,通过训练好的网络预测任意温度范围、任意光通量范围内led的寿命;
led温度、光通量-寿命人工神经网络模型的输入为温度t和归一化的光通量φ,输出为led的寿命t;连接输入层和输出层的是隐含层;
将测试数据导入人工神经网络预测led不同温度和不同光通量下的寿命。
更进一步:所述步骤105具体为:
首先根据led光电热特性,建立led光电热人工神经网络,并预测稳态下led灯具各个led芯片的光电热参数,同时结合有限元算法计算led灯具的热分布,得出led灯具的热分布,同时通过热成像仪测出了led灯具的散热分布;
其次根据led灯具散热分布,结合第三部分建立的led温度、光通量-寿命人工神经网络,预测led路灯上每颗ledl70寿命;
最后通过对led光通量、温度-寿命人工神经网络的预测结果进行数据搜索,寻找led灯具的寿命。
本发明具有的优点和积极效果是:
通过采用上述技术方案,本文基于某型号ledlm80寿命测试数据,以及tm21外推公式,得到了led的光通量退化曲线;再通过插值方法,得到温度在328k~378k(温度梯度为5k)范围内led的光通量退化曲线。利用得到的led加速寿命曲线对led温度、光通量-寿命人工神经网络进行了训练,人工神经网络的训练结果与目标值之间的相关系数为0.99811,拟合程度非常高,所以可以用来预测温度在328k-378k范围内、归一化光通量在1-0范围内led的寿命。最后结合根据led灯具的热分布图,根据led温度、光通量-寿命人工神经网络预测了正常工作条件下,led灯具上每颗led的l70寿命,同时对led灯具的寿命进行了预测。该方法简单实用,可以根据单颗led的寿命曲线,结合led灯具的热分布,对led灯具进行寿命评价,可以为厂家提供一定的指导和参考。
附图说明
图1是本发明优选实施例的led灯具寿命预测结构框图;
图2是本发明优选实施例中归一化的光通量与寿命的拟合曲线;
图3是本发明优选实施例中归一化的光通量与寿命的插值曲线;
图4是本发明优选实施例中led温度、光通量-寿命人工神经网络图;
图5是本发明优选实施例中人工神经网络的训练结果图;
图6是本发明优选实施例中led灯具模型图;
图7是本发明优选实施例中led灯具热分布模拟结果图;
图8是本发明优选实施例中led灯具热分布测试结果图;
图9是本发明优选实施例中led灯具热分布的俯视图;
图10是本发明优选实施例在不同温度下led归一化光通量随寿命的变化曲线;
图11是本发明优选实施例对led光通量、温度-寿命人工神经网络的预测结果进行数据搜索的流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
请参阅图1至图11,一种基于人工神经网络的大功率led灯具寿命预测方法,包括如下步骤:
步骤一、led温度加速寿命曲线;
led温度加速寿命实验曲线拟合:
luxeon30302d是飞利浦公司生产的一款中功率led产品,它的热态分色标定可确保led在85℃应用条件下位于目标颜色范围之内。luxeon30302d采用业界标准尺寸封装、即6v表面贴装结构smd,大小为3.0mmx3.0mmx0.52mm,产品系列覆盖全部ansi相对色温cct,高光通量、可靠性强,尤其适合室内照明应用。基于此,本文引用飞利浦公司提供的lm-80测试数据,对该款led进行寿命分析。
随着工作时间的增加,led的结温上升,导致荧光粉在较高温度下的性能衰退,使得荧光粉的量子效率减低,最终导致led的光通量下降。根据tm21外推公式,led输出光通量随时间的拟合公式可以表示为:
φ(t)=exp(-αtβ)(1)
式中φ(t)表示t时刻led归一化的光通量,α表示用最小二乘曲线拟合导出的衰变率常数,β为一个形参。
根据ledlm-80测试数据,得到了led归一化的光通量与寿命的拟合曲线,如图2所示。图中的‘点’表示对应的归一化光通量下led的寿命测试结果,图2中分别画出了温度为328k、343k、378k时,led归一化的光通量与寿命的拟合曲线。
为了表征曲线拟合结果与测试结果的吻合程度,计算了拟合曲线和原始值的均方误差:
式中yk为第k组数据的拟合结果,dk为第k组数据的测试结果,经过计算得出,温度为328k、358k、378k时的拟合误差分别为1.9379×10-7、2.1683×10-4、1.6549×10-6,计算结果表明曲线的拟合误差很小、拟合度很高,所以可以用拟合曲线来计算led在一定归一化光通量范围内的寿命。
步骤二、led温度加速寿命曲线温度插值
方程(1)中的系数α可以表示成阿列纽斯模型(3):
式中c为一个常数,ea表示激活能,ts表示led的工作温度,kb表示玻尔兹曼常数,大小为8.617×10-5ev/k。
假设需要在温度ts1和ts2中间插值一个温度为ts3的加速寿命曲线,则将ts1和ts2的系数α1、α2代入上式,得出方程组:
通过求解方程组(4)可以得到式中常数c和ea/kb,将插值温度ts3以及求出的c和ea/kb带入方程(3)中,便可以得到温度为ts3时α系数的值。
曲线拟合公式(1)中的β是一个初始化常数,温度ts3下的曲线拟合初试化常数可β3可以表示为:
式中β1为温度ts1下的曲线拟合初始化常数,β2为温度ts2下的曲线拟合初始化常数。
通过插值,得到工作电流为150ma时,不同温度下led的寿命随归一化的光通量变化的拟合曲线系数矩阵如表1所示:
表1不同温度下的曲线拟合系数
工作电流为150ma时,不同温度下led的寿命随归一化的光通量变化的拟合曲线如图3所示。
步骤三、不同温度下led的寿命
假设led的光通量下降为初试值的γ倍所经过的时间定义为led的寿命,根据不同温度下led的寿命与归一化的光通量之间的拟合公式(1)可以得出,不同温度下led的寿命为:
一般γ取值为0.7,即灯具l70的寿命。但在实际应用中,由于应用场景的不同,l70并不是对所有的灯具都适用。为了方便模型的推广和实用,本文中γ的取值按0.02的梯度从0.6到1。根据插值结果,不同温度下led的寿命如下表所示,当γ的取值为1时,表示led的光通量没有衰减,即led的l100寿命为零,表中没有列出。
表2.不同温度下led的寿命
步骤四、led温度、光通量-寿命人工神经网络
基于阿列纽斯模型的led温度加速寿命曲线拟合公式,虽然可以推导出某一温度、某一光通量下led的寿命,但是这种方法也存在其缺陷。即在推导某一条件下led的寿命时,首先要对led温度加速寿命曲线进行温度插值,这严重限制了该方法的推广和使用。本文建立led温度、光通量-寿命人工神经网络,训练好的网络可以预测任意温度范围、任意光通量范围内led的寿命。通过优化得到的led温度、光通量-寿命人工神经网络如图4所示。
led温度、光通量-寿命人工神经网络模型的输入为温度t和归一化的光通量φ,输出为led的寿命t。连接输入层和输出层的是隐含层,图中γ(.)表示隐含层的激活函数,δ(.)表示输出层的激活函数,w(1)是连接输入层神经元和隐藏层神经元的权值和阈值,w(2)表示连接隐含层神经元与输出层神经元之间的权值和阈值。
如图5所示为人工神经网络的训练结果,由于对神经网络的输出进行了归一化处理,所以输出范围在[01]之间。训练结果与目标值之间的相关系数0.99811,所以拓扑结构为2-6-1的神经网络训练结果的拟合度非常高,可以用来预测温度范围在328k-378k,归一化光通量在0.6-1范围内led的寿命。
将测试数据导入人工神经网络预测led不同温度和不同光通量下的寿命,表3为bp人工神经网络的预测结果,分别列出了期望值、人工神经网络的预测值以及误差。结果表明,20组预测数据中误差最大为5.09%,最小为0.1%。训练网络的预测结果与实际值非常接近,说明训练好的人工神经网络可以用来预测led的寿命。
表3led寿命预测结果
步骤五.led灯具热分布模型计算及寿命预测
如图6所示为一款由luxeon30302d型号的led所组成的灯具模型,灯具主要由led灯珠阵列、pcb基板、散热器三部分组成。
首先根据led光电热特性,建立led光电热人工神经网络,并预测稳态下led灯具各个led芯片的光电热参数,同时结合有限元算法计算led灯具的热分布。得出led灯具的热分布,同时通过热成像仪测出了led灯具的散热分布,如图7~9所示;
最后根据led灯具散热分布,结合第三部分建立的led温度、光通量-寿命人工神经网络,预测led路灯上每颗ledl70寿命,结果如表4所示:
表4led灯具l70寿命预测结果
led灯具的l70寿命是指led灯具整体光通量下降到原来的70%时,led灯具的寿命。而led灯具整体光通量下降到原来的70%,等价于led灯具上的所有led光通量之和下降到原来的70%。即假设led灯具的l70寿命为t,则在t时刻所有led灯珠归一化光通量之和为40×70%。表4所示led灯具上每颗led的寿命预测结果中,寿命最长的led的l70寿命为72486小时,最短为75583小时。对led光通量、温度-寿命人工神经网络的预测结果进行数据搜索,当t=72486h时,灯具上所有led灯珠的归一化光通量都大于等于70%,故灯具的归一化光通量也大于70%;当t=75583h时,灯具上所有led灯珠的归一化光通量都小于等于70%,故灯具的归一化光通量也小于70%。所以灯具的l70寿命应该在72486~75583h,不同温度下led归一化光通量随寿命的变化曲线如图10所示。
令led灯具的l70寿命为最小值72486,对led光通量、温度-寿命人工神经网络的预测结果进行数据搜索,数据搜索框图如图11所示。图中δ0、δ1、δ2表示常数,且满足条件:
1>δ0>δ1>δ2>0(5-7)
读者可以根据时机需要设置合适的数值,直到寻找的led灯具的l70寿命满足精度需要。本文设置的led灯具的l70寿命精度为0.1,通过数据搜索得出,led灯具的l70寿命为73518h。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。