CN103364703B

CN103364703B - Led多应力下可靠性快速评测方法

Info

Publication number: CN103364703B
Application number: CN201210489176.9A
Authority: CN
Inventors: 刘淮源; 刘岩; 敬刚; 胡益民; 张超; 陆兆隆; 张志甜; 陈进
Original assignee: Shenzhen Research Institute Tsinghua University
Current assignee: Shenzhen Research Institute Tsinghua University
Priority date: 2012-11-27
Filing date: 2012-11-27
Publication date: 2015-07-29
Anticipated expiration: 2032-11-27
Also published as: CN103364703A

Abstract

本发明公开一种LED多应力下可靠性快速评测方法,包括如下步骤：S1、测量LED在特定条件下的寿命τ_r，所述特定条件是指特定的温度T、电流I、湿度H；S2、根据拟合系数A、B、m、n，按如下公式计算LED寿命τ：其中，Ea为激活能(eV)，k为玻尔兹曼常数(8.617×10^-5eV/K)，T为绝对温度(K)。本发明的两个修正项：充分考虑到了各应力之间的相关性，并在原始模型基础上用人工神经网络方法进行动态修正。可以帮助业界快速准确评测出LED产品的可靠性，也就可以在实验室分析发现LED产品在制造过程中可能产生的缺陷，改善制造过程中关键工艺以提高产品品质。

Description

LED多应力下可靠性快速评测方法

技术领域：

本发明属于半导体照明领域，涉及到多应力LED可靠性快速评测方法。

背景技术

行业内众所周知，LED产品应该具有高可靠性(许多单位都宣传自己的产品能使用5到10年)，如何在实验室用过应力加速的方法，快速测试出LED服役寿命，就是当务之急，也是全世界从事LED研究的科学家为之奋斗的目标。

为减少试验时间，必须采用加速寿命试验方案，在进行加速寿命试验之前，首先必须知道不同应力条件下的寿命与加速应力之间的关系，即建立ALT模型。

现在行业内主要用于预测LED寿命的方法有：

1)利用逆幂定律：τ＝τ_r·I^-n

2)利用Arrhenius模型：

3)利用Paris—Erdogan模型：

4)利用Eyring模型：

τ = τ_{r} f (I) g (P) e^{\frac{E_{a}}{kT}}

5)其他利用Eyring模型的衍生模型。

以上模型必须满足玻尔兹曼常数理论假说和过渡态理论假说才能成立，在现实物理工作条件下，玻尔兹曼常数理论假说和过渡态理论假说是很难完全满足，这样利用以上模型的评测方法就不可能精确；另外就是以上模型不能用于多应力施加的运算，而在现实的物理工作条件不只单独一个应力施加，所以目前LED服役寿命没有满意的预测方法。

发明内容

本发明的目的就是为了克服上述技术问题，提出一种LED多应力下可靠性快速评测方法，能够快速准确评测出LED产品的可靠性。

为此，本发明的LED多应力下可靠性快速评测方法包括如下步骤：S1、测量LED在特定条件下的寿命τ_r，所述特定条件是指特定的温度T、电流I、湿度H；S2、在Eyring模型的基础上，引入与I^-2n、和H^-2m相关的修正项，根据修正后的公式计算LED寿命τ，其中，Ea为激活能(eV)，k为玻尔兹曼常数(8.617×10^-5eV/K)，T为绝对温度(K),m、n为拟合系数。

本发明的有益效果分析如下:由于LED服役期间，最主要的环境应力就是温度、湿度、电流，本发明建模过程中全部包括，这是业界首创，最近业内有用温度湿度或温度电流两维建模，这些模型没有考虑应力之间的相关性，更没有考虑修正，而本发明引入与I^-2n、和H^-2m相关的修正项，就是充分考虑到了各应力之间的相关性，并在原始模型基础上用人工神经网络方法进行动态修正。本发明可以帮助业界快速准确评测出LED产品的可靠性，也就可以在实验室分析发现LED产品在制造过程中可能产生的缺陷，改善制造过程中关键工艺以提高产品品质。

附图说明

图1是LED可靠性复合多应力快速评估的BP网络模型。

具体实施方式

在目前用得最多的Arrhenius模型中，式中τ为服役时间，τ_r为参考温度下的寿命，Ea为激活能(eV)，k为玻尔兹曼常数(8.617×10^-5eV/K)，T为绝对温度(K)，则温度加速系数A_T，为：

A_{T} = \frac{τ_{2}}{τ_{1}} = e^{\frac{Ea}{k} (\frac{1}{T_{2}} - \frac{1}{T_{1}})}

Arrhenius模型假设只有温度这个加速应力起作用。Eyring模型则更进一步考虑了电流、湿度等多应力：

假设只考虑电流采用逆幂定律的电流加速，假设只有电流加速应力：

τ﹦τ_rI^–n，I为电流，n为电流加速参数，

则电流加速系数A_I为：

A_{I} = {(\frac{I_{1}}{I_{2}})}^{n}

同样只考虑湿度加速应力：

τ﹦τ_rH^–m

湿度的加速A_H为：

A_{H} = {(\frac{H_{1}}{H_{2}})}^{m}

这样可引人更通用的Eyring模型：

τ = τ_{r} \cdot e^{\frac{E_{a}}{KT}} \cdot I^{- n} \cdot H^{- m}

它的加速系数A₀为：

A_{0} = e^{\frac{E_{a}}{K} (\frac{1}{T_{2}} - \frac{1}{T_{1}})} \cdot {(\frac{I_{1}}{I_{2}})}^{n} \cdot {(\frac{H_{1}}{H_{2}})}^{m}

本发明下述实施例中所利用的计算模型正是以Eyring模型衍生为基础，即在上述公式：的基础上引入修正项而得到。

Eyring模型可以用于多个应力：包括了电流I，温度T，湿度H，因实际环境不满足或部分满足物理理想假说，它还不是很精确，必须加以修正.

在本发明的一个实施例中，引入一个修正项A,得到一个新的预测模型：

τ = τ_{r} \cdot e^{\frac{E_{a}}{KT}} \cdot I^{- n} \cdot H^{- m} + A \cdot e^{\frac{{2 E}_{a}}{KT}} \cdot I^{- 2 n} \cdot H^{- 2 m}

式中，T为温度，I为电流，H为湿度，τ是时间(,LED器件服役时间)，τ_r是特定条件下的寿命，A、m、n均为拟合系数,Ea为激活能(eV)，k为玻尔兹曼常数(8.617×10^-5eV/K)，T为绝对温度(K)。拟合出系数A、m、n即可根据上式得到LED可靠性评测结果。

在本发明的另一个实施例中，引入两个修正项即：AB，这样从两个不同的相关方向高次方逼近，便得到一个新的预测模型：

τ = τ_{r} \cdot e^{\frac{E_{a}}{KT}} \cdot I^{- n} \cdot H^{- m} + A \cdot e^{\frac{{2 E}_{a}}{KT}} \cdot I^{- 2 n} + B \cdot e^{\frac{{2 E}_{a}}{KT}} \cdot H^{- 2 m}

式中，T为温度，I为电流，H为湿度，τ是时间，τ_r是特定条件下的寿命，A、B、m、n均为拟合系数,Ea为激活能(eV)，k为玻尔兹曼常数(8.617×10^-5eV/K)，T为绝对温度(K)。拟合出系数A、B、m、n即可根据上式得到LED可靠性评测结果。

这个模型比第一个模型修正的收敛速度更快，拟合过程的数据更泛化。

系数A、B、m、n的拟合可用如下方法：采用人工神经网络具有自我学习、自我组织、较好的容错性和优良的非线性逼近能力，选择好训练样本、测试样本和检验样本(按实验要求测试的数据组是测试样本，对比过的结果数据组是检验样本)，就能拟合出模型中的A,B,m,n；样本越完整拟合出来的数据构成的模型预测精度就越高，只要有效样本足够大就可以无限提高LED服役寿命预测精度。目前有商业化的软件用来实现上述拟合工作。

为了能得到更精确的LED可靠性预测结果，这里使用了人工神经网络(Ann)对各特性参数与LED寿命、光强衰减颜色退化量(色温漂移△e)进行建模，即基于Ann的可靠性预测机制，LED可靠性复合多应力快速评估的BP网络模型如图1所示。

人工神经网络以其具有自我学习、自我组织、较好的容错性和优良的非线性逼近能力，在实际应用中，80％～90％的人工神经网络模型是采用误差反传算法或其变化形式的网络模型(简称BP网络)，目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘，BP网络的输入变量即为待分析系统的内生变量(影响因子或自变量)数，若输入变量较多，一般可通过主成份分析方法压减输入变量，也可根据剔除某一变量引起的系统误差与原系统误差的比值的大小来压减输入变量，如图1所示输入变量是LED最常遇到的应力：温度、电流、湿度等。输出变量即为系统待分析的外生变量(系统性能指标或因变量)，可以是一个，也可以是多个。将一个具有多个输出的网络模型转化为输出较少的网络模型效果会更好，训练也更方便,我们选择光强衰减色温漂移△e，时间τ作为输出变量，只要选择好隐层、节点和足够大的相关样本我们就能得出精准的LED器件可靠性预测值。

或者也可以用灰色数字方法(Grey System Theory)进行建模拟合出A,B,m,n。

某光电实验室根据上述方法做的LED可靠性评测的例子：

通过神经网络拟合出A＝2.1，B＝2.6，m＝0.89,n＝0.92,在I＝0.5，H＝0.55，T＝125C⁰得出加速系数A₀＝26也就是说通过本模型在实验室用1000小时(41.67天)的模拟实验可以评测出26000小时(约3年)的LED器件寿命。

本发明创新点:LED服役期间，最主要的环境应力就是温度、湿度、电流，本发明建模过程中全部包括，这是业界首创，最近业内有用温度湿度或温度电流两维建模，这些模型没有考虑应力之间的相关性，更没有考虑修正，而本发明的两个修正项：就是充分考虑到了各应力之间的相关性，并在原始模型基础上用人工神经网络方法进行动态修正。

本发明可以帮助业界快速准确评测出LED产品的可靠性，也就可以在实验室分析发现LED产品在制造过程中可能产生的缺陷，改善制造过程中关键工艺以提高产品品质，现在行业内没有权威的LED可靠性标准，主要原因就是不能在实验室快速评测出LED产品的可靠性，本发明则可以帮助相关机构制定相应行业标准，对行业的健康发展大有益处。

Claims

1.一种LED多应力下可靠性快速评测方法,其特征是包括如下步骤：

S1、测量LED在特定条件下的寿命τ_r，所述特定条件是指特定的温度T、电流I、湿度H；

S2、在Eyring模型的基础上，引入与I^-2n、和H^-2m相关的修正项，根据修正后的公式计算LED器件服役时间τ，其中，Ea为激活能,Ea的单位是eV，k为玻尔兹曼常数，k＝8.617×10^-5eV/K，T为绝对温度,T的单位是K,m、n为拟合系数；

在步骤S2中计算LED寿命时，所述修正项取为：

A \cdot e^{\frac{{2 E}_{a}}{KT}} \cdot I^{- 2 n} \cdot H^{- 2 m};

其中A也为拟合系数；

先求出拟合系数A、m、n，然后按如下公式计算LED器件服役时间τ：

τ = τ_{r} \cdot e^{\frac{E_{a}}{KT}} \cdot I^{- n} \cdot H^{- m} + A \cdot e^{\frac{{2 E}_{a}}{KT}} \cdot I^{- 2 n} \cdot H^{- 2 m} .

2.如权利要求1所述的LED多应力下可靠性快速评测方法,其特征是,在步骤S2中计算LED寿命时，所述修正项取为两个：和从而使计算公式为：

τ = τ_{r} \cdot e^{\frac{E_{a}}{KT}} \cdot I^{- n} \cdot H^{- m} + A \cdot e^{\frac{{2 E}_{a}}{KT}} \cdot I^{- 2 n} + B \cdot e^{\frac{{2 E}_{a}}{KT}} \cdot H^{- 2 m};

其中A、B也为拟合系数；

先求出拟合系数A、m、n，然后按上述公式计算LED器件服役时间τ。

3.如权利要求1或2所述的LED多应力下可靠性快速评测方法,其特征是,所述拟合系数A、B、m、n用人工神经网络方法进行动态修正得到。