CN110765701A - 一种led荧光粉胶涂覆厚度的预测方法 - Google Patents

Abstract

本发明公开了一种LED荧光粉胶涂覆厚度的预测方法，包括S1采集LED封装过程的生产数据构成原始数据集，将原始数据集划分为训练数据和测试数据，对测试数据进行归一化处理，S2多次构建和训练LED荧光粉胶涂覆厚度预测模型,得到多个训练好的LED荧光粉胶涂覆厚度预测模型；S3将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型，输出值为LED荧光粉胶涂覆厚度，对预测结果进行分析，得到最优LED荧光粉胶涂覆厚度预测模型。本发明提高了生成LED荧光粉胶涂覆厚度预测模型的效率，也提高了LED荧光粉胶涂覆厚度预测模型的精度。

Description

一种LED荧光粉胶涂覆厚度的预测方法

技术领域

本发明涉及LED加工领域，具体涉及一种LED荧光粉胶涂覆厚度的预测方法。

背景技术

LED封装非常关键，决定了LED应用产品的质量性能，而大功率白光LED封装过程中荧光粉的涂覆厚度是直接影响LED发光效果品质的关键一环。而现在一般工厂想要获得大功率LED产生某一色坐标的效果都是通过大量的实验不断尝试去获得荧光粉的涂覆厚度，这样大大的提高了成本，降低了效率。

现有技术中通过采集荧光粉封装过程的生产数据，采用统计过程分析，建立涂覆厚度与荧光粉胶配方的关系预测模型，对荧光粉胶配方和涂覆厚度进行自适应调整，并对终端产品品质进行智能分析和诊断，获得荧光粉胶配方及涂覆厚度的优化方案。在这个方案中建立LED灯涂覆厚度是关键，而回归模型的精确度不是很高。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种LED荧光粉胶涂覆厚度的预测方法。本发明可以有效解决现有技术中预测不够精确，误差大等问题。

本发明采用如下技术方案：

一种LED荧光粉胶涂覆厚度的预测方法，包括：

S1采集LED封装过程的生产数据构成原始数据集，将原始数据集划分为训练数据和测试数据，对测试数据进行归一化处理；

S2多次构建和训练LED荧光粉胶涂覆厚度预测模型，得到多个训练好的LED荧光粉胶涂覆厚度预测模型；

S3将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型，输出值为LED荧光粉胶涂覆厚度，对预测结果进行分析，得到最优LED荧光粉胶涂覆厚度预测模型。

所述原始数据集，具体为：荧光粉胶配比、荧光粉涂敷厚度及LED发光效果。

所述构建和训练LED荧光粉胶涂覆厚度预测模型，具体为：

S2.1SVR核函数的选择，所述SVR核函数为径向基核函数；

S2.2通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作，所述LED荧光粉胶涂覆厚度预测模型为：y＝f(x|C，ε，σ)

其中，σ为径向基核函数参数、C为惩罚系数、ε为不敏感损失系数。

所述S2.2通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作，具体为：

S2.2.1设置参数{σ，C，ε}的搜索范围；

S2.2.2通过萤火虫算法的评估函数，初始化萤火虫种群数量N、步长因子α、初始吸引度β₀、光吸收系数γ；

S2.2.3参数{σ，C，ε}分别对应萤火虫的可行解位置x_i＝(x_i1，x_i2，x_i3)＝(σ_i1，C_i2，ε_i3)设定搜索范围，并初始化位置；

S2.2.4更新萤火虫位置，并利用式步骤2所述的萤火虫评估函数计算萤火虫的适应值，记录当前最优萤火虫信息，若满足算法收敛停止准则，则跳转至S2.2.5，否则，依然执行S2.2.4；

S2.2.5输出最优萤火虫位置信息，即模型的{σ，C，ε}参数值，利用优化后的参数构建模型。

所述萤火虫的评估函数的定义为：

n为样本个数，y_i和y_i ^*分别为第i个样本的实测值和预报值。

所述归一化公式为：

其中y和y′分别为归一化前和归一化后的值，y′_upper和y′_lower分别为y′的上界值和下界值，y_max和y_min分别为y的最大值和最小值。

所述径向基核函数：

K(x_i，x)＝exp(-g||x_i-x||).其中，g为相应核函数的参数。

所述生产数据包括发光效果参数及影响涂覆厚度参数，所述发光效果参数包括发光强度、色温、显色指数、光通量及光照度，所述影响涂覆厚度参数包括荧光粉胶配比。

所述萤火虫算法具体为：

初始化各个参数；

随机初始化第i(i＝1，2，...，n)个萤火虫在目标函数搜索范围内的位置；

计算萤火虫i在t时刻的荧光素值l_i(t)；

每只萤火虫在其动态决策域半径rid(t+1)，选择荧光素值比自己高的个体组成其领域集Ni(t)，其中0＜rid(t)≤rs，rs为萤火虫个体的感知半径；

计算萤火虫i移向邻域集内个体j的概率p_ij(t)，确定萤火虫i的移动个体方向j＝max(p_ij(t))；

利用轮盘赌的方式选择个体j，然后移动，更新位置；

更新萤火虫动态决策域半径的值；

是否到达最大迭代次数或者要求精度，如果达到转向下一步骤，否则转向选择荧光素值比自己高的个体组成其领域集Ni(t)；

输出全局极值点和最优个体值。

所述对预测结果进行分析，得到最优LED荧光粉胶涂覆厚度预测模型，具体为：

计算每个LED荧光粉胶涂覆厚度预测模型的平均绝对误差，具体计算公式为：

其中，N是数据量，f是模型预测涂覆厚度值，y是实际涂敷厚度值；

根据平均绝对误差值越小，精确度越高，得到最优LED荧光粉胶涂覆厚度预测模型。

本发明的有益效果：

(1)本发明采用萤火虫算法对SVR模型进行参数动态寻优，来确定模型中的惩罚系数C、不敏感损失系数ε和核参数σ，传统方法对参数选择效率低，导致主观性和随机性大，采用萤火虫算法大大提高了支持向量回归的性能，不仅提高了生成LED荧光粉胶涂覆厚度预测模型的效率，也提高了LED荧光粉胶涂覆厚度预测模型的精度；

(2)现有技术中各因素对发光效果的作用关系难以建立严谨的数学模型，支持向量机模型具有对小样本的较强的泛化能力，在涂覆厚度预测中有良好的应用前景。

附图说明

图1是本发明的工作流程图；

图2是本发明采用萤火虫算法估计SVR模型参数的工作流程图；

图3是萤火虫算法的流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1-图2所示，一种LED荧光粉胶涂覆厚度的预测方法，包括：

S101采集LED封装过程的生产数据构成原始数据集，将原始数据集划分为训练数据和测试数据，对测试数据进行归一化处理；

其中，本实施例中采集LED封装过程的生产数据包括荧光粉胶配比、荧光粉涂敷厚度、LED的发光效果，LED的发光效果包括发光强度、光通量及光强度。

本实例中，所述的数据归一化处理公式为：

其中y和y′分别为归一化前和归一化后的值，y′_upper和y′_lower分别为y′的上界值和下界值，y_max和y_min分别为y的最大值和最小值。数据归一化也叫做数据标准化，是一种数据预处理方式，用来消除数据之间量纲差异，实现不同数据的可比性。

S102多次构建和训练LED荧光粉胶涂覆厚度预测模型，预测模型为SVR模型；

本实例将萤火虫算法(Firefly A1gorithm，FA)应用SVR模型的参数动态优化选择，并基于Eclipse实验环境和LibSVR-3.22工具包构建FA-SVR模型。将荧光粉配比、LED发光效果作为训练样本的输入，将涂敷厚度作为训练样本的输出，并进行参数寻优。

其中由于萤火虫算法本质上是一种随机算法，因此，算法每次对SVR预报模型优化得到的结果均不一样。所以可通过多次多次构建和训练LED荧光粉胶涂覆厚度预测模型从而寻找最优模型。

本实例中，LED荧光粉胶涂覆厚度预测模型(SVR模型)的构建和训练的步骤为：

本实例中，SVR核函数为径向基核函数：K(x_i，x)＝exp(-g||x_i-x||)。其中，g为相应核函数的参数。则SVR模型可抽象为如下形式：y＝f(x|C，ε，σ)其中，σ为径向基核函数参数、C为惩罚系数、ε为不敏感损失系数。SVR模型性能主要由惩罚系数C、不敏感损失系数ε和核参数σ。惩罚系数C决定对经验风险的惩罚程度，直接影响SVR模型的泛化能力和稳定性；不敏感损失系数ε规定了预报误差要求，同时决定了支持向量的个数；核参数σ决定样本数据在高维特征空间的分布复杂程度。

通过萤火虫算法来确定LED荧光粉胶涂覆厚度预测模型(SVR模型)中的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作。

其具体操作为：首先选择SVR预报模型的训练和测试样本，设置参数{σ，C，ε}的搜索范围；其次通过萤火虫的评估函数

初始化萤火虫种群数量N、步长因子α、初始吸引度β₀、光吸收系数/；然后将SVR预报模型参数{σ，C，ε}分别对应萤火虫的可行解位置x_i＝(x_i1，x_i2，x_i3)＝(σ_i1，C_i2，ε_i3)设定搜索范围，并初始化位置；然后更新萤火虫位置，并利用萤火虫评估函数计算萤火虫的适应值，记录当前最优萤火虫信息。若不满足算法收敛停止准则，则继续本步骤更新萤火虫位置直到满足收敛停止准则；最后输出最优萤火虫位置信息，即SVR模型的{σ，C，ε}参数值，SVR预测模型利用优化后的参数值进行模型预测。

本实施例中惩罚系数C[2^-4，2¹²]，不敏感损失系数ε[0，1]和核参数σ＞0。

本实施例中，萤火虫算法(Firefly Algorithm，FA)的基本流程图如图3所示，其基本思路是首先在可行域中随机放置n个萤火虫，并赋予每个萤火虫的荧光素为l₀，动态决策域为r₀。初始化步长s，领域阈值n_t，荧光素消失率ρ，荧光素更新率γ，动态决策域更新率β，萤火虫感知域r_s，迭代次数M；然后随机初始化第i(i＝1，2，...，n)个萤火虫在目标函数搜索范围内的位置并利用公式l_i(t)＝(1-ρ)*l_i*(t-1)+γ*J*(x_i(t))计算萤火虫i在t时刻的荧光素值l_i(t)；通过公式rⁱ _d(t+1)＝min{r_s，max{0，rⁱ _d(t)，β*(n_t-|N_i(t)|)}}每只萤火虫在其动态决策域半径rⁱ _d(t+1)，选择荧光素值比自己高的个体组成其领域集N_i(t)，其中0＜rⁱ _d(t)≤r_s。r_s为萤火虫个体的感知半径；随后通过公式

计算萤火虫i移向邻域集内个体j的概率p_ij(t)，确定萤火虫i的移动个体方向j＝max(p_ij(t))；利用轮盘赌的方式选择个体j，然后移动，利用公式

更新位置，并更新更新萤火虫动态决策域半径的值；判断是否达到最大迭代次数或者要求精度，如若不满足则继续更新萤火虫的位置直到满足为止；最后输出全局极值点和最优个体值。

S103将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型，输出值为LED荧光粉胶涂覆厚度，对预测结果进行分析选出预测效果最优的LED荧光粉厚度预测模型。

其中，分析选出预测效果最好的厚度预测模型是通过计算平均绝对误差，即预测值与实际值之间的绝对差值之和。平均绝对误差用于评价数据的变化程度，平均绝对误差的值越小，说明预测模型描述实验数据具有更好的精确度。

计算平均绝对误差的公式是：

其中，N是数据量，f是模型预测涂覆厚度值，y是实际涂敷厚度值。

本发明结合了支持向量回归机来精准确定LED荧光粉胶涂覆厚度的预测模型。它能够表现出数据中复杂的非线性关系，从而取得精确的预测结果。同时采用萤火虫算法对SVR模型进行参数动态寻优，来确定模型中的惩罚系数C、不敏感损失系数ε和核参数σ，从而大大提高了支持向量回归的性能。这样，不仅提高了生成LED荧光粉胶涂覆厚度预测模型的效率，也提高了LED荧光粉胶涂覆厚度预测模型的精度。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种LED荧光粉胶涂覆厚度的预测方法，其特征在于，包括：

S1 采集LED封装过程的生产数据构成原始数据集，将原始数据集划分为训练数据和测试数据，对测试数据进行归一化处理；

S2 多次构建和训练LED荧光粉胶涂覆厚度预测模型,得到多个训练好的LED荧光粉胶涂覆厚度预测模型；

S3 将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型，输出值为LED荧光粉胶涂覆厚度，对预测结果进行分析，得到最优LED荧光粉胶涂覆厚度预测模型。

2.根据权利要求1所述的预测方法，其特征在于，所述原始数据集，具体为：荧光粉胶配比、荧光粉涂敷厚度及LED发光效果。

3.根据权利要求1所述的预测方法，其特征在于，所述构建和训练LED荧光粉胶涂覆厚度预测模型，具体为：

S2.1 SVR核函数的选择，所述SVR核函数为径向基核函数；

S2.2 通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作，所述LED荧光粉胶涂覆厚度预测模型为：y＝f(x|C,ε,σ)

其中，σ为径向基核函数参数、C为惩罚系数、ε为不敏感损失系数。

4.根据权利要求3所述的预测方法，其特征在于，S2.2通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作，具体为：

S2.2.1 设置参数{σ,C,ε}的搜索范围；

S2.2.2 通过萤火虫算法的评估函数，初始化萤火虫种群数量N、步长因子α、初始吸引度β₀、光吸收系数γ；

S2.2.3 参数{σ,C,ε}分别对应萤火虫的可行解位置x_i＝(x_i1,x_i2,x_i3)＝(σ_i1,C_i2,ε_i3)设定搜索范围，并初始化位置；

S2.2.4 更新萤火虫位置，并利用式步骤2所述的萤火虫评估函数计算萤火虫的适应值，记录当前最优萤火虫信息，若满足算法收敛停止准则，则跳转至S2.2.5，否则，依然执行S2.2.4；

S2.2.5 输出最优萤火虫位置信息，即模型的{σ,C,ε}参数值，利用优化后的参数构建模型。

5.根据权利要求4所述的预测方法，其特征在于，萤火虫的评估函数的定义为：

n为样本个数，y_i和y_i ^*分别为第i个样本的实测值和预报值。

6.根据权利要求1所述的预测方法，其特征在于，所述归一化公式为：

其中y和y′分别为归一化前和归一化后的值，y′_upper和y′_lower分别为y′的上界值和下界值，y_max和y_min分别为y的最大值和最小值。

7.根据权利要求3所述的预测方法，其特征在于，所述径向基核函数：

K(x_i,x)＝exp(-g||x_i-x||).其中，g为相应核函数的参数。

8.根据权利要求1所述的预测方法，其特征在于，所述生产数据包括发光效果参数及影响涂覆厚度参数，所述发光效果参数包括发光强度、色温、显色指数、光通量及光照度，所述影响涂覆厚度参数包括荧光粉胶配比。

9.根据权利要求4所述的预测方法，其特征在于，所述萤火虫算法具体为：

初始化各个参数；

随机初始化第i(i＝1,2,...,n)个萤火虫在目标函数搜索范围内的位置；

计算萤火虫i在t时刻的荧光素值l_i(t)；

每只萤火虫在其动态决策域半径rid(t+1)，选择荧光素值比自己高的个体组成其领域集Ni(t)，其中0<rid(t)≤rs，rs为萤火虫个体的感知半径；

计算萤火虫i移向邻域集内个体j的概率p_ij(t)，确定萤火虫i的移动个体方向j＝max(p_ij(t))；

利用轮盘赌的方式选择个体j，然后移动，更新位置；

更新萤火虫动态决策域半径的值；

是否到达最大迭代次数或者要求精度，如果达到转向下一步骤，否则转向选择荧光素值比自己高的个体组成其领域集Ni(t)；

输出全局极值点和最优个体值。

10.根据权利要求1所述的预测方法，其特征在于，所述对预测结果进行分析，得到最优LED荧光粉胶涂覆厚度预测模型，具体为：

计算每个LED荧光粉胶涂覆厚度预测模型的平均绝对误差，具体计算公式为：

其中，N是数据量，f是模型预测涂覆厚度值，y是实际涂敷厚度值；

根据平均绝对误差值越小，精确度越高，得到最优LED荧光粉胶涂覆厚度预测模型。

Images