CN103020336B - 一种等效led光源创建方法 - Google Patents

Abstract

本发明提供了一种等效LED光源创建方法，通过测量实际LED的光强分布，用预测算法建立LED发光强度与LED各主要参数（如芯片的插入深度、周围填充材料折射率、材料的吸收系数，封装透镜的厚度）之间的一种隐性函数关系。然后假设一组初始的LED模型参数，基于LED发光强度与LED各主要参数之间隐性关系，运用全局优化算法寻找最佳的等效参数，利用这些最佳的等效参数，可以创建等效精确的LED光源模型。本方法可以快速准确的创建与实际光源非常接近的等效LED光源模型，任何一个LED光源制造商提供的LED光源，只要测量其光强分布，就可以获得一个等效精确的LED光源模型。该光源模型可以用于照明系统设计。

Description

一种等效LED光源创建方法

技术领域

本发明涉及创建照明系统设计中使用的等效LED光源，属于LED照明技术领域。

背景技术

LED作为一种固体光源，具有能耗低、寿命长、体积小、重量轻、无辐射以及无污染等优点，现已广泛应用各种照明。然而LED直接输出的光是朗伯分布，不适合直接照明，需要一个照明系统来重新分配光的分布即所谓的二次配光设计。在使用各种软件设计照明系统时候，首先要建立光源的模型。LED光源模型创建是否精确，直接影响到设计出的照明系统的性能。所以对高端照明系统设计必须要有精确的光源模型。光源模型主要依赖于芯片的结构，封装及其它因素。因此要想获得精确的LED光源模型，这就需要确立LED中芯片的位置，芯片周围填充材料的折射率，吸收系数等。然而这些参数，制造商不会提供给照明设计人员。没有精确的LED光源模型，对照明设计有很大影响。

传统的方法都是假设LED光源模型是一个完美的朗伯光源模型，实际上由于制造过程中的误差，LED光源并不是完美的朗伯光源，这将会给设计照明系统带来很大的误差。

发明内容

本发明的目的主要是针对LED生产厂商所制造的LED，创建一个精确等效的LED光源模型，可以根据实际测量出来的LED光强分布，建立出等效的LED光源模型，使得这种等效光学模型与实际LED光强分布非常接近。这种精确等效的LED光源模型可以应用于照明系统特别是高端照明系统设计。

按照本发明提供的技术方案，所述的等效LED光源创建方法包括以下步骤：

（1）在光学建模与仿真软件中建立一个LED模型，然后逐渐改变模型中的参数，包括：芯片的插入深度h、芯片周围填充材料的折射率n、填充材料吸收系数α，以及封装透镜的厚度d，每一组参数值（h,n,α,d）对应于一组LED光强分布数据，通过改变这几个参数的数值，获得多组LED发光强度数据；

（2）然后利用预测算法建立LED发光强度的分布与插入深度h、填充材料的折射率n、填充材料吸收系数α及封装透镜厚度d之间的隐性函数关系；

（3）建立一个光强相似度的评价函数，来评定实际测定的LED光强分布与所建立LED模型产生的光强分布之间的相似度，评价函数越小，相似度越高；

（4）对一个实际的LED首先测量其光强分布数据；

（5）假设一组初始的参数，这组初始参数构成了一个初始的LED光源模型；然后使用全局优化算法，利用之前预测算法建立的光强与参数之间的隐性函数关系，寻找最佳的等效参数，使得这组最佳等效参数所对应的等效模型产生的光强与实际光强的相似度很高：这个优化的过程中，评价函数值越小，相似度越高，说明光源模型越精确；优化之前设定好评价函数的预设值，当优化过程中评价函数小于或等于预设值，则优化过程停止。

其中，步骤2所述的预测算法可采用神经网络算法，或支持向量机算法。

步骤3所述相似度的评价函数可以使用归一化的相关系数的倒数，或实际光强数据与等效光源模型的光强数据之间的最小二乘拟合函数。

步骤5所述全局优化算法可以采用模拟退火算法、遗传算法、粒子群算法、果蝇算法、鱼群算法、或随机游走算法。

本发明的优点是：本发明建立等效LED精确光源模型的方法是采用了预测算法和全局优化算法组合进行寻找最佳等效的LED参数，等效的LED光源是否准确需要评价实际LED光强与等效LED光强的相似程度。本方法可以快速准确的创建与实际光源非常接近的等效LED光源模型，很好解决了传统方法造成的误差。

附图说明

图1为本发明的LED结构。

图2为本发明建立LED等效模型方法流程图。

具体实施方式

本发明通过测量实际LED的光强分布，用预测算法建立LED发光强度与LED各主要参数（如芯片的插入深度、周围填充材料折射率、材料的吸收系数，封装透镜的厚度）之间的一种隐性函数关系（这种隐性的函数关系无法用一个具体的函数表达出来）。然后假设一组初始的LED模型参数，基于LED发光强度与LED各主要参数之间隐性关系，运用全局优化算法寻找最佳的等效参数，利用这些最佳的等效参数，可以创建等效精确的LED光源模型。任何一个LED光源制造商提供的LED光源，只要测量其光强分布，就可以获得一个等效精确的LED光源模型。这个光源模型可以用于照明设计。

以下结合附图和实施例对本发明作进一步说明。本发明的实施例步骤如下：

1、首先对常规LED结构进行分析，找出影响LED光强分布的主要参数。如图1所示，一个LED包括：LED芯片1、LED芯片周围的填充材料2、封装透镜3。LED芯片1嵌入到填充材料2内部，封装透镜3覆盖在填充材料2的上面。从LED的结构可以看到LED主要参数涉及到：芯片的插入深度h，芯片周围填充材料的折射率n、填充材料吸收系数α，以及透镜的厚度d。

2、在光学建模与仿真软件（如Tracepro，ASAP，Lightools或Fred，以下以Tracepro为例)中建立一个LED模型，然后在一定范围内逐渐改变模型中的参数：芯片的插入深度h、填充材料折射率n、材料吸收系数α、封装透镜厚度d。每一组参数值（h,n,α,d）对应于一组LED光强分布数据，通过改变这几个参数的数值，获得150组不同参数的LED模型，每组LED对应一组发光强度数据。

3、然后利用预测算法如神经网络，或支持向量机，建立出LED发光强度的分布与插入深度h、填充材料的折射率n、填充材料吸收系数α及封装透镜厚度d之间的隐性函数关系。

4、建立一个光强相似度的评价函数，如：归一化的相关系数的倒数1/NCC或最小二乘拟合函数。NCC可以用公式（1）来计算：

$\mathrm{NCC}=\frac{\underset{v}{\mathrm{\Σ}}[I{\left({\mathrm{\θ}}_v\right)}_F-{\stackrel{\‾}{I}}_F][I{\left({\mathrm{\θ}}_v\right)}_O-{\stackrel{\‾}{I}}_O]}{\sqrt{\underset{v}{\mathrm{\Σ}}{[I{\left({\mathrm{\θ}}_v\right)}_F-{\stackrel{\‾}{I}}_F]}^2\underset{v}{\mathrm{\Σ}}{[I{\left({\mathrm{\θ}}_v\right)}_O-{\stackrel{\‾}{I}}_O]}^2}}---\left(1\right)$

I(θ_v)_F和I(θ_v)_O分别是实际测量光强数据和LED光源模型产生的光强数据，光强分布与发光角度有关，θ_v代表了不同发光角度。和分别是实际测量光强数据和LED光源模型产生的光强数据的平均值。NCC值越大表示了实际测量光强与LED模型光源的光强越相近。我们这里用NCC的倒数做光强相似度的评价函数，所以评价函数越小实际测量光强与模型产生的光强越接近。

另一种评价函数可以用最小二乘拟合函数法来评价，最小二乘拟合函数可以用公式（2）来表示

$\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{v=1}{\overset{N}{\mathrm{\Σ}}}{[I{\left({\mathrm{\θ}}_v\right)}_F-I{\left({\mathrm{\θ}}_v\right)}_O]}^2}---\left(2\right)$

从公式（2）可以看出当最小二乘拟合函数值越小，实际光强与LED光源模型产生的光强越接近。

这一评价函数主要是为了评定实际测定的LED光强分布与我们所建立的LED光源模型产生的光强分布之间的相似度。评价函数越小，相似度越高。

5、对一个实际LED首先测量其光强分布数据。

6、我们假设一组初始的参数，这组初始参数构成了一个初始的LED光源模型。初始参数值可以在每个参数的限定范围内随机产生，不同的初始参数值对优化的速度会有一定影响，但不会对优化结果产生影响。选择初始参数后，接下来使用全局优化算法，利用之前预测算法建立的光强与参数之间的隐性函数关系，寻找最佳的等效参数，使得这组最佳等效参数对应的等效模型产生的光强与实际光强的相似度很高。在优化的过程中1/NCC或实际光强数据与等效光源模型的光强数据之间的最小二乘拟合函数为评价函数，评价函数值越小，实际LED光强与等效LED光强分布的相似程度越高，说明光源模型越精确。优化之前我们可以设定好要达到到的相似度，有了相似度就可以知道优化过程中要求的评价函数值了。因此当优化过过程评价函数小于或等于预定值，优化过程停止。具体的过程如图2所示。

所述全局优化算法可以采用模拟退火算法、遗传算法、粒子群算法、果蝇算法、鱼群算法、随机游走算法等。

7、使用优化出来的参数，运用Tracepro软件构建LED等效精确光源模型，并运用蒙特卡洛光线追击的方法，获得光强数据，运用这组光强数据与实际光强数据计算比较，来验证我们优化出来的LED光源模型是否可靠。

8、将创建好的LED等效模型导入照明设计软件作为用于照明系统设计的光源。

Claims (4)

1.一种等效LED光源创建方法，其特征在于，包括以下步骤：

步骤1：在光学建模与仿真软件中建立一个LED模型，然后逐渐改变模型中的参数，包括：芯片的插入深度h、芯片周围填充材料的折射率n、填充材料吸收系数α，以及封装透镜的厚度d，每一组参数值(h,n,α,d)对应于一组LED光强分布数据，通过改变这几个参数的数值，获得多组LED发光强度数据；

步骤2：然后利用预测算法建立LED发光强度的分布与插入深度h、填充材料的折射率n、填充材料吸收系数α及封装透镜厚度d之间的隐性函数关系；

步骤3：建立一个光强相似度的评价函数，来评定实际测定的LED光强分布与所建立LED模型产生的光强分布之间的相似度，评价函数越小，相似度越高；

通过归一化的相关系数的倒数1/NCC或最小二乘拟合函数来进行评价函数的建立方法，NCC用公式(1)来计算：

$NCC=\frac{\underset{v}{\Σ}\[I{\left({\mathrm{\θ}}_v\right)}_F-{\stackrel{\‾}{I}}_F\]\[I{\left({\mathrm{\θ}}_v\right)}_O-{\stackrel{\‾}{I}}_O\]}{\sqrt{\underset{v}{\Σ}{\[I{\left({\mathrm{\θ}}_v\right)}_F-{\stackrel{\‾}{I}}_F\]}^2\underset{v}{\Σ}{\[I{\left({\mathrm{\θ}}_v\right)}_O-{\stackrel{\‾}{I}}_O\]}^2}}---\left(1\right)$

I(θ_v)_F和I(θ_v)_O分别是实际测量光强数据和LED光源模型产生的光强数据，光强分布与发光角度有关，θ_v代表了不同发光角度；和分别是实际测量光强数据和LED光源模型产生的光强数据的平均值；

ν是采样角的编号；

另一种评价函数用最小二乘拟合函数法来评价，最小二乘拟合函数用公式(2)来表示

$\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{v=1}{\overset{N}{\Σ}}{\[I{\left({\mathrm{\θ}}_v\right)}_F-I{\left({\mathrm{\θ}}_v\right)}_O\]}^2}---\left(2\right)$

从公式(2)看出最小二乘拟合函数值越小，实际光强与LED光源模型产生的光强越接近；σ是第二种评价方法的评价函数；N是采样角，即采样点的数量；

步骤4：对一个实际的LED首先测量其光强分布数据；

步骤5：假设一组初始的参数，这组初始参数构成了一个初始的LED光源模型；然后使用全局优化算法，利用之前预测算法建立的光强与参数之间的隐性函数关系，寻找最佳的等效参数，使得这组最佳等效参数所对应的等效模型产生的光强与实际光强的相似度很高：这个优化的过程中，评价函数值越小，相似度越高，说明光源模型越精确；优化之前设定好评价函数的预设值，当优化过程中评价函数小于或等于预设值，则优化过程停止。

2.如权利要求1所述的等效LED光源创建方法，其特征在于，步骤2所述的预测算法采用神经网络算法，或支持向量机算法。

3.如权利要求1所述的等效LED光源创建方法，其特征在于，步骤3所述相似度的评价函数使用归一化的相关系数的倒数，或实际光强数据与等效光源模型的光强数据之间的最小二乘拟合函数。

4.如权利要求1所述的等效LED光源创建方法，其特征在于，步骤5所述全局优化算法采用模拟退火算法、遗传算法、粒子群算法、果蝇算法、鱼群算法、或随机游走算法。