CN111814401A - 基于遗传算法的bp神经网络的led寿命预测方法 - Google Patents
基于遗传算法的bp神经网络的led寿命预测方法 Download PDFInfo
- Publication number
- CN111814401A CN111814401A CN202010659662.5A CN202010659662A CN111814401A CN 111814401 A CN111814401 A CN 111814401A CN 202010659662 A CN202010659662 A CN 202010659662A CN 111814401 A CN111814401 A CN 111814401A
- Authority
- CN
- China
- Prior art keywords
- led
- neural network
- genetic algorithm
- model
- service life
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 230000002068 genetic effect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000004907 flux Effects 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013213 extrapolation Methods 0.000 claims description 2
- 230000036962 time dependent Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 239000011324 bead Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于遗传算法的BP神经网络的LED寿命预测方法，属于可靠性工程领域，包括以下步骤；构建基于遗传算法的BP神经网络模型；建立并训练LED光通量模型；模型仿真实现；进行LED剩余寿命预测与可靠性评估。本发明实现任意应力条件下LED寿命的预测，并且相对平均误差较传统BP神经网络平均降低了很多。另外，遗传算法优化模型的训练样本包含更多公司的LED灯珠，覆盖多种不同额定工作状态的白光LED，普适性更高，为LED寿命预测提供了一种新的思路，具有较大的实用价值。
Description
技术领域
本发明属于可靠性工程领域，涉及一种基于遗传算法的BP神经网络的LED寿命预测方法。
背景技术
LED的高亮度、节能、价格便宜等诸多优点使得其成为了照明领域的主流产品，应用于多个领域。但所有的半导体产品只有经过寿命预测和可靠性评价后才能掌握产品的使用性能，才有可能更好的投入使用，寿命预测具有极其重要的意义。随着技术和工艺水平的不断发展，LED器件的可靠性逐渐提高，寿命长达10年以上。这就使得LED可靠性的评价时间变长，评价效率下降，传统的可靠性评价方法不再适用。为了快速评价LED可靠性，加速实验开始应用到了可靠性评价方法中。然而，器件在加速实验中只有失效和正常两种状态，难以获得器件的微观退化过程，且器件只有退化至失效才能评价器件的可靠性，评价时间长，效率低。因此，如何对LED进行准确的寿命预测和可靠性评估成为了可靠性领域的一大挑战。
BP神经网络训练过程包括设定网络基本结构及学习方法、赋值、计算和迭代更新四个环节。神经网络是一种基于人脑神经元结构和工作模式的数学模型。具有自学习、自组织、非线性计算的能力，并已广泛应用于科学研究。人工智能技术在近几年迅猛发展，神经网络能够分析综合应力环境中复杂产品的寿命，也可适用于较小样本的寿命与可靠性预测。使得人工智能技术在诸多领域得到了充分的应用。现有技术选用经验分布得到产品可靠度值，用作网络训练的输入向量去预测未知寿命，该方法存在较大的不确定性。且BP神经网络未对参数的初值进行优化，从而导致收敛速度慢，容易产生局部收敛。
发明内容
有鉴于此，本发明的目的在于提供一种基于遗传算法的BP神经网络的LED寿命预测方法，在BP神经网络的基础上，用遗传算法对参数初值进行优化，建立了基于动态神经网络的通用产品寿命预测方法，应用于国内某型LED灯管的寿命预测与可靠性分析。
为达到上述目的，本发明提供如下技术方案：
一种基于遗传算法的BP神经网络的LED寿命预测方法，包括以下步骤；
构建基于遗传算法的BP神经网络模型；
建立并训练LED光通量模型；
模型仿真实现；
进行LED剩余寿命预测与可靠性评估。
进一步，所述构建基于遗传算法的BP神经网络模型，包括以下步骤：
确定BP神经网络结构参数，包括输入层、隐含层和输出层的神经元个数；
把BP神经网络的权值和阈值按照顺序级联起来，包括输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值；设定种群规模，编码BP神经网络的权值和阈值，产生初始种群；
确定适应度函数，采用期望输出值与网络输出值的误差作为评判标准；
选择过程，根据种群中个体的适应度大小，确定个体被选择进入下一代的概率，选择概率Pg为Pg＝fg/∑fg；
交叉过程，根据交叉概率，随机选择交叉个体和交叉的位置，形成新的个体；
变异过程，根据变异概率，随机选择变异个体和变异的位置，形成新的个体；
BP神经网络进行前向传播，计算全局误差，调整网络的参数，包括权值和阈值，重复进行学习训练，当达到要求的精度或者达到学习上限次数，则结束网络训练。
进一步，选择适应度函数为
为期望输出值与网络输出值的误差。
进一步，交叉概率表示为
Pm1为交叉概率上限，Pm2为交叉概率下限，f为进行交叉操作两个染色体适应度的较大值；favg为当代种群的平均适应度，fmax为当代种群的最大适应度。
进一步，变异概率表示为
式中，PQ1为变异概率的上限，PQ2为变异概率的下限，f′为进行交叉操作染色体的适应度。
进一步，所述建立并训练LED光通量模型，包括以下步骤：
构建考虑环境温度、湿度和驱动电流加速应力的模型为
式中，H为湿度，I为驱动电流，a为常系数；
构建以环境温度T，湿度H和驱动电流I为已知输入量，预测寿命τ为输出量的LED器件多应力条件下寿命快速评估系统模型为
式中，T∈[273,15,398.15]K；H∈[0,100]％RH；I∈[0,0.7]A；τδ∈[10-5,10-3]h；An是一个与器件有关的未知参数，A∈[-2*10-6,2*10-6]An,B∈[-2*10-6,2*10-6]An,a∈[0,2]，b∈[0,2]为模型的未知参数；
τr、A、B、a和b为LED器件多应力条件下寿命快速评估系统模型的5个未知参数，基于式(2)，LED器件多应力条件下寿命快速评估系统模型的结构，采用自适应遗传算法，辨识模型参数τr，A，B，a和b，从而建立LED器件多应力条件下寿命快速评估系统模型τ(T,H,I)，实现任意温度T，湿度H，电流I应力下的LED寿命预测；
LED光通量随时间变化的指数形式表示为
式中：t为LED的点亮时间；Φ(t)为在时间t时的光通量与初始光通量的比值；β为最小二乘曲线拟合曲线计算出的初始化常数；α为最小二乘曲线拟合出的衰减常数；
使用测试数据中的结温、电流、湿度和初始光通量作为遗传算法优化的BP神经网络的输入，通过规范计算得到LED在该种应力下的寿命，将此寿命作为网络的输出进行训练，训练好的网络模型输入任意的电流、结温及湿度，得到该种应力下的LED寿命。
进一步，所述模型仿真实现包括以下步骤：
①选用电流、结温、湿度和初始光通量作为输入，设置隐含层个数；选取训练样本和预测样本；
②设置最大迭代次数，选择隐含层和输出层的传递函数；
③确定网络学习的算法，设置交叉和变异概率；确定选择算法使用遗传算法优化的BP神经网络来进行样本的训练，得到适应度变化曲线，根据适应度函数计算适应度。
进一步，所述进行LED剩余寿命预测与可靠性评估具体包括：
通过指数模型拟合产品退化轨迹外推出样本在应力Si(i＝1，2，…，n)条件下达到失效阈值的时间，所得的时间结果为完全寿命数据；利用得到的寿命数据中的结温，电流，湿度和初始光通量作为遗传算法优化的BP神经网络输入，通过传统计算方法得到LED在该种应力下的寿命，将此寿命作为网络的输出进行训练，训练好的网络模型输入任意的电流，结温及湿度，得到该种应力下的LED寿命。
本发明的有益效果在于：该基于遗传算法的BP神经网络的LED寿命预测方法提出的遗传算法优化的BP神经网络寿命预测模型中，使用电流、结温、湿度和初始光通量作为网络输入，可以实现任意应力条件下LED寿命的预测，并且相对平均误差较传统BP神经网络平均降低了很多。另外，遗传算法优化模型的训练样本包含更多公司的LED灯珠，覆盖多种不同额定工作状态的白光LED，普适性更高，为LED寿命预测提供了一种新的思路，具有较大的实用价值。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1是BP神经网络结构图；
图2是遗传算法优化的BP神经网络模型的流程图；
图3是GA-BP神经网络适应度随代数变化曲线图；
图4是GA-BP神经网络训练输出相关系数曲线图；
图5是GA-BP神经网络训练均方误差收敛曲线图；
图6是GA-BP网络预测误差比曲线图；
图7是GA-BP模型训练结果曲线图；
图8是适应度曲线图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
BP神经网络的原理是逆学习多层网络，虽然该模型的每一层都是通过单向连接的，但是并不影响它双向传输信息的特征。它通过预先设定的算法(通常为梯度下降算法)不断调整各层输入信号的比重以及神经元的阈值，从而反复迭代更新。BP神经网络在应用中主要包括：要对预测前的数据样本进行预处理，包括数据归一化及逆归一化处理等。其次，将数据输入至神经网络中，使其输出结果在训练过程不断达到收敛。
结合图1至图8，该基于遗传算法的BP神经网络的LED寿命预测方法包括如下步骤：
(一)构建基于遗传算法的BP神经网络模型
遗传算法优化的BP神经网络模型的步骤如下：
1.确定BP神经网络结构参数。确定BP神经网络的网络结构包括输入层、隐含层和输出层的神经元个数；
2.把BP神经网络的权值和阈值按照顺序级联起来，即：输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值；设定种群规模，编码BP神经网络的权值和阈值，产生初始种群；
3.确定适应度函数，适应度函数作为评价个体好坏的标准，一般采用期望输出值与网络输出值的误差
作为评判标准，选择适应度函数为；
4.选择过程，根据种群中个体的适应度大小，确定个体被选择进入下一代的概率，个体选择的方法比较经典的有轮盘赌选择法等，选择概率Pg为Pg＝fg/∑fg；
5.交叉过程，根据交叉概率，随机选择交叉个体和交叉的位置，形成新的个体；该交叉概率表示为
Pm1＝0.99为交叉概率上限，Pm2＝0.49为交叉概率下限，f为进行交叉操作两个染色体适应度的较大值；favg为当代种群的平均适应度，fmax为当代种群的最大适应度。
6.变异过程，根据变异概率，随机选择变异个体和变异的位置，形成新的个体；该变异概率表示为
式中，PQ1＝0.1为变异概率的上限，PQ2＝0.001为变异概率的下限，f′为进行交叉操作染色体的适应度。
7.BP神经网络进行前向传播，计算全局误差，调整网络的参数(权值和阈值)，重复进行学习训练，当达到要求的精度或者达到学习上限次数，则结束网络训练；
(二)建立并训练LED光通量模型
参考Arrhenius模型和Peck模型，构建考虑环境温度、湿度和驱动电流加速应力的模型为
式中，H为湿度，I为驱动电流，a为常系数.
以Arrhenius单应力环境因素模型为基础，纳入环境湿度和驱动电流应力因素，利用Peck模型和式(1)，构造LED器件寿命多应力因素模型.构建以环境温度T，湿度H和驱动电流I为已知输入量，预测寿命τ为输出量的LED器件多应力条件下寿命快速评估系统模型为
式中，T∈[273，15，398.15]K.H∈[0，100]％RH，I∈[0，0.7]A，τδ∈[10-5，10-3]h。An是一个与器件有关的未知参数，A∈[-2*10-6，2*10-6]An，B∈[-2*10-6，2*10-6]An，a∈[0，2]b∈[0，2]为模型的未知参数。
τr，A，B，a和b为LED器件多应力条件下寿命快速评估系统模型的5个未知参数，须对其进行参数辨识.基于式(2)，LED器件多应力条件下寿命快速评估系统模型的结构，采用自适应遗传算法，辨识模型参数τr，A，B，a和b，从而建立LED器件多应力条件下寿命快速评估系统模型τ(T，H，I)，实现任意温度T，湿度H，电流I应力下的LED寿命预测，特别是常温常湿常电流下的LED寿命预测。
通常把LED光通量衰减到70％的时间作为LED的寿命。LED光通量随时间变化的指数形式可表示为
式中:t为LED的点亮时间；Φ(t)为在时间t时的光通量与初始光通量的比值；β为最小二乘曲线拟合曲线计算出的初始化常数；α为最小二乘曲线拟合出的衰减常数。
传统的LED光通量预测模型只能推算出给出的特定电流、结温和湿度组合下的LED寿命，并不能推算LED在任意给定电流、结温和湿度下的寿命，局限性比较大。所以，本发明提出了一种多维参数驱动的LED寿命预测模型；
该模型使用测试数据中的结温、电流、湿度和初始光通量作为遗传算法优化的BP神经网络的输入，通过规范计算得到LED在该种应力下的寿命，将此寿命作为网络的输出进行训练，训练好的网络模型输入任意的电流、结温及湿度，可以得到该种应力下的LED寿命；
(三)模型仿真实现
①选用电流、结温、湿度和初始光通量作为输入，设置隐含层个数；选取训练样本和预测样本。
②设置最大迭代次数，选择隐含层和输出层的传递函数；
③确定网络学习的算法，设置交叉和变异概率；确定选择算法使用遗传算法优化的BP神经网络来进行样本的训练，得到适应度变化曲线，根据适应度函数计算适应度；
(四)进行LED剩余寿命预测与可靠性评估
通过指数模型拟合产品退化轨迹可以外推出样本在应力Si(i＝1，2，…，n)条件下达到失效阈值的时间，所得的时间结果是在高加速应力作用条件下试验样本的工作寿命，即伪失效寿命，可将伪失效寿命数据视为完全寿命数据。利用得到的寿命数据中的结温，电流，湿度和初始光通量作为遗传算法优化的BP神经网络输入，通过传统计算方法得到LED在该种应力下的寿命，将此寿命作为网络的输出进行训练，训练好的网络模型输入任意的电流，结温及湿度，可以得到该种应力下的LED寿命。
该基于遗传算法的BP神经网络的LED寿命预测方法提出的遗传算法优化的BP神经网络寿命预测模型中，使用电流、结温、初始光通量和初始色坐标作为网络输入，可以实现任意应力条件下LED寿命的预测，并且相对平均误差较传统BP神经网络平均降低了很多，均优于K.Y.Lu提出的Adaboost优化模型。另外，遗传算法优化模型的训练样本包含更多公司的LED灯珠，覆盖多种不同额定工作状态的白光LED，普适性更高，为LED寿命预测提供了一种新的思路，具有较大的实用价值。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：包括以下步骤；
构建基于遗传算法的BP神经网络模型；
建立并训练LED光通量模型；
模型仿真实现；
进行LED剩余寿命预测与可靠性评估。
2.根据权利要求1所述的基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：所述构建基于遗传算法的BP神经网络模型，包括以下步骤：
确定BP神经网络结构参数，包括输入层、隐含层和输出层的神经元个数；
把BP神经网络的权值和阈值按照顺序级联起来，包括输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值；设定种群规模，编码BP神经网络的权值和阈值，产生初始种群；
确定适应度函数，采用期望输出值与网络输出值的误差作为评判标准；
选择过程，根据种群中个体的适应度大小，确定个体被选择进入下一代的概率，选择概率Pg为Pg＝fg/∑fg；
交叉过程，根据交叉概率，随机选择交叉个体和交叉的位置，形成新的个体；
变异过程，根据变异概率，随机选择变异个体和变异的位置，形成新的个体；
BP神经网络进行前向传播，计算全局误差，调整网络的参数，包括权值和阈值，重复进行学习训练，当达到要求的精度或者达到学习上限次数，则结束网络训练。
3.根据权利要求2所述的基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：选择适应度函数为
为期望输出值与网络输出值的误差。
4.根据权利要求3所述的基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：交叉概率表示为
Pm1为交叉概率上限，Pm2为交叉概率下限，f为进行交叉操作两个染色体适应度的较大值；favg为当代种群的平均适应度，fmax为当代种群的最大适应度。
5.根据权利要求4所述的基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：变异概率表示为
式中，PQ1为变异概率的上限，PQ2为变异概率的下限，f′为进行交叉操作染色体的适应度。
6.根据权利要求5所述的基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：所述建立并训练LED光通量模型，包括以下步骤：
构建考虑环境温度、湿度和驱动电流加速应力的模型为
式中，H为湿度，I为驱动电流，a为常系数；
构建以环境温度T，湿度H和驱动电流I为已知输入量，预测寿命τ为输出量的LED器件多应力条件下寿命快速评估系统模型为
式中，T∈[273,15,398.15]K；H∈[0,100]％RH；I∈[0,0.7]A；τδ∈[10-5,10-3]h；An是一个与器件有关的未知参数，A∈[-2*10-6,2*10-6]An,B∈[-2*10-6,2*10-6]An,a∈[0,2]，b∈[0,2]为模型的未知参数；
τr、A、B、a和b为LED器件多应力条件下寿命快速评估系统模型的5个未知参数，基于式(2)，LED器件多应力条件下寿命快速评估系统模型的结构，采用自适应遗传算法，辨识模型参数τr，A，B，a和b，从而建立LED器件多应力条件下寿命快速评估系统模型τ(T,H,I)，实现任意温度T，湿度H，电流I应力下的LED寿命预测；
LED光通量随时间变化的指数形式表示为
式中：t为LED的点亮时间；Φ(t)为在时间t时的光通量与初始光通量的比值；β为最小二乘曲线拟合曲线计算出的初始化常数；α为最小二乘曲线拟合出的衰减常数；
使用测试数据中的结温、电流、湿度和初始光通量作为遗传算法优化的BP神经网络的输入，通过规范计算得到LED在该种应力下的寿命，将此寿命作为网络的输出进行训练，训练好的网络模型输入任意的电流、结温及湿度，得到该种应力下的LED寿命。
7.根据权利要求6所述的基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：所述模型仿真实现包括以下步骤：
①选用电流、结温、湿度和初始光通量作为输入，设置隐含层个数；选取训练样本和预测样本；
②设置最大迭代次数，选择隐含层和输出层的传递函数；
③确定网络学习的算法，设置交叉和变异概率；确定选择算法使用遗传算法优化的BP神经网络来进行样本的训练，得到适应度变化曲线，根据适应度函数计算适应度。
8.根据权利要求7所述的基于遗传算法的BP神经网络的LED寿命预测方法，其特征在于：所述进行LED剩余寿命预测与可靠性评估具体包括：
通过指数模型拟合产品退化轨迹外推出样本在应力Si(i＝1，2，…，n)条件下达到失效阈值的时间，所得的时间结果为完全寿命数据；利用得到的寿命数据中的结温，电流，湿度和初始光通量作为遗传算法优化的BP神经网络输入，通过传统计算方法得到LED在该种应力下的寿命，将此寿命作为网络的输出进行训练，训练好的网络模型输入任意的电流，结温及湿度，得到该种应力下的LED寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010659662.5A CN111814401B (zh) | 2020-07-08 | 2020-07-08 | 基于遗传算法的bp神经网络的led寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010659662.5A CN111814401B (zh) | 2020-07-08 | 2020-07-08 | 基于遗传算法的bp神经网络的led寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111814401A true CN111814401A (zh) | 2020-10-23 |
| CN111814401B CN111814401B (zh) | 2023-10-27 |
Family
ID=72842346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010659662.5A Active CN111814401B (zh) | 2020-07-08 | 2020-07-08 | 基于遗传算法的bp神经网络的led寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814401B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113609773A (zh) * | 2021-08-06 | 2021-11-05 | 西安交通大学 | 基于小样本的数据可靠性评估结果预测性能的方法及系统 |
| CN113987917A (zh) * | 2021-09-24 | 2022-01-28 | 西安交通大学 | 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 |
| 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 |
| CN115639456A (zh) * | 2022-12-08 | 2023-01-24 | 深圳市粉紫实业有限公司 | 一种发光二极管的寿命预测方法、系统及介质 |
| WO2023119813A1 (ja) * | 2021-12-23 | 2023-06-29 | 株式会社日立ハイテク | 自動分析装置及び光源ランプの寿命の判定方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1122943A1 (ru) * | 1983-01-18 | 1984-11-07 | Ордена Трудового Красного Знамени Институт Физики Ан Бсср | Способ идентификации нефти и нефтепродуктов |
| CN203324179U (zh) * | 2013-05-20 | 2013-12-04 | 安徽大学 | 一种基于ndir原理的高灵敏度便携式气体检测仪 |
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
| CN107748936A (zh) * | 2017-11-03 | 2018-03-02 | 国网江苏省电力公司信息通信分公司 | 基于遗传算法改进的bp神经网络蓄电池寿命预测算法 |
| CN108959833A (zh) * | 2018-09-26 | 2018-12-07 | 北京工业大学 | 基于改进的bp神经网络的刀具磨损预测方法 |
| CN110889155A (zh) * | 2019-11-07 | 2020-03-17 | 长安大学 | 一种钢桥面板腐蚀预测模型及构建方法 |
| CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
-
2020
- 2020-07-08 CN CN202010659662.5A patent/CN111814401B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1122943A1 (ru) * | 1983-01-18 | 1984-11-07 | Ордена Трудового Красного Знамени Институт Физики Ан Бсср | Способ идентификации нефти и нефтепродуктов |
| CN203324179U (zh) * | 2013-05-20 | 2013-12-04 | 安徽大学 | 一种基于ndir原理的高灵敏度便携式气体检测仪 |
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
| CN107748936A (zh) * | 2017-11-03 | 2018-03-02 | 国网江苏省电力公司信息通信分公司 | 基于遗传算法改进的bp神经网络蓄电池寿命预测算法 |
| CN108959833A (zh) * | 2018-09-26 | 2018-12-07 | 北京工业大学 | 基于改进的bp神经网络的刀具磨损预测方法 |
| CN110889155A (zh) * | 2019-11-07 | 2020-03-17 | 长安大学 | 一种钢桥面板腐蚀预测模型及构建方法 |
| CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| ADAMS P D: "Intramolecular quenching of tryptophan fluorescence by the peptide bond in cyclic hexapeptides", 《JOURNAL OF THE AMERICAN CHEMICAL SOCIETY》, pages 9278 - 9286 * |
| CAO Y: "Predicting of luminous flux for a LED array using artificial neural network", 《2020 21ST INTERNATIONAL CONFERENCE ON THERMAL, MECHANICAL AND MULTI-PHYSICS SIMULATION AND EXPERIMENTS IN MICROELECTRONICS AND MICROSYSTEMS (EUROSIME)》, pages 1 - 4 * |
| 吴志杰: "基于遗传算法的BP神经网络的LED寿命预测模型", 《半导体技术》, vol. 43, no. 05, pages 375 - 380 * |
| 李春生;李霄野;张可佳;: "基于遗传算法改进的BP神经网络房价预测分析", 计算机技术与发展, no. 08 * |
| 赵越: "基于遗传蚁群RBF-BP神经网络的LED寿命预测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 10, pages 135 - 89 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113609773A (zh) * | 2021-08-06 | 2021-11-05 | 西安交通大学 | 基于小样本的数据可靠性评估结果预测性能的方法及系统 |
| CN113609773B (zh) * | 2021-08-06 | 2024-04-05 | 西安交通大学 | 基于小样本的数据可靠性评估结果预测性能的方法及系统 |
| CN113987917A (zh) * | 2021-09-24 | 2022-01-28 | 西安交通大学 | 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 |
| CN113987917B (zh) * | 2021-09-24 | 2024-04-09 | 西安交通大学 | 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 |
| WO2023119813A1 (ja) * | 2021-12-23 | 2023-06-29 | 株式会社日立ハイテク | 自動分析装置及び光源ランプの寿命の判定方法 |
| 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 |
| CN115639456A (zh) * | 2022-12-08 | 2023-01-24 | 深圳市粉紫实业有限公司 | 一种发光二极管的寿命预测方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111814401B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814401A (zh) | 基于遗传算法的bp神经网络的led寿命预测方法 | |
| WO2022095265A1 (zh) | 一种基于改进平衡优化器算法的光伏电池参数识别方法 | |
| CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
| CN110765700A (zh) | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 | |
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| Lu et al. | Multidimensional data-driven life prediction method for white LEDs based on BP-NN and improved-adaboost algorithm | |
| CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| CN110232461A (zh) | 基于量子遗传算法优化的多关联向量机水质预测方法 | |
| CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN112380768A (zh) | 一种基于bp神经网络的led芯片寿命预测方法 | |
| CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN113269365A (zh) | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 | |
| CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
| CN111598231A (zh) | 基于ga优化串行式bp网络的电缆接头导线温度预测 | |
| CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
| CN115309980A (zh) | 一种基于鲸鱼优化bp神经网络的协同过滤智能推荐方法 | |
| CN113177673B (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
| CN114004008B (zh) | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 | |
| CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
| CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
| Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
| CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
| Kuang | Prediction of Urban Scale Expansion Based on Genetic Algorithm Optimized Neural Network Model | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
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 |