本发明涉及led光源散热技术领域，特别涉及到一种开缝式翅片结构参数的优化方法。
背景技术：
随着led技术的飞速发展，led相比于普通白炽灯的优势越来越明显——节能环保、寿命长、发光效率高、性价比高等，使得led备受关注，应用领域越来越广。但是led发热量大，在工作过程中会使得led结温不断升高，而高温不仅会减少led的使用寿命，而且会使得led的光谱发生偏移，这对led的应用是十分致命的，散热问题成为led产业更进一步的大障碍，国内外针对散热问题也提出了多种优化方法。
在被动散热方面，发明了多种散热结构，如板翅式散热结构、曲线型散热结构、角度型散热结构，增大了结构的散热面积，从而增强了散热性能；在授权号为cn205669798u的专利中，冯鹏等人设计了一种翅式散热器结构，各翅片顶端配置在同一弧面，翅片厚度设计在1.5mm—2.5mm，翅片高度在40mm—60mm，使得散热更加均匀；在授权号为cn102661596a的发明专利中，李劲松等人设计了正六边形集簇式散热片结构，并设计成上下贯通结构，避免了涡流的出现，加快了热量的发散；在授权号为cn201748364u的实用新型专利中，秦彪优化了肋片的高度与肋片间隙的取值范围，并采用太阳花式散热片结构来增强自然对流效果；kemalfurkansokmen等人设计了一种圆柱式翅片结构来增强散热效果，并通过计算分析得出了最优的圆柱翅片结构；王乐等人在板翅散热器的结构上进行开缝的设计，并通过实验证明了开缝式比板翅式散热效果更好，但并未在开缝式结构上进行优化设计；在主动散热方面，研究人员又发明出风冷、水冷、半导体制冷、化学制冷等方式来增强散热结构的性能。
在结构优化过程中，会获得大量的实验数据，一般都要对数据进行数学建模，得到优化参数和优化目标之间的关系，并应用优化算法来获得最优的结构参数。常用数学模型为神经网络模型，包括bp神经网络模型和rbf网络模型等。本发明采用的是rbf网络模型，它具有很强的非线性拟合能力，自学习能力强，稳定性好。在优化算法一方面，常用优化算法有梯度下降法、牛顿法和启发式优化算法。本发明采用的是粒子群算法，它实现简单、收敛速度快、精度高，满足优化的要求。
技术实现要素：
本发明的目的，即提出一种方法可以得到最优的一种开缝翅式散热结构，解决散热不足的问题；
为实现目的，本发明所采用的技术方案：
一种开缝式翅片分布结构的散热结构，主要包括led、黏合剂、芯片载体、mcpcb（金属印刷电路板）、散热基板和翅片。散热基板的大小在实验中是固定的，翅片以开缝的形式均匀的分布在散热基板上，一方面可以增大散热面积，同时有利于空气的流动，便于散热。
本发明基于开缝式翅片分布结构加以优化设计，优化的具体参数有翅片的数量、翅片的长、宽、高，led结温是优化的评价指标，为了确定最优的散热结构，需先确定结构参数与led结温的模型关系，然后再通过算法寻出使得led结温最小的结构参数。
首先，确定翅片的数量。确定翅片数量可以确定翅片的分布结构，建立同一高度下不同翅片个数的模型，测量led结温，再辅以不同高度下不同翅片个数与led结温的关系，以其中led结温最低的结构确定为所选的翅片数量以及翅片分布。
然后，建立翅片结构参数与led结温间的模型关系。在上一步确定的翅片分布结构，以正交实验的方式仿真出翅片长、宽、高与led结温之间的测试数据，但单从数据上并不能很好的反映出它们之间的关系，基于这些数据，选取如rbf的神经网络结构来建立结构参数与led结温之间的数学模型关系，此神经网络需很好的模拟出结构参数与led结温之间的非线性关系。
最后，对结构参数进行寻优。建立结构参数与led结温之间的数学模型之后，利用如粒子群等寻优算法来找出此模型中使得led结温最小的结构参数，并将此结构参数作为翅片的最优结构参数。
与现有技术相比，本发明的有益效果为：
（1）通过开缝式翅片分布结构，不仅增大了散热面积，而且削弱了翅片对气流的阻碍作用，增强了散热效果，另外，开缝式结构相比于板式翅片结构节约了材料，降低了设计成本。
（2）实际寻优过程中，不可能给每一种结构都做仿真实验，这工作量十分庞大，通过部分仿真结果，利用神经网络进行数学建模，得到输入与输出的关系，再通过寻优算法进行寻优，得到最优的结构，这样不仅减少了工作量，并且可以通过数据预测未仿真的结构，使得获得的最优结构更具有说服力。
附图说明
图1散热结构组成
附图标记说明：①、led芯片；②、黏合剂；③、芯片载体；④、mcpcb；⑤、散热基板；⑥、翅片。
图2散热结构三维图以及结构参数；
图3散热效果图；
图4翅片个数与led结温的关系；
（a）同一高度下翅片个数与led结温的关系；
（b）不同高度下翅片个数与led结温的关系。
具体实施方式
下面将结合其中一个实例和附图对本发明做一个详细的说明。
本发明在自然对流的基础上，采用开缝式翅片结构，应用优化算法来获得最优的结构参数。本发明的散热结构如图1所示，包括有led芯片①、黏合剂②、芯片载体③、mcpcb④、散热基板⑤和开缝式翅片⑥。led芯片型号为3528型，led材料为ingan（铟氮化镓），芯片载体为aln（氮化铝），黏合剂为eutectic（共晶胶），mcpcb材料为铜，散热基板和翅片材料则均为铝。当led工作时，芯片产出大量的热，使得led结温升高，另外一部分热量通过黏合剂和芯片载体传递到mcpcb和散热基板上，再通过翅片传递到空气中去，实现了散热的效果。
本实例采用的mcpcb和散热基板大小为长6cm，宽5cm，高度分别为1mm和2mm，翅片均匀地分布在整个基板上，整个散热结构三维图如图2所示。
确定翅片的个数以及分布结构。首先建立同一高度下不同翅片个数的模型，通过仿真ansys软件测出各个模型的led结温，仿真散热效果图如图3所示，同一高度下翅片个数与led结温的结果如图4（a）所示；然后再建立不同高度下个数与结温的关系，结果如图4（b）所示，确认出最优的翅片个数与分布结构。经仿真实验测得，本实例的最优个数结构为64个，结构为8*8分布。
确定个数以及分布结构之后，需先确定出长l、宽w、高h大致的取值范围。先给高大范围取值，建立模型，通过仿真软件给各个高度模型仿真测温，取出包含最低温度的一个高度取值范围，然后在这个取值范围内微调高度值，取多组高度模型，然后测出不同高度下的led结温值。经仿真测试，本实例高度取值范围为45mm—60mm。长和宽的范围确定与确定高取值范围的方法相同，在本实例中长取值为2.25mm—8mm，宽取值为1.875mm—6.25mm，由于取值范围不大，故本实例不再缩小取值范围。长、宽、高的取值范围确定之后，分别微调长、宽、高，得到多组模型，然后对这些模型进行对流系数测量以及温度仿真实验，可以得到多组温度与长、宽、高参数之间的数据，具体仿真数据如表1所示。
基于这些数据利用rbf网络进行数学建模。此rbf神经网络的输入层有3个输入量，分别为翅片的长、宽、高，隐含层采用高斯函数作为神经元激活函数。利用87组数据作为训练集，剩下的15组作为测试集，利用matlab自带神经网络工具箱，在隐含层节点为10个的情况下，可以得到led结温与长、宽、高之间较为精准的关系，再通过测试集进行测试证明了此模型可行。
利用寻优算法对结构参数寻优。在利用rbf网络建立出翅片长、宽、高与led结温的数学模型之后，利用粒子群算法找出模型中使得led结温最小的结构参数，经训练得知，当两个学习因子分别为0.5、0.5，惯性因子为1，最大迭代次数为100时，寻得的led结温小于仿真数据所测得的最小结温值，通过粒子群算法寻得的最小led结温为43.88℃，此时的结构参数是最优的，分别为长4.3mm、宽4.48mm、高55.31mm。按照此参数建立模型进行仿真，测得led结温为43.592℃，误差在允许范围之内，证明了此方法的正确性。
表1参数与led结温仿真数据
当然，本发明不仅仅只是用与本实例，在其他不同大小散热板的结构参数优化实验中也同样适用。