CN107944190A - 基于人工神经网络的大功率led灯具寿命预测方法 - Google Patents
基于人工神经网络的大功率led灯具寿命预测方法 Download PDFInfo
- Publication number
- CN107944190A CN107944190A CN201711339198.6A CN201711339198A CN107944190A CN 107944190 A CN107944190 A CN 107944190A CN 201711339198 A CN201711339198 A CN 201711339198A CN 107944190 A CN107944190 A CN 107944190A
- Authority
- CN
- China
- Prior art keywords
- led
- service life
- temperature
- luminous flux
- neural network
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明公开了一种基于人工神经网络的大功率LED灯具寿命预测方法，其特征在于：包括如下步骤：步骤101、根据具体型号LED LM80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243K～423K范围内LED的光通量退化曲线；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。
Description
技术领域
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light emitting diode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。
发明内容
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LED LM80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(-αtβ) (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LED LM-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LED L70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LED LM80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：
LUXEON 3030 2D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。LUXEON 3030 2D采用业界标准尺寸封装、即6V表面贴装结构SMD，大小为3.0mm x 3.0mm x 0.52mm，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(-αtβ) (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LED LM-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[0 1]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3 LED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LUXEON 3030 2D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LED L70寿命，结果如表4所示：
表4 LED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。
Claims (6)
1.一种基于人工神经网络的大功率LED灯具寿命预测方法，其特征在于：至少包括如下步骤：
步骤101、根据具体型号LED LM80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243K～423K范围内LED的光通量退化曲线；
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。
2.根据权利要求1所述基于人工神经网络的大功率LED灯具寿命预测方法，其特征在于：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，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(-αtβ) (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LED LM-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：
<mrow>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
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。
3.根据权利要求2所述基于人工神经网络的大功率LED灯具寿命预测方法，其特征在于：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)：
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<msup>
<mi>Ce</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mi>a</mi>
</msub>
<mrow>
<msub>
<mi>k</mi>
<mi>B</mi>
</msub>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
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：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msup>
<mi>Ce</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>a</mi>
</msub>
<mo>/</mo>
<msub>
<mi>k</mi>
<mi>B</mi>
</msub>
<msub>
<mi>T</mi>
<mrow>
<mi>S</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msup>
<mi>Ce</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>a</mi>
</msub>
<mo>/</mo>
<msub>
<mi>k</mi>
<mi>B</mi>
</msub>
<msub>
<mi>T</mi>
<mrow>
<mi>S</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
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：
<mrow>
<msub>
<mi>&beta;</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
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。
4.根据权利要求3所述基于人工神经网络的大功率LED灯具寿命预测方法，其特征在于：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：
<mrow>
<mi>t</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>&beta;</mi>
<mi>&gamma;</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mi>&alpha;</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
γ的取值范围为0到1。
5.根据权利要求4所述基于人工神经网络的大功率LED灯具寿命预测方法，其特征在于：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，预测好的神经网络可以预测LED不同温度和不同光通量下的寿命。
6.根据权利要求5所述基于人工神经网络的大功率LED灯具寿命预测方法，其特征在于：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，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LED L70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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711339198.6A CN107944190B (zh) | 2017-12-14 | 2017-12-14 | 基于人工神经网络的大功率led灯具寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711339198.6A CN107944190B (zh) | 2017-12-14 | 2017-12-14 | 基于人工神经网络的大功率led灯具寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107944190A true CN107944190A (zh) | 2018-04-20 |
| CN107944190B CN107944190B (zh) | 2021-07-27 |
Family
ID=61944193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711339198.6A Active CN107944190B (zh) | 2017-12-14 | 2017-12-14 | 基于人工神经网络的大功率led灯具寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944190B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287640A (zh) * | 2019-07-03 | 2019-09-27 | 辽宁艾特斯智能交通技术有限公司 | 照明设备的寿命预估方法、装置、存储介质及电子设备 |
| CN110455503A (zh) * | 2019-08-15 | 2019-11-15 | 亿轶环境科技(上海)有限公司 | 一种紫外线管寿命监测方法及装置 |
| CN111382841A (zh) * | 2020-03-04 | 2020-07-07 | 卡莱特（深圳）云科技有限公司 | 一种估计屏体灯点间距的方法 |
| CN112333891A (zh) * | 2020-10-30 | 2021-02-05 | 中车青岛四方机车车辆股份有限公司 | 照明灯具故障预测与健康管理装置、方法及轨道车辆 |
| CN114925753A (zh) * | 2022-04-28 | 2022-08-19 | 南通东升灯饰有限公司 | 一种led地灯的使用异常报警系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030015973A1 (en) * | 2001-07-18 | 2003-01-23 | Kevin Ovens | Solid state traffic light with predictive failure analysis |
| CN102692600A (zh) * | 2012-06-15 | 2012-09-26 | 东华大学 | 基于机器视觉的继电器触头电寿命快速评估方法及装置 |
| CN203120058U (zh) * | 2013-03-21 | 2013-08-07 | 江苏经贸职业技术学院资产管理有限公司 | 基于步态识别的智能楼宇监控系统 |
| CN103294867A (zh) * | 2013-06-05 | 2013-09-11 | 桂林电子科技大学 | 一种基于有限元仿真分析的led灯具寿命快速预测方法 |
| CN104634551A (zh) * | 2013-11-08 | 2015-05-20 | 精工爱普生株式会社 | 寿命预测方法、寿命预测装置、寿命运算装置、旋转机械 |
| CN106485023A (zh) * | 2016-10-25 | 2017-03-08 | 天津工业大学 | Led灯光电热特性的分析方法 |
-
2017
- 2017-12-14 CN CN201711339198.6A patent/CN107944190B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030015973A1 (en) * | 2001-07-18 | 2003-01-23 | Kevin Ovens | Solid state traffic light with predictive failure analysis |
| CN102692600A (zh) * | 2012-06-15 | 2012-09-26 | 东华大学 | 基于机器视觉的继电器触头电寿命快速评估方法及装置 |
| CN203120058U (zh) * | 2013-03-21 | 2013-08-07 | 江苏经贸职业技术学院资产管理有限公司 | 基于步态识别的智能楼宇监控系统 |
| CN103294867A (zh) * | 2013-06-05 | 2013-09-11 | 桂林电子科技大学 | 一种基于有限元仿真分析的led灯具寿命快速预测方法 |
| CN104634551A (zh) * | 2013-11-08 | 2015-05-20 | 精工爱普生株式会社 | 寿命预测方法、寿命预测装置、寿命运算装置、旋转机械 |
| CN106485023A (zh) * | 2016-10-25 | 2017-03-08 | 天津工业大学 | Led灯光电热特性的分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| HONGWEI LIU 等: "High-Power LED Photoelectrothermal Analysis Based on Backpropagation Artificial Neural Networks", 《IEEE TRANSACTIONS ON ELECTRON DEVICES》 * |
| JIANZHONG JIAO 等: "《IES》", 25 July 2011 * |
| 黄伟明: "基于神经网络的LED可靠性分析模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287640A (zh) * | 2019-07-03 | 2019-09-27 | 辽宁艾特斯智能交通技术有限公司 | 照明设备的寿命预估方法、装置、存储介质及电子设备 |
| CN110455503A (zh) * | 2019-08-15 | 2019-11-15 | 亿轶环境科技(上海)有限公司 | 一种紫外线管寿命监测方法及装置 |
| CN110455503B (zh) * | 2019-08-15 | 2021-09-17 | 亿轶环境科技(上海)有限公司 | 一种紫外线管寿命监测方法及装置 |
| CN111382841A (zh) * | 2020-03-04 | 2020-07-07 | 卡莱特（深圳）云科技有限公司 | 一种估计屏体灯点间距的方法 |
| CN111382841B (zh) * | 2020-03-04 | 2021-02-19 | 卡莱特（深圳）云科技有限公司 | 一种估计屏体灯点间距的方法 |
| CN112333891A (zh) * | 2020-10-30 | 2021-02-05 | 中车青岛四方机车车辆股份有限公司 | 照明灯具故障预测与健康管理装置、方法及轨道车辆 |
| CN112333891B (zh) * | 2020-10-30 | 2023-01-20 | 中车青岛四方机车车辆股份有限公司 | 照明灯具故障预测与健康管理装置、方法及轨道车辆 |
| CN114925753A (zh) * | 2022-04-28 | 2022-08-19 | 南通东升灯饰有限公司 | 一种led地灯的使用异常报警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107944190B (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944190B (zh) | 基于人工神经网络的大功率led灯具寿命预测方法 | |
| Nardelli et al. | Assessment of Light Emitting Diodes technology for general lighting: A critical review | |
| US11910501B2 (en) | Method and apparatus for providing a passive color control scheme using blue and red emitters | |
| US10098197B2 (en) | Lighting devices with individually compensating multi-color clusters | |
| CN103217229B (zh) | 一种发光二极管的结温测量方法及应用 | |
| TWI549319B (zh) | 發光二極體發光裝置、封裝發光二極體的方法、封裝晶粒的方法 | |
| US8086434B2 (en) | Methods for optimal operation of light emitting diodes | |
| Wei et al. | Status of solid-state lighting based on entries to the 2010 US DOE Next Generation Luminaire competition | |
| US20060273340A1 (en) | LED package and method using the same | |
| Barroso et al. | A characterization framework to optimize LED luminaire's luminous efficacy | |
| Li et al. | Power flow analysis and critical design issues of retrofit light-emitting diode (LED) light bulb | |
| US9131559B2 (en) | Heat dissipating method for light emitting diode and lighting device using same | |
| GB2470802A (en) | LED cooling arrangement | |
| US20160334091A1 (en) | Led lighting apparatus | |
| Su et al. | Light degradation prediction of high-power light-emitting diode lighting modules | |
| Liu et al. | Thermal performance analysis of photoelectric parameters on high-power LEDs packaging modules | |
| Rodrigues et al. | Experimental characterization regarding two types of phosphor-converted white high-brightness LEDs: low power and high power devices | |
| Hang et al. | The effects of humidity and temperature aging test on flexible packaging LED module | |
| Poelma et al. | Multi-LED package design, fabrication and thermal analysis | |
| Akca et al. | Thermal management of power LED system | |
| CN204118108U (zh) | 一种led芯片 | |
| Kolesnyk et al. | The research of therma characteristics of the LEDs | |
| JP2011076574A (ja) | 定電流素子 | |
| Ackermann et al. | Power Electronics for the Light of the Future | |
| KR100786095B1 (ko) | 발광 소자의 구동 시스템 및 그 구동 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |