CN111612142B - 一种基于bp神经网络的大功率led寿命预测方法 - Google Patents
一种基于bp神经网络的大功率led寿命预测方法 Download PDFInfo
- Publication number
- CN111612142B CN111612142B CN202010395824.9A CN202010395824A CN111612142B CN 111612142 B CN111612142 B CN 111612142B CN 202010395824 A CN202010395824 A CN 202010395824A CN 111612142 B CN111612142 B CN 111612142B
- Authority
- CN
- China
- Prior art keywords
- led
- neural network
- current
- temperature
- luminous flux
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/44—Testing lamps
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开半导体照明领域中的一种基于BP神经网络的大功率LED寿命预测方法,设置N组恒定温度‑电流双应力组合,温度为Tn,电流为In,依次按照N组温度‑电流双应力组合进行加速寿命试验,每组加载P个小时,测量出每次加速寿命试验后的LED的光通量φn;将温度Tn、电流In以及测得光通量φn作为输入,将LED寿命作为输出,建立BP神经网络预测模型,并训练该模型;将LED实际的环境温度T、工作电流I以及光通量φ为0.7输入到训练好的BP神经网络模型,预测出LED寿命;本发明将LED所受到的共性应力即温度和电流作为神经网络的输入,考虑到了环境应力参数的不同、本身属性的不同,将环境应力关系和实际寿命相对应,能更加准确合理地对LED寿命进行预测。
Description
技术领域
本发明涉及半导体照明领域,特别是涉及预测大功率LED寿命的方法,用于实现1瓦、2瓦甚至数十瓦以上的大功率LED的快速寿命预测。
背景技术
发光二极管(LED)作为新一代的光源,具有寿命长、转换效率高、节能环保等优良特性,另外LED具有功率大、光效高、成本低等优点,使其受到广泛的关注。随着LED技术的发展,LED的使用寿命不断增加,其使用寿命长达几万小时,如何有效地评估LED照明产品的可靠性,尤其是寿命问题已经成为LED照明产业面临的急需解决的关键共性问题。
目前,预测LED寿命的模型有艾林模型、阿伦纽斯模型和逆幂律模型等,都是根据专家的知识和经验来构建LED加速寿命模型,才能外推出正常条件下产品的可靠性信息。因试验产品和环境应力参数的不同,构建的加速寿命模型的形式也存在差异性。大功率LED产品的寿命不仅与其相关器件如芯片、驱动电源)的可靠度等因素有关,还与产品本身的属性如材料、几何特性和散热设计等要素相关。因此,很难找出一个形式简单又能够系统性描述实际寿命与环境应力关系的加速寿命模型。而神经网络是基于人脑神经元构造和工作方式提出的数学模型,以其极高的自适应、自学习能力,可以较好地拟合各种非线性函数,在科学研究中广为应用,能够用于电子元器件的寿命预测。
发明内容
为了能够更加准确合理地对LED的寿命进行预测,本发明提出一种基于BP神经网络的大功率LED寿命预测方法,通过加速寿命试验得到的实验数据建立神经网络模型,对该网络不断进行训练以达到设定的精度要求,从而实现大功率LED的快速寿命预测。
本发明提出一种基于BP神经网络的大功率LED寿命预测方法采用的技术方案是包括以下步骤:
步骤1:设置N组恒定温度-电流双应力组合,N≥2,温度为Tn,电流为In,n=1,2,...,N,T1<T2<…<TN,I1<I2<…<IN,依次按照N组温度-电流双应力组合进行加速寿命试验,每组加载P个小时,P≥100;测量出每次加速寿命试验后的LED的光通量φn;
步骤2:将试验加载的温度Tn、电流In以及测得光通量φn作为输入,将LED寿命t作为输出,建立温度Tn、电流In、光通量φn和LED寿命t的BP神经网络预测模型,并训练该模型;
步骤3:将LED实际的环境温度T、工作电流I以及光通量φ为0.7输入到训练好的BP神经网络模型,预测出LED寿命。
进一步地,步骤1中,加速寿命试验之前,先搭建包括高低温试验箱、直流稳压电源、积分球、电脑的试验平台,在高低温试验箱内部放置LED样品、导热胶片、散热器和固定平台,固定平台上方通过散热器连接导热胶片,LED样品装在导热胶片上,高低温试验箱提供温度Tn,LED样品正负电极经引线连接直流稳压电源,直流稳压电源给LED样品提供电流In,试验后的LED取出冷却再放进积分球内,通过电脑测量得到LED的光通量φn。
更进一步地,取c个LED样品,c≥10,将其平均分成d组,每组包含c/d个LED,将一组LED样品都放在散热器上且将c/d个LED串联后连接直流稳压电源。
更进一步地,先加载第一组恒定温度-电流双应力:在温度T1、电流I1下进行P个小时的加速寿命试验,每进行q个小时的连续加载后,q≥10,将这一组LED样品都取出测量其光通量,测量完毕后,将这组LED样品再放入到高低温试验箱内进行连续的q小时加载,加载完毕后再将LED取出测量其光通量,以此类推直至试验加载时间累积到P个小时即停止这组试验;其余的N-1组加载试验方法和第一组相同,获得了温度Tn、电流In双应力下测得的LED在不同加速时间点对应的光通量φn。
本发明具有的优点和有益效果为:
本发明利用加速寿命试验的相关数据,根据LED可靠性与相关参数的映射关系,建立温度、电流、光通量与寿命的BP神经网络预测模型,将加速寿命实验中加载的温度、电流应力以及测得的LED在不同时间点对应的光通量作为输入,其每个时间点的光通量所对应的加速试验累积时间作为输出,即寿命作为输出,对其网络进行训练,利用训练好的网络预测大功率LED的寿命并计算模型精度,而不需要再通过加速寿命模型来外推LED的寿命,实现了大功率LED寿命的快速预测,提高了预测寿命的效率及精度。试验结果表明,该BP神经网络具有良好的预测能力,可在短时间内成功预测大功率LED的寿命。并且本发明将LED所受到的共性应力即温度和电流作为神经网络的输入,该BP神经网络能够预测LED在任意温度和电流下的工作寿命,考虑到了环境应力参数的不同、本身属性的不同,将环境应力关系和实际寿命相对应,因此更加准确合理地对LED的寿命进行预测,可应用于LED在不同工作环境下的寿命预测。
附图说明
图1是本发明一种基于BP神经网络的大功率LED寿命预测操作流程图;
图2是本发明采用的试验平台的连接原理图;
图3是本发明中实例中应力组合一的加载模式示意图;
图4是本发明中实例中应力组合二的加载模式示意图;
图5是本发明中实例中应力组合三的加载模式示意图;
图6是BP神经网络执行流程图;
图7为温度、电流、光通量—寿命BP神经网络结构示意图,
图2中:1.高低温试验箱;2.直流稳压电源;3.积分球;4.电脑;5.LED样品;6.导热胶片;7.散热器;8.固定平台。
具体实施方式
本发明将加速寿命试验的实验数据作为网络的训练样本,建立BP神经网络模型,对该网络不断进行训练以达到设定的精度要求,从而实现大功率LED的快速寿命预测。具体如下:
第一步:参见图1,首先选取试验样品,搭建如图2所示的试验平台。试验平台包括高低温试验箱1、直流稳压电源2、积分球3、电脑4,在高低温试验箱1内部放置LED样品5、导热胶片6、散热器7和固定平台8。固定平台8上方通过散热器7连接导热胶片6,LED样品5通过导热胶片6与散热器7充分接触,LED样品5安装在导热胶片6上。高低温试验箱1为试验提供加载所需的温度应力,将连接在LED样品5正负电极上的引线从高低温实验箱1的内部引出并连接到直流稳压电源2的接头上,直流稳压电源2给LED样品5供应稳定的直流电源,为试验提供稳定的电流应力;积分球3和电脑4主要实现对LED样品5的光、色、电学参数(主要包括光通量、辐射通量和色温等)的测量和分析,导热胶片6是为保证LED样品5与散热器7充分接触并加强散热效果,散热器7是保证LED样品5的正常工作,改善散热情况。LED样品5为大功率、光效高的LED,本发明选用型号为NSBLL088的COB-LED,其内部封装有88颗芯片,对LED样品5进行加速寿命试验,并对该款大功率LED进行寿命预测。
第二步:试验平台搭建好后,进行加载试验。首先设置N组恒定温度-电流双应力组合,N≥2,温度为Tn,电流为In,其中n=1,2,...,N,并且T1<T2<…<TN,I1<I2<…<IN。依次按照N组温度-电流双应力组合进行加速寿命试验,每组加载P个小时,P≥100。
为了保证BP神经网络训练样本的数量,增加试验的LED样品数。选取c个LED样品5,c≥10,将其平均分成d(d=N)组,因此每组就包含c/d个LED,将一组LED样品5都放在散热器7上,并将这c/d个LED串联,再把引线连接到直流稳压电源2的接头上,然后加载第一组恒定温度-电流双应力,即应力组合一:在温度T1、电流I1下进行P个小时的加速寿命试验,即将高低温试验箱1内的温度设置为恒温T1,直流稳压电源2设置为恒流I1。在进行P个小时的恒定双应力的加载期间内,每进行q(q≥10)个小时的连续加载后,就将这一组LED样品5都取出进行光电参数的测量,记录每个LED的光通量变化。测量完毕后,将这组LED样品再放入到高低温试验箱1内进行连续的q小时加载,加载完毕后再将LED取出冷却,放进积分球3内,通过连接的电脑4测量得到LED的光通量,后面以此类推直至试验加载时间累积到P个小时即可停止这组试验,因此一组试验需要测量P/q次(P/q为整数)。
应力组合二、应力组合三直至应力组合N的加速寿命试验以此类推地重复进行。即后面的N-1组加载试验需要加载另外d-1组新的LED样品,其试验加载方式和应力组合一的试验加载方式相同。由此获得了温度Tn、电流In双应力下测得的LED在不同加速时间点对应的光通量φn。
举一个实例如下:考虑到LED的相关规格参数和试验的可行性,Tn满足:20℃≤Tn≤80℃,In满足320mA≤In≤00mA。设置三组比较保守的加速应力组合,即应力组合一:T1=55℃,I1=320mA,参见图3。应力组合二:T2=65℃,I2=350mA,参见图4。应力组合三:T3=75℃,I3=400mA,参见图5。对LED进行三组恒定温度-电流双应力加速寿命试验,每组加载100个小时。剔除不合格样品以及非正常失效的样品,从中随机选取12个LED样品,将其分成三组,每组包含4个LED,将一组LED样品都放在散热器7上,并将这4个LED串联,再把引线连接到直流稳压电源2的接头上。首先在应力组合一:温度T1=55℃,电流I1=320mA下进行100个小时的恒定应力加速寿命试验,即将高低温试验箱1温度设置为恒温55℃,直流稳压电源2设置为恒流320mA。在进行100个小时恒定应力加载期间内,每进行10个小时的连续加载后,需要将这4个LED都取出进行光电参数的测量,记录每个LED的光通量变化。具体操作为:LED达到连续加载的10个小时后,将这4个LED都取出在室内冷却2小时左右后分别将其放进积分球3内,通过电脑4操作光谱仪测试系统软件,点击快速测量即可测出各个LED的相关光电参数,只需要记录光通量数据即可。测量完毕后,将这组LED样品再放入到高低温试验箱1内进行连续的10小时加载,加载完毕后再将LED取出冷却并测量其光通量,后面以此类推直至试验加载时间累积到100个小时即可停止这组试验,因此一组试验需要测量10次。以此类推,后面的2组加载试验,即应力组合二和应力组合三需要加载另外两组新的LED样品,其试验加载方式如上所述。
第三步、参见图1,加速寿命试验完成后,利用电脑4中相应的建模软件(如MATLAB软件)建立温度、电流、光通量和寿命t的BP神经网络预测模型。参见图6,首先需要初始化网络,BP神经网络的初始化主要包括BP神经网络权值和阈值的初始化,由Matlab矩阵随机函数在(-1,1)之间指定BP神经网络权值和阈值的初值。然后确定网络的输入和输出,将测得的LED样品数据即光通量维持率及实验加载的温度、电流双应力作为BP神经网络的训练样本,将试验中加载的温度Tn、电流In以及测得的LED在不同加速时间点对应的光通量φn作为输入,其每个时间点的光通量所对应的加速试验累积时间作为输出,即在该双应力下的LED寿命t作为输出进行网络训练。由于LED样品的总数是c个,整个加速寿命试验完成,每个LED被测量P/q次,所以每个LED样品可提供的试验数据是P/q个,总共c个样品,得到c*(P/q)个试验数据。
上述实例中的LED样品总数是12个,每个LED最终会被测量10次,所以每个LED样品可提供的试验数据是10个,总共12个样品可提供120个数据,这对于BP神经网络的训练数据来说已经足够了。表1为该BP神经网络的训练样本。
表1
上述训练样本中的数据需要进行处理后才能用于建立BP神经网络模型,需要利用归一化处理数据。归一化处理是为了加快训练网格的收敛性,加快网络学习速度,同时也是因为网络中的节点变换函数Log-sigmoid函数的取值是0到1之间的。归一化可以采用最大最小法和平均数方差法,将采用最大最小法,用如下公式进行计算:
式中xk为输入变量,即温度Tn、电流In以及测得光通量φn,z为归一化后的值。xmax和xmin分别为输入变量的最大值和最小值。利用公式(1)对训练的样本数据进行归一化处理,以便于下一步建立BP神经网络时,作为训练样本使用。
BP神经网络模型的建立包括网络结构的选择和参数的选择。BP神经网络的结构:网络为3层,即输入层,隐含层,输出层。本发明中BP神经网络的输入层的神经元个数为3个,输出层的神经元个数为1个,该BP神经网络结构具体参见图7。隐含层神经元的个数将通过经验公式推算和试凑调整决定。为了简化神经网络结构,减少训练时间,采用单隐含层的神经网络结构。目前,隐含层神经元数量没有具体的公式来严格确定,一个合适的隐含层神经元数量能够帮助提高预测精度。隐含层神经元数量太少则每次训练精度较低,需要较多的训练次数,神经元数量太多,会增加训练时间甚至出现过拟合现象。隐含层神经元数量通常依靠经验公式来拟定大概范围,再经过试验确定最佳值。常用的经验公式有:A2=2*A1+1,其中A1是输入层神经元数,A2是隐含层神经元数。
本发明实例中的A1=3,所以A2=7,即隐含层节点数取7左右进行网络训练。隐含层的神经元采用S型变换函数,输出层为线性变换函数。
第四步、建立好BP神经网络模型后,对建立的BP神经网络进行训练。将训练数据分训练样本集和测试样本集,对训练样本进行训练。
将实例中的训练数据分为两组:分为训练样本集和测试样本集。对120组训练样本进行训练,其中100组为训练集,20组为测试集。网络训练结束后,用20组测试样本对其进行检测,以检验网络的拟合和预测能力。若检测结果误差较小,则建立的网络可用于下一步的寿命预测;若检测结果误差较大,则需要调整学习算法、网络结构和初始权值及阈值,继续进行训练。
BP神经网络均采用误差反传学习算法,需要选择合适的学习算法以便于进行网络训练。本实例的BP神经网络采用小批量梯度下降算法,该训练算法收敛较快,精度也较高,可实现网络的实际输出与期望输出的均方差最小化。
设置网络训练参数:训练误差、学习速率、最大学习次数等。如实例中将训练误差设定为0.01,学习率设定为0.05,最大训练次数设定为40000次。
BP神经网络模型训练的方法是:输入数据从输入层传递给隐含层,隐含层通过权值及激励函数将处理后的结果传递给输出层,将输出层的结果同期望值进行比较,得到误差,再逆推对神经网络中的权值进行反馈修正,将定期产生的相应数据对BP神经网络进行多次训练,以完善模型的准确性,从而完成学习的过程。
在BP神经网络学习之前,必须预先将输出数据规格化到0-1之间,以确保网络的正常学习和反馈,以消除网络不收敛的情况。此外,为解决可能会遇到局部极小值的问题,所采取的办法是,使其在训练中拥有一定的活动范围,即不但可以向误差减小的方向移动,也可以向误差增大的方向移动。
训练样本的输入数据共有120组,对当前已建立的BP神经网络进行训练。具体来说,参见图7,本发明建立的温度、电流、光通量—寿命BP神经网络结构中x1~x3为网络输入值,分别为温度、电流、光通量,即x1=Tn;x2=In,x3=φ;y1为网络输出值,为LED寿命,即y1=t;wij为输入神经元至隐含层神经元连接权值,wjk为隐含层神经元至输出层神经元连接权值,i、j、k分别代表该层的第几个神经元。设隐含层节点的阈值为aj,则隐含层输出Hj可由式(2)计算得到:
将隐含层输出值代入式(3),bk为输出层节点的阈值,可计算出网络输出层节点值Ok:
将温度、电流、光通量作为网络输入,利用公式(2)和(3)计算每一层及每一单元的值,通过建立的BP神经网络计算出LED寿命预测值之后,将其与期望值进行比较,不断修改模型中的权值w和阈值b直至全局误差小于训练误差或者学习次数达到最大次数设置,即完成本次训练。
将测试集的数据输入经过训练的神经网络进行测试,从而对该BP神经网络进行验证。将隐含层节点数取7进行网络训练,但是通过测试样本的检测发现其网络训练的效果并不好,测试集的输出误差较大。通过在7上下范围取值,再经过测试集验证结果发现当隐含层节点数取10时,此时测试集的输出误差最小为0.02,其网络训练的效果最好,因此选取10作为隐含层的节点数。此时该BP神经网络的预测精度已达到要求,可用于LED的寿命预测。
第五步、用训练好的BP神经网络模型预测该LED的寿命。利用训练好的BP神经网络模型可以预测该LED在实际的环境温度T、工作电流I下的寿命。即输入对应的环境温度T、工作电流I,输入光通量φ为0.7(因为光通量依据美国能源之星LM-80-08采取L70来判定,即当光通量衰减为其初始光通量的70%的时间,则为该样品的寿命),即可预测出在该工作环境下的LED寿命。
下面预测该LED在环境温度T=25℃,工作电流I=320mA下的寿命。在电脑4里利用MATLAB软件训练好的BP神经网络模型预测寿命模型中输入x1=25、x2=320、x3=0.7,并点击运行,其输出结果为y1=30988,即预测出在环境温度为25℃、工作电流为320mA下的LED寿命t=30988h。根据该LED生产商家提供的报告,该型号的LED在正常工作条件下的可靠寿命大约为3万小时,LED的预测寿命与真实寿命相差988h,其误差为3.3%,可见预测的精度较高,误差在合理的范围之内。
以上对本发明的实例进行了详细说明,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种基于BP神经网络的大功率LED寿命预测方法,其特征是包括以下步骤:
步骤1:设置N组恒定温度-电流双应力组合,N≥2,温度为Tn,电流为In,n=1,2,...,N,T1<T2<…<TN,I1<I2<…<IN,依次按照N组温度-电流双应力组合进行加速寿命试验,每组加载P个小时,P≥100;测量出每次加速寿命试验后的LED的光通量φn;
步骤2:由Matlab矩阵随机函数在(-1,1)之间指定BP神经网络权值和阈值的初值,将光通量维持率及实验加载的温度-电流双应力作为BP神经网络的训练样本,将试验中加载的温度Tn、电流In以及测得的LED在不同加速时间点对应的光通量φn作为输入,其每个时间点的光通量φn所对应的加速试验累积时间作为输出,即在双应力下的LED寿命t作为输出进行网络训练;
BP神经网络采用小批量梯度下降算法,BP神经网络模型训练的方法是:输入数据从输入层传递给隐含层,隐含层通过权值及激励函数将处理后的结果传递给输出层,将输出层的结果同期望值进行比较,得到误差,再逆推对神经网络中的权值进行反馈修正,将定期产生的相应数据对BP神经网络进行多次训练完成学习;
所述的隐含层的输出为输出层的节点值i、j、k分别代表该层的第几个神经元,x1=Tn;x2=In,x3=φ;y1=t;wij为输入神经元至隐含层神经元连接权值,wjk为隐含层神经元至输出层神经元连接权值,aj为隐含层节点的阈值,bk为输出层节点的阈值,
通过BP神经网络计算出LED寿命预测值,将预测值与期望值进行比较,通过计算误差函数输出层各神经元的偏导数,利用偏导数修正权值w和阈值b,直至全局误差小于训练误差或学习次数达到最大次数设置,完成网络训练,yj为输出的结果,yj为期望值;
步骤3:将LED实际的环境温度T、工作电流I以及光通量φ为0.7输入到训练好的BP神经网络模型,预测出LED寿命。
2.根据权利要求1所述的一种基于BP神经网络的大功率LED寿命预测方法,其特征是:步骤1中,加速寿命试验之前,先搭建包括高低温试验箱、直流稳压电源、积分球、电脑的试验平台,在高低温试验箱内部放置LED样品、导热胶片、散热器和固定平台,固定平台上方通过散热器连接导热胶片,LED样品装在导热胶片上,高低温试验箱提供温度Tn,LED样品正负电极经引线连接直流稳压电源,直流稳压电源给LED样品提供电流In,试验后的LED取出冷却再放进积分球内,通过电脑测量得到LED的光通量φn。
3.根据权利要求2所述的一种基于BP神经网络的大功率LED寿命预测方法,其特征是:取c个LED样品,c≥10,将其平均分成d组,每组包含c/d个LED,将一组LED样品都放在散热器上且将c/d个LED串联后连接直流稳压电源。
4.根据权利要求3所述的一种基于BP神经网络的大功率LED寿命预测方法,其特征是:先加载第一组恒定温度-电流双应力:在温度T1、电流I1下进行P个小时的加速寿命试验,每进行q个小时的连续加载后,q≥10,将这一组LED样品都取出测量其光通量,测量完毕后,将这组LED样品再放入到高低温试验箱内进行连续的q小时加载,加载完毕后再将LED取出测量其光通量,以此类推直至试验加载时间累积到P个小时即停止这组试验;其余的N-1组加载试验方法和第一组相同,获得了温度Tn、电流In双应力下测得的LED在不同加速时间点对应的光通量φn。
5.根据权利要求1所述的一种基于BP神经网络的大功率LED寿命预测方法,其特征是:步骤2中,对温度Tn、电流In以及测得光通量φn进行归一化处理后再建立BP神经网络预测模型。
6.根据权利要求5所述的一种基于BP神经网络的大功率LED寿命预测方法,其特征是:BP神经网络预测模型中的BP神经网络的输入层的神经元个数为3个,输出层的神经元个数为1个,隐含层神经元数为7,隐含层的神经元采用S型变换函数,输出层为线性变换函数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150785 | 2020-03-06 | ||
CN2020101507856 | 2020-03-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612142A CN111612142A (zh) | 2020-09-01 |
CN111612142B true CN111612142B (zh) | 2023-05-09 |
Family
ID=72203308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010395824.9A Active CN111612142B (zh) | 2020-03-06 | 2020-05-12 | 一种基于bp神经网络的大功率led寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612142B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914493B (zh) * | 2020-09-29 | 2021-02-02 | 北京中设光环境科技研究院有限公司 | 一种led路灯寿命仿真的系统及方法 |
CN112380768A (zh) * | 2020-11-11 | 2021-02-19 | 长沙理工大学 | 一种基于bp神经网络的led芯片寿命预测方法 |
CN113191410A (zh) * | 2021-04-21 | 2021-07-30 | 哈尔滨工业大学(深圳) | 一种线性电源使用寿命预测的方法、系统及存储介质 |
CN113659833B (zh) * | 2021-08-24 | 2022-05-17 | 哈尔滨工业大学 | 一种并联直流-直流变换器的寿命延长方法 |
CN113723534A (zh) * | 2021-09-02 | 2021-11-30 | 南京润内克西信息科技有限公司 | 基于bp神经网络的城市扬尘在线监测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN104239659A (zh) * | 2013-06-07 | 2014-12-24 | 中国石油天然气集团公司 | 一种bp神经网络的碳钢腐蚀速率预测方法 |
CN108182500A (zh) * | 2018-02-02 | 2018-06-19 | 沈阳理工大学 | 基于加速寿命试验的弹药贮存可靠性预测方法 |
-
2020
- 2020-05-12 CN CN202010395824.9A patent/CN111612142B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN104239659A (zh) * | 2013-06-07 | 2014-12-24 | 中国石油天然气集团公司 | 一种bp神经网络的碳钢腐蚀速率预测方法 |
CN108182500A (zh) * | 2018-02-02 | 2018-06-19 | 沈阳理工大学 | 基于加速寿命试验的弹药贮存可靠性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612142A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612142B (zh) | 一种基于bp神经网络的大功率led寿命预测方法 | |
CN111460617B (zh) | 一种基于神经网络的igbt结温预测方法 | |
Ibrahim et al. | Machine learning and digital twin driven diagnostics and prognostics of light‐emitting diodes | |
Hu et al. | Optimum step-stress accelerated degradation test for Wiener degradation process under constraints | |
Lu et al. | Multidimensional data-driven life prediction method for white LEDs based on BP-NN and improved-adaboost algorithm | |
Jing et al. | Lifetime prediction of ultraviolet light-emitting diodes using a long short-term memory recurrent neural network | |
CN112380768A (zh) | 一种基于bp神经网络的led芯片寿命预测方法 | |
Yuan et al. | Solder joint reliability modeling by sequential artificial neural network for glass wafer level chip scale package | |
Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
Ibrahim et al. | System level reliability assessment for high power light-emitting diode lamp based on a Bayesian network method | |
Liu et al. | Lifetime prediction of a multi-chip high-power LED light source based on artificial neural networks | |
Yung et al. | Prognostics-based qualification of high-power white LEDs using Lévy process approach | |
Ibrahim et al. | Bayesian based lifetime prediction for high-power white LEDs | |
Enayati et al. | LED reliability assessment using a novel Monte Carlo-based algorithm | |
Zippelius et al. | Reliability analysis and condition monitoring of SAC+ solder joints under high thermomechanical stress conditions using neuronal networks | |
Truong et al. | An improved accelerated degradation model for LED reliability assessment with self-heating impacts | |
Wen et al. | In-Situ early anomaly detection and remaining useful lifetime prediction for high-power white LEDs with distance and entropy-based long short-term memory recurrent neural networks | |
Ibrahim et al. | Lumen maintenance lifetime prediction for Phosphor-converted white LEDs with a Wiener process based model | |
Lee et al. | A two-stage latent variable estimation procedure for time-censored accelerated degradation tests | |
Pugalenthi et al. | Predicting lumen degradation of light emitting diodes using hybrid particle filter trained neural networks | |
Jing et al. | Lifetime prediction of ultraviolet light-emitting diodes with accelerated Wiener degradation process | |
Fan et al. | Prognostics of radiation power degradation lifetime for ultraviolet light-emitting diodes using stochastic data-driven models | |
Fan et al. | Fault diagnostics and lifetime prognostics for phosphor-converted white LED packages | |
CN112926259A (zh) | 一种基于rbf神经网络模型预测半导体器件结温的方法 | |
Wen et al. | A hybrid degradation modeling of light-emitting diode using permutation entropy and data-driven methods |
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 |