基于人工神经网络的大功率LED灯具寿命预测方法与流程

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(-αt^β)(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(-αt^β)(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。