CN112084717A - 紫外发光二极管性能退化预测模型构建及寿命预测方法 - Google Patents
紫外发光二极管性能退化预测模型构建及寿命预测方法 Download PDFInfo
- Publication number
- CN112084717A CN112084717A CN202010965810.6A CN202010965810A CN112084717A CN 112084717 A CN112084717 A CN 112084717A CN 202010965810 A CN202010965810 A CN 202010965810A CN 112084717 A CN112084717 A CN 112084717A
- Authority
- CN
- China
- Prior art keywords
- ultraviolet light
- emitting diode
- prediction model
- performance degradation
- time point
- 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.)
- Pending
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 85
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000010276 construction Methods 0.000 title claims description 7
- 238000012360 testing method Methods 0.000 claims abstract description 150
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000007787 long-term memory Effects 0.000 claims abstract description 30
- 230000000306 recurrent effect Effects 0.000 claims abstract description 28
- 230000006403 short-term memory Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims abstract description 17
- 230000032683 aging Effects 0.000 claims abstract description 14
- 230000006872 improvement Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 206010035664 Pneumonia Diseases 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 229910010293 ceramic material Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Led Device Packages (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了紫外发光二极管性能退化预测模型构建及寿命预测方法，属于紫外发光二极管寿命预测领域，模型构建方法包括：获取紫外发光二极管老化试验中多个时间点测试指标构成的原始时间序列测试数据；根据原始时间序列测试数据训练基于循环神经网络改进的长短期记忆网络，得到紫外发光二极管性能退化预测模型；长短期记忆网络的输入为原始时间序列测试数据中多个连续时间点测试指标，输出为相邻的后一时间点测试指标。寿命预测方法为：根据原始时间序列测试数据和上述预测模型，获得后续时间的指标退化数据；再根据预设的失效阈值确定紫外发光二极管预测失效寿命。本发明能对具有时间序列的衰减数据进行处理，具有高精度、高可靠、高速度的特点。
Description
技术领域
本发明涉及紫外发光二极管寿命预测技术领域，特别涉及紫外发光二极管性能退化预测模型构建及寿命预测方法。
背景技术
紫外LED是LED领域内的一个重要分支。近年来，紫外LED因工作寿命更长、功耗更低、无汞污染、适应性广等优势，正逐步取代传统的紫外汞灯成为主要的紫外光源。据预测近紫外LED市场将于2021年达到3.57亿美元，而深紫外LED市场将从2015年的700万美元强劲增长到2021年的6.1亿美元。
在2019年底爆发的新冠肺炎疫情严重的影响着中国人民以及世界人民的生产生活安全，是人类在卫生安全领域上所经历的最严峻的挑战之一，而根据国家卫健委发布的《新型冠状肺炎感染的肺炎诊疗方案》，其中明确指出了新型冠状病毒对紫外线敏感。而不同于高温处理、酒精擦拭等灭活病毒的方式，紫外线可以进行无接触杀菌消毒，这使得紫外线能够在非高温且不能用大量酒精擦拭的场所中进行广泛的应用，因此紫外LED将在未来的杀菌消毒领域发挥更大的作用。
尽管紫外LED正处于飞快发展的阶段，但是行业内尚未形成系统的上、中、下游的生产测试及寿命预测标准，因此紫外LED的产品质量会由于生产企业的使用材料、制备技术等方面的差异而参差不齐，严重影响消费者对市场发展的信心，甚至可能会在其使用过程中由于故障失效而导致无法挽回的损失。因此进行加速实验估计其寿命，以缩短研发成本提升产品迭代速率很有必要。
近年来，国内外学者将深度学习领域的预测方法应用到LED的参数预测当中实现了快速准确的预测。但针对处理具有时间序列的衰减数据(对应产品上，即为随时间发生退化的指标)时，BP神经网络、人工神经网络则存在着一些缺点，如学习速度慢和容易陷入局部极小值，这极大的影响了它们的预测准确度。而且在传统的神经网络模型中，从输入层到隐含层再到输出层，其中隐含层之间是不连接的，但是衰减数据不是相互独立的。
但是，循环神经网络中一个序列当前的输出与前面的输出是有关联的，这为解决具有时间序列的衰减数据的预测提供了可能。然而，传统循环神经网络的计算与前n次的所有计算均相关，这会导致计算量呈指数累积，导致训练耗时很长，这对于额定寿命达数万小时的紫外LED显然不适用，而基于循环神经网络改进的长短期记忆网络(LSTM)解决了长期记忆的问题，避免了前n次的所有计算结果均参与计算的问题。
发明内容
针对现有技术存在的紫外发光二极管性能随时间退化的指标难以进行后续时间的预测，乃至难以进行寿命预测的问题，本发明的目的在于提供紫外发光二极管性能退化预测模型构建及寿命预测方法。
为实现上述目的，本发明的技术方案为：
第一方面，本发明提供一种紫外发光二极管性能退化预测模型构建方法，包括以下步骤，
获取原始时间序列测试数据，所述原始时间序列测试数据为按照时间顺序采集的紫外发光二极管的老化试验中多个时间点的测试指标，所述测试指标为所述紫外发光二极管性能随时间发生退化的指标；
根据所述原始时间序列测试数据训练基于循环神经网络改进的长短期记忆网络，得到所述紫外发光二极管性能退化预测模型；
其中，所述基于循环神经网络改进的长短期记忆网络的输入为所述原始时间序列测试数据中多个连续时间点测试指标，所述基于循环神经网络改进的长短期记忆网络的输出为所述原始时间序列测试数据中与所述多个连续时间点相邻的后一时间点测试指标。
进一步的，所述基于循环神经网络改进的长短期记忆网络包括，
输入层，所述输入层用于获取当前时间点测试指标xt；
隐含层，所述隐含层用于根据所述当前时间点测试指标xt、前一时间点短期记忆ht-1和前一时间点长期记忆ct-1得到当前时间点短期记忆ht和当前时间点长期记忆ct；
输出层，所述输出层用于将所述当前时间点短期记忆ht作为当前时间点输出yt进行输出，所述当前时间点输出yt即为所述后一时间点测试指标xt+1；
其中，所述隐含层包括多个隐含模块，所述每个隐含模块均包括四个互相交互的全连接层，所述四个互相交互的全连接层分别为，
gt层，所述gt层用于对所述当前时间点测试指标xt和所述前一时间点短期记忆ht-1进行分析；
遗忘门，所述遗忘门由f t控制，所述遗忘门用于控制是否丢弃所述前一时间点长期记忆ct-1中的部分内容；
输入门，所述输入门由it控制，所述输入门用于筛选所述gt层的分析结果，并将筛选结果与所述遗忘门的遗忘结果进行合并，形成当前时间点长期记忆ct；
以及输出门，所述输出门由ot控制，所述输出门用于控制是否读取和输出所述当前时间点长期记忆ct中的部分内容。
进一步的，所述基于循环神经网络改进的长短期记忆网络的预测模型通过以下公式实现：
其中，σ和tanh分别对应神经网络中sigmod和tanh非线性激活函数；W对应权重系数矩阵，所述四个全连接层关于所述当前时间点测试指标xt的权重矩阵为{Wxi,Wxf,Wxo,Wxg}，所述四个全连接层关于所述前一时间点短期记忆ht-1的权重矩阵为{Whi,Whf,Who,Whg}。
进一步的，所述得到紫外发光二极管性能退化预测模型之后还包括，
对所述预测模型的输出和理论值作误差损失计算，并根据所述误差损失计算结果调整所述权重系数矩阵W。
优选的，所述原始时间序列测试数据包括训练数据和测试数据，所述训练数据用于训练所述基于循环神经网络改进的长短期记忆网络，所述测试数据用于测试所述紫外发光二极管性能退化预测模型的准确度；
其中，所述测试数据测试所述紫外发光二极管性能退化预测模型的准确度包括，
将所述测试数据输入所述紫外发光二极管性能退化预测模型；
将获得的所述紫外发光二极管性能退化预测模型的输出与采集到的所述原始时间序列测试数据进行对比，得到所述紫外发光二极管性能退化预测模型的准确度。
进一步的，在得到所述紫外发光二极管性能退化预测模型的准确度之后还包括，
将得到的所述紫外发光二极管性能退化预测模型的准确度与预设准确度进行对比；
当得到的所述紫外发光二极管性能退化预测模型的准确度低于所述预设准确度时，重新对所述基于循环神经网络改进的长短期记忆网络的预测模型进行训练。
第二方面，本发明提供一种紫外发光二极管寿命预测方法，包括以下步骤，
获取原始时间序列测试数据，所述原始时间序列测试数据为按照时间顺序采集的紫外发光二极管的老化试验中多个时间点的测试指标，所述测试指标为所述紫外发光二极管性能随时间发生退化的指标；
将所述原始时间序列测试数据输入如上所述的紫外发光二极管性能退化预测模型，获得后续时间的指标退化数据；
根据所述后续时间的指标退化数据以及预设的失效阈值，确定所述紫外发光二极管的预测失效寿命。
优选的，所述测试指标为辐射功率。
优选的，将所述原始时间序列测试数据输入如上所述的紫外发光二极管性能退化预测模型之前，对所述原始时间序列测试数据进行归一化处理。
第三方面，本发明提供一种紫外发光二极管寿命预测方法准确度的判断方法，所述紫外发光二极管寿命预测方法为如上所述的紫外发光二极管寿命预测方法，所述判断方法包括，
对多件紫外发光二极管的原始时间序列测试数据进行非线性拟合，得到多条退化曲线；
根据所述失效阈值和所述多条退化曲线，得到多个实测失效寿命；
根据所述多个实测失效寿命得到概率密度分布曲线，并根据所述概率密度分布曲线得到真实失效寿命；
对比所述预测失效寿命和所述真实失效寿命，得到所述紫外发光二极管寿命预测方法的准确度。
采用上述技术方案，由于基于循环神经网络改进的长短期记忆网络的设置，使其在处理具有时间序列的衰减数据(对应本发明，即紫外发光二极管性能中随时间发生退化的指标)时，不必处理前期的全部数据，而是选择性处理，从而保证输出之间关联性的同时还降低了计算量，降低了紫外发光二极管性能退化预测模型的训练耗时，保证算法的可靠性、以及保证了系统预测时效和准确度；
另外，使用紫外发光二极管性能退化预测模型的紫外发光二极管寿命预测方法，其相比传统预测方法，在使用较少测试数据的同时仍可以保持更高的预测准确度，并且算法具有良好的鲁棒性，随测试数据量的变化，预测误差始终保持在较小的范围内；节约了测试时间和成本，同时预测准确度高，适用性好，可为紫外发光二极管提供快速可靠的寿命估计，缩短研发周期加速行业发展迭代，为紫外LED的快速广泛应用提供保障。
附图说明
图1为本发明一种紫外发光二极管性能退化预测模型构建方法流程图；
图2为本发明中基于循环神经网络改进的长短期记忆网络的架构示意图；
图3为图2所示基于循环神经网络改进的长短期记忆网络中隐含层的模块示意图；
图4为确定紫外发光二极管性能退化预测模型准确度的流程图；
图5为本发明一种紫外发光二极管寿命预测方法流程图；
图6为本发明优选实施例中TM-21与LSTM在预测起始时间1008h的寿命估计图；
图7为本发明优选实施例中TM-21与LSTM在预测起始时间1344h的寿命估计图；
图8为本发明优选实施例中TM-21与LSTM在预测起始时间1680h的寿命估计图；
图9为本发明优选实施例中TM-21与LSTM在预测起始时间2016h的寿命估计图；
图10为本发明一种紫外发光二极管寿命预测方法准确度的判断方法流程图；
图11为本发明优选实施例中紫外LED实际退化曲线及真实寿命分布图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供第一方面的实施例，一种紫外发光二极管性能退化预测模型构建方法，如图1所示，包括以下步骤，
步骤S101，获取原始时间序列测试数据；
其中，原始时间序列测试数据为按照时间顺序采集的紫外发光二极管的老化试验中多个时间点的测试指标，测试指标为紫外发光二极管性能随时间发生退化的指标。其中，老化试验可以是常应力下的老化测试，也可以是加速应力下的老化测试。
步骤S103，根据原始时间序列测试数据训练基于循环神经网络改进的长短期记忆网络，得到紫外发光二极管性能退化预测模型；
其中，基于循环神经网络改进的长短期记忆网络的输入为原始时间序列测试数据中多个连续时间点测试指标(例如3个连续时间点)，基于循环神经网络改进的长短期记忆网络的输出为原始时间序列测试数据中与多个连续时间点相邻的后一时间点测试指标。
本实施例中，上述的基于循环神经网络改进的长短期记忆网络具体包括，
输入层，该输入层用于获取当前时间点测试指标(记为xt)；
隐含层，该隐含层用于根据当前时间点测试指标xt、前一时间点短期记忆(记为ht-1)和前一时间点长期记忆(记为ct-1)得到当前时间点短期记忆(记为ht)和当前时间点长期记忆(记为ct)；
输出层，该输出层用于将当前时间点短期记忆ht作为当前时间点输出(记为yt)进行输出，当前时间点输出yt即为上述的后一时间点测试指标(记为xt+1)；
其中，隐含层包括多个隐含模块(即重复的链式模块)，每个隐含模块均包括四个互相交互的全连接层，四个互相交互的全连接层分别为，
gt层，该gt层用于对当前时间点测试指标xt和前一时间点短期记忆ht-1进行分析；
遗忘门，该遗忘门由f t控制，遗忘门用于控制是否丢弃前一时间点长期记忆ct-1中的部分内容；
输入门，该输入门由it控制，输入门用于筛选gt层的分析结果，并将筛选结果与遗忘门的遗忘结果进行合并，形成当前时间点长期记忆ct；
以及输出门，该输出门由ot控制，输出门用于控制是否读取和输出当前时间点长期记忆ct中的部分内容。
更具体的，上述的基于循环神经网络改进的长短期记忆网络的预测模型通过以下公式实现：
其中，σ和tanh分别对应神经网络中sigmod和tanh非线性激活函数；W对应权重系数矩阵，所述四个全连接层关于所述当前时间点测试指标xt的权重矩阵为{Wxi,Wxf,Wxo,Wxg}，所述四个全连接层关于所述前一时间点短期记忆ht-1的权重矩阵为{Whi,Whf,Who,Whg}，如图2及图3所示。
通常，输入层、隐藏层和输出层均不止一个，可根据实际需要进行合理的配置。
可以理解的是，实用化的紫外发光二极管性能退化预测模型并不是一蹴而就的，因此在按照上述的步骤S101以及步骤S103得到最初的紫外发光二极管性能退化预测模型之后，还包括，
步骤S105，对步骤103得到的紫外发光二极管性能退化预测模型的输出和理论值作误差损失计算，并根据误差损失计算结果调整紫外发光二极管性能退化预测模型，具体的说，是调整公式(1)中的权重系数矩阵W。
其中，实用化的紫外发光二极管性能退化预测模型在训练完成后还需对其进行测试，因此，上述的原始时间序列测试数据被分割为训练数据和测试数据，如表1所示，其包括含了训练数据构成的训练集以及测试数据构成的测试集。其中训练数据用于训练基于循环神经网络改进的长短期记忆网络，其中的测试数据用于测试紫外发光二极管性能退化预测模型的准确度。
表1
从上述表1可以看出，时间点以168h为周期，每次输入的3个时间点的测试指标均连续，并且一个时间点的测试指标可以作为多次输入使用，测试集数据和训练集数据也可以有重叠的部分。训练时，将每3个连续的训练数据作为输入，紧随其后的第四个数据作为输出，进行模型的训练，例如将0-336h的测试指标作为输入，第504h的测试指标作为输出。测试时，则只需要将每三个连续的测试数据作为输入即可，其输出则作为判断模型准确度的依据。
因此在步骤S105之后，还包括步骤S107，用上述的测试数据测试步骤S105得到的紫外发光二极管性能退化预测模型的准确度。
如图4所示，步骤S107具体包括以下步骤：
步骤S1071，将测试数据输入到步骤S105得到的紫外发光二极管性能退化预测模型；
步骤S1072，将获得的紫外发光二极管性能退化预测模型的输出，与采集到的原始时间序列测试数据进行对比，从而得到紫外发光二极管性能退化预测模型的准确度。
其中，步骤S105中得到的紫外发光二极管性能退化预测模型，在对输入的测试数据(即多个连续时间点的测试指标)进行处理后，会输出一个预测数据，该预测数据代表的是某一时刻(多个连续时间点相邻的后一时间点)的预测数据，将其与同一时间点下的原始时间序列测试数据进行对比，计算偏差即可获得紫外发光二极管性能退化预测模型的准确度。
例如在本实施例中，而试验中测得的1008h时刻辐射功率为0.8588563，表1中紫外发光二极管性能退化预测模型在对输入的测试数据进行处理后，其输出的结果为0.8595，预测的误差仅为0.075％，由此可见，长短期记忆网络经训练学习预测准确度很高，可以用于后续的预测和估计。
本实施例中，在得到步骤S107中紫外发光二极管性能退化预测模型的准确度之后还包括以下步骤：
步骤S109，将步骤S107中得到的紫外发光二极管性能退化预测模型的准确度与预设准确度进行对比；
并当得到的紫外发光二极管性能退化预测模型的准确度低于预设准确度时，重新对基于循环神经网络改进的长短期记忆网络的预测模型进行训练，具体的是重新进行步骤S105，继续调整公式(1)中的重系数矩阵W，直至紫外发光二极管性能退化预测模型的准确度不低于预设准确度。
本发明还提供第二方面的实施例，一种紫外发光二极管寿命预测方法，如图5所示，包括以下步骤，
步骤S201，获取原始时间序列测试数据；
该原始时间序列测试数据为按照时间顺序采集的所述紫外发光二极管的老化试验中多个时间点的测试指标，该测试指标为紫外发光二极管性能随时间发生退化的指标。
通常选取紫外LED光特性衰减指标作为评价紫外发光二极管寿命的指标，而在本实施例中，更优选辐射功率的退化指标来评价紫外LED光特性衰减指标，因此上述的测试数据即为辐射功率。可以理解的是，在将本发明的紫外发光二极管寿命预测方法应用到其他诸如LED芯片、模组产品上时，原始的时间序列数据的测试指标则可以相应的变为流明退化指标、色漂量退化指标等参数。
具体到采集原始时间序列测试数据时，本实施例中试验的样品采用的是晶能光电@UXDO-Y，@UXDO-Y的成本较小、功率较大，其主要由封装材料、芯片、铜制底座、铝基板以及热沉构成，封装材料采用的是最新的大功率陶瓷材料，其光谱的发射波长在365-375nm。本实例设计的试验方案选取13颗紫外LED样品，采用高温老化箱及直流电流进行老化实验，老化的环境温度为55℃，驱动电流为额定电流350mA；采用积分球系统进行光电参数测试，老化实验的时长为3192h，测试周期为一周，即168h。其中，积分球系统可以用辐照计等装置替代。
其中原始时间序列测试数据共有13组，每组数据为以168h为周期，共包含0h-3192h的测试数据，即以辐照功率表示的测试指标。
步骤S203，将原始时间序列测试数据输入上述的紫外发光二极管性能退化预测模型，获得后续时间的指标退化数据；
可以理解的是，由于输入到紫外发光二极管性能退化预测模型中的数据至少需要3个连续的时间点，因此预测起点应当是在336h之后，例如可以从1008h、1344h、1680h、2016h开始，进行后续时间的指标退化数据的预测。如表2所示，其提供了一组0-3192h的测试数据，以及以该组数据为准，分别从1008h、1344h、1680h、2016h开始进行后续时间点辐照功率预测的预测数据，即表格中加粗字体所表示的数据。
表2
步骤S205，根据后续时间的指标退化数据以及预设的失效阈值，确定紫外发光二极管的预测失效寿命。
例如，规定失效阈值为0.8，则测试指标低于0.8时的时间点即为紫外发光二极管的失效寿命，当然也可以是其他数值，例如0.7。
上述的测试数据实际上是对实测的辐照功率进行处理后所得的，因此通常在根据原始时间序列测试数据输入紫外发光二极管性能退化预测模型之前，即在步骤S201和步骤S203之间，还包括步骤S202。
步骤S202，对原始时间序列测试数据进行归一化处理。
归一化处理具体为：将初始时间点测试指标定为1，将后一时间点测试指标定为其与前一时间点测试指标的比值，通过以下公式实现：
Xt＝Pt/P0 (4)
其中Pt表示t时间点实测的辐照功率(测试指标)，P0表示的是0h时间点实测的辐照功率，Xt则表示的是经过归一化处理后t时间点的测试数据，也即是表2中所列的数据。上述失效阈值为0.8表示的是辐射功率维持率为0.8。
同时，在同样的预测起点(1008h、1344h、1680h、2016h)，由公式(5)、(6)规定的TM-21标准方法的非线性拟合也可以进行后续时间点数据的预测，同样也可以得出相应的估计寿命。
X(t)＝β·exp(-αt) (5)
其中，α和β分别表示退化曲线拟合的派生系数和初始系数，其中α＞0。
图6-9分别显示了，通过TM-21方法以及本发明的紫外发光二极管寿命预测方法(LSTM)，以1008h、1344h、1680h、2016h为预测起始点所得到辐射功率维持率预测曲线(图中的实线部分表示TM-21方法，图中的虚线部分表示本发明的紫外发光二极管寿命预测方法)和寿命估计结果(图中的水平虚线与上述两条线的交点所对应的横坐标)。即，两种方法所预测的紫外发光二极管寿命均由各自方法下辐射功率维持率预测曲线与失效阈值的线性插值得到。
根据，表2中测试数据可以看出，以辐射功率维持率0.8作为失效阈值时，紫外发光二极管的实测寿命在2352h附近，结合图6-9的结果可见，本发明的紫外发光二极管寿命预测方法(LSTM)预测得到的寿命更加接近于实测的寿命。
上述如图6-9虽然显示了本发明的紫外发光二极管寿命预测方法相对于TM-21方法更加可靠，但是其缺乏数据化的支撑。因此，
本发明还提供第三方面的实施例，一种紫外发光二极管寿命预测方法准确度的判断方法，紫外发光二极管寿命预测方法为上述的紫外发光二极管寿命预测方法，判断方法包括，
步骤S301，对多件紫外发光二极管的原始时间序列测试数据进行非线性拟合，得到多条退化曲线；
具体是将上述的13组数据，经过归一化处理后，标记在以时间为横坐标，以辐射功率维持率为纵坐标的坐标系中，再用上述的公式(5)分别对每一组数据进行非线性拟合，从而得到13条退化曲线。
步骤S303，根据失效阈值和多条退化曲线，得到多个实测失效寿命；
由上述的公式(6)可以得到各样品辐射功率维持率为0.8时的寿命结果，该寿命结果即可以理解为实测失效寿命；
或者，以失效阈值所在位置做平行于横坐标的直线，其与上述的多条退化曲线均有一个交错点，该交错点的横坐标值即可以理解为实测失效寿命。
步骤S305，根据多个实测失效寿命得到概率密度分布曲线，并根据概率密度分布曲线得到真实失效寿命；
利用威布尔分布对上述的13个实测失效寿命进行评估，即可得到概率密度分布曲线，如图11所示，通过概率密度分布曲线可以得出真实失效寿命L80＝2303.9h。
步骤S307，将预测失效寿命和真实失效寿命进行对比，即可得到紫外发光二极管寿命预测方法的准确度；
例如，以1008h为预测起始时间点时，预测失效寿命为1983.4h，与2303.9h相比，其误差为13.9％，相应的TM-21预测的误差则为47％。
将两种方法的预测结果与L80＝2303.9h进行比较，可以得到两种方法下紫外发光二极管预测寿命的误差，如表3所示。
表3
可见，本发明的紫外发光二极管寿命预测方法的预测准确度明显的大大高于基于TM-21标准的非线性拟合预测方法的预测准确度；根据调整预测起始点从1008h到2016h后的寿命估计结果，基于TM-21标准的非线性拟合预测的误差虽然明显降低，但波动性很大，其算法的鲁棒性较差。相比TM-21方法，本发明的紫外发光二极管寿命预测方法只需少量的测试数据就能很好的预测准确度，有效减少了紫外LED样品的采集测试时间，且算法的鲁棒性特征较好，是一种可靠的紫外LED的寿命预测算法。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (10)
1.一种紫外发光二极管性能退化预测模型构建方法，其特征在于：包括以下步骤，
获取原始时间序列测试数据，所述原始时间序列测试数据为按照时间顺序采集的紫外发光二极管的老化试验中多个时间点的测试指标，所述测试指标为所述紫外发光二极管性能随时间发生退化的指标；
根据所述原始时间序列测试数据训练基于循环神经网络改进的长短期记忆网络，得到所述紫外发光二极管性能退化预测模型；
其中，所述基于循环神经网络改进的长短期记忆网络的输入为所述原始时间序列测试数据中多个连续时间点测试指标，所述基于循环神经网络改进的长短期记忆网络的输出为所述原始时间序列测试数据中与所述多个连续时间点相邻的后一时间点的测试指标。
2.根据权利要求1所述的紫外发光二极管性能退化预测模型构建方法，其特征在于：所述基于循环神经网络改进的长短期记忆网络包括，
输入层，所述输入层用于获取当前时间点测试指标xt；
隐含层，所述隐含层用于根据所述当前时间点测试指标xt、前一时间点短期记忆ht-1和前一时间点长期记忆ct-1得到当前时间点短期记忆ht和当前时间点长期记忆ct；
输出层，所述输出层用于将所述当前时间点短期记忆ht作为当前时间点输出yt进行输出，所述当前时间点输出yt即为所述后一时间点测试指标xt+1；
其中，所述隐含层包括多个隐含模块，所述每个隐含模块均包括四个互相交互的全连接层，所述四个互相交互的全连接层分别为，
gt层，所述gt层用于对所述当前时间点测试指标xt和所述前一时间点短期记忆ht-1进行分析；
遗忘门，所述遗忘门由ft控制，所述遗忘门用于控制是否丢弃所述前一时间点长期记忆ct-1中的部分内容；
输入门，所述输入门由it控制，所述输入门用于筛选所述gt层的分析结果，并将筛选结果与所述遗忘门的遗忘结果进行合并，形成当前时间点长期记忆ct；
以及输出门，所述输出门由ot控制，所述输出门用于控制是否读取和输出所述当前时间点长期记忆ct中的部分内容。
3.根据权利要求2所述的紫外发光二极管性能退化预测模型构建方法，其特征在于：所述基于循环神经网络改进的长短期记忆网络的预测模型通过以下公式实现：
其中，σ和tanh分别对应神经网络中sigmod和tanh非线性激活函数；W对应权重系数矩阵，所述四个全连接层关于所述当前时间点测试指标xt的权重矩阵为{Wxi,Wxf,Wxo,Wxg}，所述四个全连接层关于所述前一时间点短期记忆ht-1的权重矩阵为{Whi,Whf,Who,Whg}。
4.根据权利要求3所述的紫外发光二极管性能退化预测模型构建方法，其特征在于：所述得到紫外发光二极管性能退化预测模型之后还包括，
对所述紫外发光二极管性能退化预测模型的输出和理论值作误差损失计算，并根据所述误差损失计算结果调整所述权重系数矩阵W。
5.根据权利要求1所述的紫外发光二极管性能退化预测模型构建方法，其特征在于：所述原始时间序列测试数据包括训练数据和测试数据，所述训练数据用于训练所述基于循环神经网络改进的长短期记忆网络，所述测试数据用于测试所述紫外发光二极管性能退化预测模型的准确度；
其中，所述测试数据测试所述紫外发光二极管性能退化预测模型的准确度包括，
将所述测试数据输入所述紫外发光二极管性能退化预测模型；
将获得的所述紫外发光二极管性能退化预测模型的输出与采集到的所述原始时间序列测试数据进行对比，得到所述紫外发光二极管性能退化预测模型的准确度。
6.根据权利要求5所述的紫外发光二极管性能退化预测模型构建方法，其特征在于：在得到所述紫外发光二极管性能退化预测模型的准确度之后还包括，
将得到的所述紫外发光二极管性能退化预测模型的准确度与预设准确度进行对比；
当得到的所述紫外发光二极管性能退化预测模型的准确度低于所述预设准确度时，重新对所述基于循环神经网络改进的长短期记忆网络进行训练。
7.一种紫外发光二极管寿命预测方法，其特征在于：包括以下步骤，
获取原始时间序列测试数据，所述原始时间序列测试数据为按照时间顺序采集的紫外发光二极管的老化试验中多个时间点的测试指标，所述测试指标为所述紫外发光二极管性能随时间发生退化的指标；
将所述原始时间序列测试数据输入如权利要求1-6任一项所述的紫外发光二极管性能退化预测模型，获得后续时间的指标退化数据；
根据所述后续时间的指标退化数据以及预设的失效阈值，确定所述紫外发光二极管的预测失效寿命。
8.根据权利要求7所述的紫外发光二极管寿命预测方法，其特征在于：所述测试指标为辐射功率。
9.根据权利要求7所述的紫外发光二极管寿命预测方法，其特征在于：将所述原始时间序列测试数据输入如权利要求1-6任一项所述的紫外发光二极管性能退化预测模型之前，对所述原始时间序列测试数据进行归一化处理。
10.一种紫外发光二极管寿命预测方法准确度的判断方法，其特征在于：所述紫外发光二极管寿命预测方法为权利要求7-9任一项所述的方法，所述判断方法包括，
对多件紫外发光二极管的原始时间序列测试数据进行非线性拟合，得到多条退化曲线；
根据所述失效阈值和所述多条退化曲线，得到多个实测失效寿命；
根据所述多个实测失效寿命得到概率密度分布曲线，并根据所述概率密度分布曲线得到真实失效寿命；
对比所述预测失效寿命和所述真实失效寿命，得到所述紫外发光二极管寿命预测方法的准确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010965810.6A CN112084717A (zh) | 2020-09-15 | 2020-09-15 | 紫外发光二极管性能退化预测模型构建及寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010965810.6A CN112084717A (zh) | 2020-09-15 | 2020-09-15 | 紫外发光二极管性能退化预测模型构建及寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112084717A true CN112084717A (zh) | 2020-12-15 |
Family
ID=73737845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010965810.6A Pending CN112084717A (zh) | 2020-09-15 | 2020-09-15 | 紫外发光二极管性能退化预测模型构建及寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084717A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158601A (zh) * | 2021-03-24 | 2021-07-23 | 复旦大学 | 高可靠板级扇出型SiC MOSFET封装结构优化方法 |
| CN113988389A (zh) * | 2021-10-15 | 2022-01-28 | 厦门大学 | 一种led结构性能的预测方法 |
| 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 |
| CN115762617A (zh) * | 2022-11-30 | 2023-03-07 | 深圳市章江科技有限公司 | 一种基于神经网络模型的dram储存器性能预测方法和系统 |
| WO2024045351A1 (zh) * | 2022-08-29 | 2024-03-07 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
| CN117917250A (zh) * | 2024-01-05 | 2024-04-23 | 中国人民解放军南部战区总医院 | 紫外线消毒的智能监测系统 |
| CN118565773A (zh) * | 2024-07-29 | 2024-08-30 | 江西煜明智慧光电股份有限公司 | 一种无荧光粉多基色led光源模组的检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
-
2020
- 2020-09-15 CN CN202010965810.6A patent/CN112084717A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘春军;肖承地;刘卫东;: "基于蚁群神经网络的LED灯管寿命预测", 半导体光电, no. 05, pages 0 - 3 * |
| 王奉涛等: "基于长短期记忆网络的滚动轴承寿命预测方法", 振动.测试与诊断, pages 1 - 2 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158601A (zh) * | 2021-03-24 | 2021-07-23 | 复旦大学 | 高可靠板级扇出型SiC MOSFET封装结构优化方法 |
| CN113988389A (zh) * | 2021-10-15 | 2022-01-28 | 厦门大学 | 一种led结构性能的预测方法 |
| WO2024045351A1 (zh) * | 2022-08-29 | 2024-03-07 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
| CN115762617A (zh) * | 2022-11-30 | 2023-03-07 | 深圳市章江科技有限公司 | 一种基于神经网络模型的dram储存器性能预测方法和系统 |
| CN115762617B (zh) * | 2022-11-30 | 2024-06-04 | 深圳市章江科技有限公司 | 一种基于神经网络模型的dram储存器性能预测方法和系统 |
| 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 |
| CN117917250A (zh) * | 2024-01-05 | 2024-04-23 | 中国人民解放军南部战区总医院 | 紫外线消毒的智能监测系统 |
| CN118565773A (zh) * | 2024-07-29 | 2024-08-30 | 江西煜明智慧光电股份有限公司 | 一种无荧光粉多基色led光源模组的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112084717A (zh) | 紫外发光二极管性能退化预测模型构建及寿命预测方法 | |
| CN111612142B (zh) | 一种基于bp神经网络的大功率led寿命预测方法 | |
| CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
| Lu et al. | Multidimensional data-driven life prediction method for white LEDs based on BP-NN and improved-adaboost algorithm | |
| CN111814401A (zh) | 基于遗传算法的bp神经网络的led寿命预测方法 | |
| CN114861533A (zh) | 基于时间卷积网络的风功率超短期预测方法 | |
| CN112989706A (zh) | 一种隧道灯具照度衰减预测方法 | |
| CN105606212B (zh) | 一种led产品光通量及颜色维持寿命预测方法 | |
| Liu et al. | Lifetime prediction of a multi-chip high-power LED light source based on artificial neural networks | |
| CN103293461A (zh) | Led加速老化试验最佳测试温度的确定方法 | |
| CN114091647B (zh) | 一种基于bp神经网络的太阳10.7厘米射电流量预报方法 | |
| CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
| CN117056644A (zh) | 基于机器学习的工业窑炉温度预测方法及系统 | |
| CN108198268B (zh) | 一种生产设备数据标定方法 | |
| CN116746511A (zh) | 一种基于人工智能的蛋鸭笼养环境光照控制系统 | |
| CN111930601A (zh) | 一种基于深度学习的数据库状态综合评分方法及其系统 | |
| CN113239654B (zh) | 基于fig和ipso算法的igbt剩余寿命预测方法 | |
| CN113536662B (zh) | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 | |
| CN110737987B (zh) | 一种led照明产品预期寿命评价方法 | |
| CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
| CN113902166A (zh) | 大数据融合碳排放治理、预测分析模型方法 | |
| CN111754033B (zh) | 一种基于循环神经网络的非平稳时序数据预测方法 | |
| CN117408833A (zh) | 一种基于负荷辨识的短期负荷预测的方法 | |
| CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
| CN117131788A (zh) | 一种聚合物板材的优化成型方法和系统 |
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 |