CN106485023A - Led灯光电热特性的分析方法 - Google Patents

Led灯光电热特性的分析方法 Download PDF

Info

Publication number
CN106485023A
CN106485023A CN201610937476.7A CN201610937476A CN106485023A CN 106485023 A CN106485023 A CN 106485023A CN 201610937476 A CN201610937476 A CN 201610937476A CN 106485023 A CN106485023 A CN 106485023A
Authority
CN
China
Prior art keywords
temperature
single leds
led
finite element
leds
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610937476.7A
Other languages
English (en)
Other versions
CN106485023B (zh
Inventor
刘宏伟
郭凯
程俊超
于丹丹
张建新
牛萍娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201610937476.7A priority Critical patent/CN106485023B/zh
Publication of CN106485023A publication Critical patent/CN106485023A/zh
Application granted granted Critical
Publication of CN106485023B publication Critical patent/CN106485023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • Led Devices (AREA)

Abstract

本发明公开了一种LED灯光电热特性的分析方法，其特征在于：包括：步骤1、当初始测试温度为tO时，测试单颗LED工作在范围输入电流条件下的光电热特性；步骤2、当测试温度t＝tO+N﹡A时，测试单颗LED的光电热特性；步骤3、以单颗LED工作温度和电流为输入，相应的光通量、光功率、电功率为输出训练人工神经网络；步骤4、利用上述人工神经网络预测温度为T，驱动电流为i时，单颗LED的光通量、光功率、电功率；步骤5、结合预测结果和有限元算法，得到温度为t，驱动电流为i时，单颗LED的热分布；步骤6、结合温度为T，驱动电流为i时，单颗LED光电热预测结果和有限元算法，得到LED灯具的热分布及光强分布。

Description

LED灯光电热特性的分析方法
技术领域
本发明涉及光电子技术领域，特别涉及一种LED灯光电热特性的分析方法。本发明将人工神经网络和有限元算法结合起来，通过单颗LED的光电热特性更加高效快捷地分析LED灯具的光电热耦合及其特性。
背景技术
近年来，通过有限元算法对LED光电热耦合及其特性进行分析，是国内外非常普遍的一种多物理场分析的方法。
C.lonescu、Norocel Codreanu等人，利用有限元分析方法对热电制冷器、印刷版热点模块等的性能进行了分析评价，结果表明实验结果与有限元分析结果一致。周岷峰介绍了热点有限元模型的基本原理，模型建立的过程和部件参数的选择依据，并利用有限元分析软件计算得到了应力分布及变化的结论,以及对热电模块结构进行优化设计的方法。
刘沛、郭伦春、柴广跃等人通过ANASYS有限元软件从散热、可靠稳定性及成本体积等各个方面研究了基于垂直散热结构的LED光电热特性，并对不同散热模式的LED光电热特性进行了研究，同时进行了实验测试分析，最后得出垂直散热结构的中小功率LED是目前照明应用的优秀光源。杨道国、贾红亮等人通过有限元分析对湿热环境下LED球泡灯的多物理场进行了耦合分析，他们通过比较多物理场分析和实验观察结果的比较，得出运用多物理场耦合分析LED球泡灯的可靠性是一种有效的方法。
庞博以一种LED集成光源,某型LED投光灯为研究对象,通过使用热路法与有限元法相结合对投光灯的稳态温度分布进行了计算,并通过实验和有限元所获得的温度数据进行了对比证明了有限元分析结果的准确性。
综合所述，有限元是LED光电热多物理场分析必不可少的分析方法，但是当物理场较多时有限元算法的计算效率十分低，需要的计算资源会很大，计算时间也很长，人工神经网络和有限元算法结合使用可以很好地拟补有限元算法在这方面的不足。
发明内容
本发明的目的是提出一种LED灯光电热特性的分析方法。本发明结合人工神经网络和有限元算法，提高了多物理场分析的效率，减少了多物理场分析的计算资源和计算时间。本发明的技术方案如下：
一种LED灯光电热特性的分析方法,包括如下步骤：
步骤101、当初始测试温度为tO时，测试单颗LED工作在范围输入电流条件下的光电热特性；其中：tO的范围是298K～300K；
步骤102、当测试温度t＝tO+N﹡A时，测试单颗LED的光电热特性；其中：N为测试的次数；A为温度递增的常数；其中：t不大于375K；
步骤103、以单颗LED工作温度和电流为输入，相应的光通量、光功率、电功率为输出训练人工神经网络；
步骤104、利用上述人工神经网络预测温度为T，驱动电流为i时，单颗LED的光通量、光功率、电功率；其中：t的范围是298K～375K；i的范围是0～450mA；
步骤105、结合预测结果和有限元算法，得到温度为T，驱动电流为I时，单颗LED的热分布；
步骤106、结合温度为T，驱动电流为i时，单颗LED光电热预测结果和有限元算法，得到LED灯具的热分布及光强分布。
作为优选实施方式，本发明还采用了如下附件技术特征：
进一步：所述步骤106具体为：
步骤1061、根据人工神经网络的预测结果，拟合出额定工作电流下单颗LED的光通量、光功率、电功率随温度的变化关系；
步骤1062、利用拟合结果求出单颗LED热功率随温度的变化关系；
步骤1063、以单颗LED的热功率为热源，设置LED灯具中所有的LED；
步骤1064、借助有限元算法，得到LED灯具的热分布；
步骤1065、结合LED光通量随温度的变化关系和有限元算法，得到LED灯具光通量的分布。
进一步：所述步骤105具体为：
步骤1051、根据人工神经网络的预测结果，拟合出额定工作电流下单颗LED的光功率、电功率随温度的变化关系；
步骤1052、利用拟合结果求出单颗LED热功率随温度的变化关系；
步骤1053、借助有限元算法，得到单颗LED模型的热分布。
进一步：在上述步骤103中，将测试数据分为训练数据集和测试数据集两部分，训练数据集用来训练人工神经网络，测试数据集用来验证训练好的神经网络。
进一步：在所述步骤101中，采用脉冲电流作为LED的驱动电流。
本发明具有的优点和积极效果是：
(1)利用训练好的人工神经网络预测任意工作条件下LED的光电热耦合及其特性，不需要知道所涉及的物理场之间的函数关系。
(2)通过单颗LED的测试结果可以得到由同种型号的LED组成的灯具的光电热耦合特性，这种方法具有普遍的适用性。
(3)人工神经网络和有限元算法结合使用，提高了多物理场分析的效率，使用的计算资源更少，计算时间更短。
(4)如果需要将LED的结构、型号等参数考虑进去，只需要重新训练人工神经网络即可，具有很强的推广性。
附图说明
附图1为LED光电热三层人工神经网络结构示意图；
附图2为简化的LED光电热模型；
附图3为单颗LED的结构模型；
附图4为LED灯具的结构模型。
其中：I为工作电流；T为结温；Φ为光通量；PE为电功率；PL为光功率；γ(·)、δ(·)为激活函数；h、g为激活函数的输入；W(1)、W(2)为输入层与隐含层以及隐含层与输出层之间的权值。
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4：
一种LED灯光电热特性的分析方法,包括如下步骤：
步骤101、当初始测试温度为tO时，测试单颗LED工作在范围输入电流条件下的光电热特性；其中：tO的范围是298K～300K；本优选实施例中，tO＝299.15K；
步骤102、当测试温度t＝tO+N﹡A时，测试单颗LED的光电热特性；其中：N为测试的次数；A为温度递增的常数；其中：t不大于375K；本优选实施例中A＝2K；
步骤103、以单颗LED工作温度和电流为输入，相应的光通量、光功率、电功率为输出训练人工神经网络；
步骤104、利用上述人工神经网络预测温度为T，驱动电流为i时，单颗LED的光通量、光功率、电功率；其中：t的范围是298K～375K；i的范围是0～450mA；
步骤105、结合预测结果和有限元算法，得到温度为T，驱动电流为I时，单颗LED的热分布；
步骤106、结合温度为T，驱动电流为i时，单颗LED光电热预测结果和有限元算法，得到LED灯具的热分布及光强分布。
作为优选实施方式，本发明还采用了如下附件技术特征：
进一步：所述步骤106具体为：
步骤1061、根据人工神经网络的预测结果，拟合出额定工作电流下单颗LED的光通量、光功率、电功率随温度的变化关系；
步骤1062、利用拟合结果求出单颗LED热功率随温度的变化关系；
步骤1063、以单颗LED的热功率为热源，设置LED灯具中所有的LED；
步骤1064、借助有限元算法，得到LED灯具的热分布；
步骤1065、结合LED光通量随温度的变化关系和有限元算法，得到LED灯具光通量的分布。
进一步：所述步骤105具体为：
步骤1051、根据人工神经网络的预测结果，拟合出额定工作电流下单颗LED的光功率、电功率随温度的变化关系；
步骤1052、利用拟合结果求出单颗LED热功率随温度的变化关系；
步骤1053、借助有限元算法，得到单颗LED模型的热分布。
进一步：在上述步骤103中，将测试数据分为训练数据集和测试数据集两部分，训练数据集用来训练人工神经网络，测试数据集用来验证训练好的神经网络。
进一步：在所述步骤101中，采用脉冲电流作为LED的驱动电流。
本发明的第一步是训练人工神经网络的原始数据的获得。首先测试某一温度下，单颗LED工作在范围输入电流条件下的光电热特性；接着按一定的梯度增加温度，循环测试单颗LED的光电热特性。
本发明使用的人工神经网络为三层误差后向传输的人工神经网络，以LED的工作电流I和工作温度T为输入，相应的光通量Φ、电功率PE、光功率PL为输出，LED光电热人工神经网络结构示意图如附图1所示。人工神经网络的训练过程，就是通过系统误差的后向传输不断调整输入层与隐含层以及隐含层与输出层之间的权值W(1)、W(2)的过程。附图1中的激活函数γ(·)、δ(·)分别为正切双曲线函数和线性传输函数，h、g表示激活函数的输入。
本发明利用训练好的人工神经网络，可以预测LED在任意工作条件下的光电热特性，通过直线拟合，得出一定工作条件下单颗LED的光通量、光功率、电功率随温度的变化关系，并利用拟合结果求出LED热功率随温度的变化关系。如附图2所示。
本发明基于一款芯片倒装焊的LED，依据LED的热阻模型和结构建立LED的结构模型。如附图3所示。其中1表示环氧树脂外壳，半径尺寸大小为R＝1.53mm；2表示SiC衬底，尺寸大小为1×1×0.33mm；3表示GaN芯片，尺寸大小为1×1×0.005mm；4表示陶瓷散热材料，尺寸大小为3.45×3.45×0.83mm；5表示覆铜的铝基板，尺寸大小为50×50×1.5mm。利用有限元算法，以LED热功率随温度的变化关系为热源，得到单颗LED的热分布。同时以单颗LED的热功率为热源，设置附图4所示的LED灯具中所有的LED，借助有限元算法，得到LED灯具的热分布以及LED灯具光通量的分布。
本发明一种LED灯光电热特性的分析方法,包括下面步骤：
(1)测试某一温度下，单颗LED工作在范围输入电流条件下的光电热特性；
(2)按一定的梯度增加温度，循环测试单颗LED的光电热特性；
(3)以LED工作温度和电流为输入，相应的光通量、光功率、电功率为输出训练人工神经网络；
(4)利用训练好的人工神经网络预测任意工作条件下LED的光通量、光功率、电功率；
(5)结合预测结果和有限元算法，得到任意工作条件下单颗LED的热分布；
(6)结合任意工作条件下单颗LED光电热预测结果和有限元算法，得到LED灯具的热分布及光强分布。
第(6)步中，依次包括下列步骤：
1)根据人工神经网络的预测结果，拟合出一定工作条件下单颗LED的光通量、光功率、电功率随温度的变化关系；
2)利用拟合结果求出单颗LED热功率随温度的变化关系；
3)以单颗LED的热功率为热源，设置LED灯具中所有的LED；
4)借助有限元算法，得到LED灯具的热分布。
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。

Claims (5)

1.一种LED灯光电热特性的分析方法,包括如下步骤：
步骤101、当初始测试温度为tO时，测试单颗LED工作在范围输入电流条件下的光电热特性；其中：tO的范围是298K～300K；
步骤102、当测试温度t＝tO+N﹡A时，测试单颗LED的光电热特性；其中：N为测试的次数；A为温度递增的常数；其中：t不大于375K；
步骤103、以单颗LED工作温度和电流为输入，相应的光通量、光功率、电功率为输出训练人工神经网络；
步骤104、利用上述人工神经网络预测温度为T，驱动电流为i时，单颗LED的光通量、光功率、电功率；其中：t的范围是298K～375K；i的范围是0～450mA；
步骤105、结合预测结果和有限元算法，得到温度为t，驱动电流为i时，单颗LED的热分布；
步骤106、结合温度为t，驱动电流为i时，单颗LED光电热预测结果和有限元算法，得到LED灯具的热分布及光强分布。
2.根据权利要求1所述的LED灯光电热特性的分析方法，其特征在于，所述步骤106具体为：
步骤1061、根据人工神经网络的预测结果，拟合出额定工作电流下单颗LED的光通量、光功率、电功率随温度的变化关系；
步骤1062、利用拟合结果求出单颗LED热功率随温度的变化关系；
步骤1063、以单颗LED的热功率为热源，设置LED灯具中所有的LED；
步骤1064、借助有限元算法，得到LED灯具的热分布；
步骤1065、结合LED光通量随温度的变化关系和有限元算法，得到LED灯具光通量的分布。
3.根据权利要求1所述的LED灯光电热特性的分析方法，其特征在于，所述步骤105具体为：
步骤1051、根据人工神经网络的预测结果，拟合出额定工作电流下单颗LED的光功率、电功率随温度的变化关系；
步骤1052、利用拟合结果求出单颗LED热功率随温度的变化关系；
步骤1053、借助有限元算法，得到单颗LED模型的热分布。
4.根据权利要求1所述的LED灯光电热特性的分析方法，其特征在于，在上述步骤103中，将测试数据分为训练数据集和测试数据集两部分，训练数据集用来训练人工神经网络，测试数据集用来验证训练好的神经网络。
5.根据权利要求1所述的LED灯光电热特性的分析方法，其特征在于，在所述步骤101中，采用脉冲电流作为LED的驱动电流。
CN201610937476.7A 2016-10-25 2016-10-25 Led灯光电热特性的分析方法 Active CN106485023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610937476.7A CN106485023B (zh) 2016-10-25 2016-10-25 Led灯光电热特性的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610937476.7A CN106485023B (zh) 2016-10-25 2016-10-25 Led灯光电热特性的分析方法

Publications (2)

Publication Number Publication Date
CN106485023A true CN106485023A (zh) 2017-03-08
CN106485023B CN106485023B (zh) 2019-05-03

Family

ID=58272838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610937476.7A Active CN106485023B (zh) 2016-10-25 2016-10-25 Led灯光电热特性的分析方法

Country Status (1)

Country Link
CN (1) CN106485023B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944190A (zh) * 2017-12-14 2018-04-20 天津工业大学 基于人工神经网络的大功率led灯具寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241521A (zh) * 2008-03-06 2008-08-13 上海交通大学 基于支持向量机的轿车车身综合性能指标建模方法
CN103235517A (zh) * 2013-04-18 2013-08-07 东北大学 电感耦合式高频无极灯仿真装置及方法
CN103455682A (zh) * 2013-09-12 2013-12-18 西南石油大学 一种预测高温高压井腐蚀套管剩余寿命的方法
CN103942414A (zh) * 2014-03-24 2014-07-23 闽南师范大学 Led集成模组的热功耗系数、结温和光功率的计算方法
CN104636569A (zh) * 2013-11-07 2015-05-20 大连市勘察测绘研究院有限公司 一种基于人工神经网络的边坡滑动位移序列预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241521A (zh) * 2008-03-06 2008-08-13 上海交通大学 基于支持向量机的轿车车身综合性能指标建模方法
CN103235517A (zh) * 2013-04-18 2013-08-07 东北大学 电感耦合式高频无极灯仿真装置及方法
CN103455682A (zh) * 2013-09-12 2013-12-18 西南石油大学 一种预测高温高压井腐蚀套管剩余寿命的方法
CN104636569A (zh) * 2013-11-07 2015-05-20 大连市勘察测绘研究院有限公司 一种基于人工神经网络的边坡滑动位移序列预测方法
CN103942414A (zh) * 2014-03-24 2014-07-23 闽南师范大学 Led集成模组的热功耗系数、结温和光功率的计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄伟明 等: "基于BP神经网络的LED可靠性模型研究", 《发光学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944190A (zh) * 2017-12-14 2018-04-20 天津工业大学 基于人工神经网络的大功率led灯具寿命预测方法
CN107944190B (zh) * 2017-12-14 2021-07-27 天津工业大学 基于人工神经网络的大功率led灯具寿命预测方法

Also Published As

Publication number Publication date
CN106485023B (zh) 2019-05-03

Similar Documents

Publication Publication Date Title
Ji et al. Multiobjective design optimization of IGBT power modules considering power cycling and thermal cycling
Bender et al. Design methodology for light-emitting diode systems by considering an electrothermal model
Cai et al. Optimization of thermoelectric cooling system for application in CPU cooler
Chen et al. Chromatic, photometric and thermal modeling of LED systems with nonidentical LED devices
CN108243537A (zh) 用于热保护的方法、装置和系统
Cai et al. A hybrid prediction method on luminous flux maintenance of high-power LED lamps
Sun et al. A reliability prediction for integrated LED lamp with electrolytic capacitor-free driver
Tsai et al. Bump and underfill effects on thermal behaviors of flip-chip LED packages: Measurement and modeling
Lu et al. Efficient measurement of thermal coupling effects on multichip light-emitting diodes
Liu et al. Lifetime prediction of a multi-chip high-power LED light source based on artificial neural networks
Wu et al. A gamma process-based prognostics method for CCT shift of high-power white LEDs
CN102356478A (zh) 用于优化发光二极管系统的方法和数值工具
CN103792003B (zh) 基于led系统的照明效率和光通量的预测方法
Li et al. Study on structure optimization of a dual IGBT module heat sink in a DC–DC converter under natural convection based on field synergy theory
Alexeev et al. Requirements specification for multi-domain LED compact model development in Delphi4LED
CN106485023A (zh) Led灯光电热特性的分析方法
CN108804777B (zh) 一种基于热耦合作用的led照明系统寿命预测方法
Farkas et al. LED Characterization within the Delphi4LED Project
Cao et al. Predicting of luminous flux for a LED array using artificial neural network
Dong et al. Identification and robust control of the nonlinear photoelectrothermal dynamics of LED systems
Tao et al. Thermal parameter extraction method for light-emitting diode (LED) systems
Nicolics et al. Analysis of the local temperature distribution in color conversion elements of phosphor converted light-emitting diodes
Wang et al. Effect of different bending shapes on thermal properties of flexible light-emitting diode filament
Chen et al. Optimal design of thermal dissipation for the array power LED by using the RSM with genetic algorithm
Gueorgiev Thermal analysis and design of lighting equipment

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant