CN112380768A - 一种基于bp神经网络的led芯片寿命预测方法 - Google Patents

一种基于bp神经网络的led芯片寿命预测方法 Download PDF

Info

Publication number
CN112380768A
CN112380768A CN202011257373.9A CN202011257373A CN112380768A CN 112380768 A CN112380768 A CN 112380768A CN 202011257373 A CN202011257373 A CN 202011257373A CN 112380768 A CN112380768 A CN 112380768A
Authority
CN
China
Prior art keywords
led chip
neural network
layer
output
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.)
Withdrawn
Application number
CN202011257373.9A
Other languages
English (en)
Inventor
胡永乐
杨平
张明军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202011257373.9A priority Critical patent/CN112380768A/zh
Publication of CN112380768A publication Critical patent/CN112380768A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • 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)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Led Devices (AREA)

Abstract

本发明公开一种基于BP神经网络的LED芯片寿命预测方法。本发明利用BP神经网络进行模拟预测，以LED芯片的内部结构参数和外部环境以及施加的载荷等因素为变量，以预测LED芯片的寿命作为模型的输出量，训练并建立LED芯片寿命预测模型；从而可以快速有效的预测LED芯片寿命，也可以有效避免LED芯片加速寿命实验、常规LED芯片点亮实验等诸多复杂过程，另外也为实际生产中LED芯片制造和实际使用中的维护提供了相应的参考和依据。

Description

一种基于BP神经网络的LED芯片寿命预测方法
技术领域
本发明涉及一种LED芯片寿命预测方法，属于电子半导体技术领域。
背景技术
LED(Light Emitting Diode)芯片自从其问世以来，因为其自身具有体积小、能耗低、发光效率高、重量轻、结构简单、光谱全、寿命长等一系列特点，且相对于传统的照明光源：白炽灯、荧光灯、氙灯在节能环保方面有着明显的优势一直备受人们的推崇，尤其在现如今能源短缺、全球气候变暖等问题日益突出，全球节能环保意识不断提高，LED芯片更以其优点被人们寄予厚望，被人们誉为第四代照明技术，大量的使用在各种照明领域。然而，另一方面由于LED芯片寿命预测问题一直没有得到很好的解决，也从某种程度上限制了LED芯片普及和使用，导致这一问题是由于LED芯片的寿命有着诸多的影响因素，包括来自LED芯片内部结构因素，LED芯片使用时的外部环境因素，以及LED芯片的载荷加载因素等，所以如何在复杂因素作用的条件下有效预测LED芯片的寿命，从而能够让LED芯片更高效的合理使用以及对LED芯片的生产加工制造都具有重要的意义。
目前LED芯片寿命的预测主要依靠两类方法：加速寿命实验法和常规点亮法。
其中加速寿命实验法是按照一定的技术指标通过变相有序的加大LED芯片载荷来，来让LED芯片的寿命故障提前显现，再由实际中测得的各项数据按照一定的统计数据原则进行处理，根据处理结果逆推断出实际LED芯片的寿命。但加速寿命的实验方法有其不足，其加载的实验平台设备性能要求较高，不易搭建，在整个过加载的环境中，加载的具体载荷数值标准不明确，导致结果有一定的误差，实际中加速寿命的LED芯片个数一般不会太多，结果有一定的偶然性，另外LED芯片加速寿命测试实验所需时间只是相对常规点亮实验进行了一定的缩短，但实际的测试时间还是相当长一般在1500小时左右。另外一种方法：常规的点亮实验，其基本操作就是在各种环境下点亮一定数量的LED芯片，让LED 芯片在正常的工作载荷下进行工作，整个LED芯片点亮过程在一定比例的LED 芯片达到失效条件后终止点亮。再根据实际的点亮实验，运用威布尔分布，阿伦尼茨分布等经典的统计方法进行LED芯片的寿命预测。常规LED芯片点亮实验的缺点就是实验的时间过于长久，因为LED芯片的寿命基本为50000h以上。
所以，目前各种存在的LED芯片寿命预测方法都不能快速简洁有效的预估LED芯片寿命，这也就进一步制约了LED芯片使用。
发明内容
针对现有预测LED芯片寿命的局限性，本发明提供了一种基于BP神经网络的LED芯片寿命预测方法，利用BP神经网络良好的非线性函数逼近能力, 来实现对LED芯片寿命的预测，这对LED芯片的照明设备的维护，对生产厂家生产加工质量的控制提供了相应的参考依据，另一方面解决了寿命预测问题还能进一步促进LED芯片的普及使用。
本发明的技术解决方案是：一种基于BP神经网络的LED芯片寿命预测方法。具体步骤如下：
步骤1、分析并选取实际中影响LED芯片寿命的各个主要因素；
步骤2、根据所选取的各个不同因素的历史数据生成模型的输入向量，以实际中各个影响因素对应的LED芯片寿命的历史数据作为输出，得到训练样本；
步骤3、依据所述输入向量和输出向量构造BP神经网络模型；
步骤4、利用所得的训练样本对BP神经网络进行训练，得到训练后的BP 神经网络；
步骤5、选定待寿命预测的LED芯片各个影响因素数据生成输入向量，并将输入向量输入训练后的BP神经网络，其输出即为待测LED芯片的寿命值；
本发明与现有技术相比的优点在于：1.利用BP神经网络模型其本身良好的非线性函数逼近能力。2.本发明利用了已完成的LED芯片寿命测试实验的大量历史数据为样本，来对算法进行相应的学习和建立，很大程度上确保了BP神经网络LED芯片寿命模型的精度。3.由于在BP神经网络模型构建时其输出层包含了LED芯片内部结构因素和外部环境以及加载因素等诸多因素，包含范围之广进一步提高了最终寿命预测模型的准确性。4.利用BP神经网络LED芯片寿命预测模型，可以有效避免LED芯片加速寿命实验、LED芯片点亮实验等诸多复杂过程，能直接根据LED芯片的各参数借助BP神经网络模型预测其寿命，方便快捷。
附图说明
图1基于BP神经网络的LED芯片寿命预测方法流程图。
具体实施方式
本发明提供一种基于BP神经网络的LED芯片寿命预测方法，下面结合附图1对本发明的技术方案进行详细说明：
4.1)先对LED芯片寿命预测BP神经网络进行初始化；根据BP神经网络寿命预测模型确定输入层的节点数n、隐含层节点数m和输出层节点数q，初始化隐含层权值wji和输出层权值wjk、隐含层第j节点的阈值aj、输出层第k节点的阈值bk，给定学习速率η(0<η<1)、神经元激励函数，本发明激励函数为单极性Sigmoid函数：
Figure RE-GDA0002837274780000031
4.2)从实际LED芯片寿命历史数据中选取足够多的样本，并对样本的各个参数进行归一化处理；具体步骤为将外部环境温度T、LED芯片加载的电流 A、LED芯片加载的电压U、LED芯片底座散热器材料导热系数KD、LED芯片底座散热器厚度HD、LED芯片焊锡的导热系数KH、环氧树脂的厚度HS、环氧树脂内部荧光粉的含量C、LED芯片内部发光源的个数M、LED内部发光源之间的间距L、LED芯片寿命F进行转值，其规格化的公式为：
Figure RE-GDA0002837274780000032
其中，xj为输入层向量中的参数，Xj分别为影响因素参数T、A、U、KD、HD、 KH、HS、C、M、L、F，j＝1,2,3,4,5,6,7,8,9,10,11；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
4.3)利用归一化后的LED芯片寿命样本进行隐含层输出计算：根据输入向量，输入层和隐含层连接权值wji以及隐含层阈值aj，计算隐含层的输入Zj输出yj：
Figure RE-GDA0002837274780000033
Figure RE-GDA0002837274780000041
4.4)输出层输出计算：根据隐含层输出yj，隐含层和输出层的连接权值wjk和阈值bk，计算输出层输入Zk输出Ok：
Figure RE-GDA0002837274780000042
Figure RE-GDA0002837274780000043
4.5)误差计算：根据BP神经网络LED芯片寿命模型的预测输出O和期望输出d，计算BP网络神经预测误差E：
Figure RE-GDA0002837274780000044
4.6)BP神经网络LED芯片寿命模型的权值更新：根据网络预测误差E更新网络连接权值wjk和wji：
wjk(t+1)＝wjk(t)+Δwjk其中Δwjk＝η(dk-Ok)Ok(1-Ok)yj
wji(t+1)＝wji(t)+Δwji其中
Figure RE-GDA0002837274780000045
上述i＝1,2,…n；j＝1,2,…m；k＝1,2,…q；
4.7)BP神经网络LED芯片寿命模型阈值更新：根据网络预测误差E更新网络节点阈值aj和bk：
Figure RE-GDA0002837274780000046
aj(t+1)＝aj(t)+η(dk-Ok)Ok(1-Ok)
上述j＝1,2,…m；k＝1,2,…q
根据神经网络寿命预测模型是否达到误差要求和学习次数，判断算法迭代是否结束，若没有结束，继续往下执行；
将以上的计算结果作为下一次的BP神经网络LED芯片寿命模型的训练参数，通过不断的修正，直至得到符合要求的模型。
选定待预测寿命的LED芯片以及LED芯片的各个影响因素的值，生成测试输入向量，将测试输入向量输入训练完成后的BP神经网络模型，其输出就是 LED芯片的预测寿命。
尽管本发明的内容已经通过上述优选实例作了详细介绍，但应当认识到上述的描述不应该被认为是对本发明的限制。本领域技术员阅读了上述内容后，对于本发明的多种修改和替代都将是显然易见的。因此，本发明的保护范围应该由所附的权利要求来限定。

Claims (5)

1.基于BP神经网络的LED芯片寿命预测方法其特征在于，包括以下步骤：
步骤1、分析并选取实际中主要影响LED芯片寿命的各个因素
步骤2、根据所选取的各个不同因素的历史数据生成模型的输入向量，以实际中各个影响因素对应的LED芯片寿命的历史数据作为输出，得到训练样本；
步骤3、依据所述输入向量和输出向量构造BP神经网络模型；
步骤4、利用所得的训练样本对BP神经网络进行训练，得到训练后的BP神经网络；
步骤5、选定待预测LED芯片各个影响因素实际数据生成测试输入向量，并将测试输入向量输入训练后的BP神经网络，其输出即为待预测LED芯片的寿命值。
2.根据权利要求1所述基于BP神经网络的LED芯片寿命预测方法，其特征在于：所述影响因素包括：外部环境温度T、加载的电流A、加载的电压U、LED芯片底座散热器材料导热系数KD、LED芯片底座散热器厚度HD、LED芯片焊锡的导热系数KH、环氧树脂的厚度HS、环氧树脂内部荧光粉的含量C、LED芯片内部发光源的个数M、LED内部发光源之间的间距L。
3.根据权利要求1所述基于BP神经网络的LED芯片寿命预测方法，其特征在于，所述步骤3中的BP神经网络的LED芯片寿命预测模型包含三个层：输入层、隐藏层、输出层。x1，x2，…，xj为BP神经网络的输入变量，d1，d2，…,dk为BP神经网络期望值，输入层与隐含层的权值为wjii＝1,2,…n.j＝1,2,…m，隐含层与输出层的权值为wjk j＝1,2,…m.k＝1,2,..q,aj为隐含层的阈值，bk为输出层的阈值。输入节点为n，隐含层节点为m＝n-1，输出节点为q，本发明的输入节点为10，隐含层节点为9，输出层节点为1。
4.根据权利要求1所述方法，其特征在于：所述的基于BP神经网络的训练过程是:首先初始化BP神经网络模赋予各个变量相应值，输入LED芯片寿命影响因素的样本数据,开始数据的正向传播：由输入层传递给隐藏层,隐藏层通过权重及激励函数将处理的结果传递给输出层；完成上述正向传播过程后进入反向传播过程：将得到的输出层结果与期望结果进行比较得到误差,并开始逐层计算各个神经元的输出误差,再根据误差梯度下降法逆推对神经网络中权值与阈值进行重新反馈修正,使其网络的最终输出值能接近期望输出值，将定期检测的LED芯片寿命数据对BP神经网络进行多次训练以完善模型的准确性,从而来完成学习的过程。
5.根据权利要求1所述方法，其特征在于：所述步骤4中训练BP神经网络的训练步骤如下：
4.1)先对LED芯片寿命预测BP神经网络进行初始化；根据BP神经网络寿命预测模型确定输入层的节点数n、隐含层节点数m和输出层节点数q，初始化wjk和wji、隐含层第j节点的阈值aj、输出层第k节点的阈值bk，给定学习速率η(0<η<1)、神经元激励函数，本发明激励函数为单极性Sigmoid函数：
Figure RE-RE-FDA0002837274770000021
4.2)从实际LED芯片寿命历史数据中选取足够多的样本，并对样本的各个参数进行归一化处理；具体方法为将外部环境温度T、LED芯片加载的电流A、LED芯片加载的电压U、LED芯片底座散热器材料导热系数KD、LED芯片底座散热器厚度HD、LED芯片焊锡的导热系数KH、环氧树脂的厚度HS、环氧树脂内部荧光粉的含量C、LED芯片内部发光源的个数M、LED内部发光源之间的间距L、LED芯片寿命F进行转值，其规格化的公式为：
Figure RE-RE-FDA0002837274770000022
其中，xj为输入层向量中的参数，Xj分别为影响因素参数T、A、U、KD、HD、KH、HS、C、M、L、F，j＝1,2,3,4,5,6,7,8,9,10,11；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
4.3)利用归一化后的LED芯片寿命样本进行隐含层输出计算：根据输入向量，输入层和隐含层连接权值wji以及隐含层阈值aj，计算隐含层的输入Zj输出yj：
Figure RE-RE-FDA0002837274770000023
Figure RE-RE-FDA0002837274770000024
4.4)输出层输出计算：根据隐含层输出yj，隐含层和输出层的连接权值wjk和阈值bk，计算输出层输入Zk输出Ok：
Figure RE-RE-FDA0002837274770000031
Figure RE-RE-FDA0002837274770000032
4.5)误差计算：根据BP神经网络LED芯片寿命模型的预测输出O和期望输出d，计算BP网络神经预测误差E：
Figure RE-RE-FDA0002837274770000033
4.6)BP神经网络LED芯片寿命模型的权值更新：根据网络预测误差E更新网络连接权值wjk和wji：
wjk(t+1)＝wjk(t)+Δwjk其中Δwjk＝η(dk-Ok)Ok(1-Ok)yj
wji(t+1)＝wji(t)+Δwji其中
Figure RE-RE-FDA0002837274770000034
上述i＝1,2,…n；j＝1,2,…m；k＝1,2,…q；
4.7)BP神经网络LED芯片寿命模型阈值更新：根据网络预测误差E更新网络节点阈值aj和bk：
Figure RE-RE-FDA0002837274770000035
aj(t+1)＝aj(t)+η(dk-Ok)Ok(1-Ok)
上述j＝1,2,…m；k＝1,2,…q
根据神经网络寿命预测模型是否达到误差要求和学习次数，判断算法迭代是否结束，若没有结束，继续往下执行；
4.8)将以上的计算结果作为下一次的BP神经网络LED芯片寿命模型的训练参数，通过不断的修正，直至得到符合要求的模型。
4.9)选定待预测寿命的LED芯片以及LED芯片的各个影响因素的值，生成测试输入向量，将测试输入向量输入训练完成后的BP神经网络模型，其输出就是LED芯片的预测寿命。
CN202011257373.9A 2020-11-11 2020-11-11 一种基于bp神经网络的led芯片寿命预测方法 Withdrawn CN112380768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011257373.9A CN112380768A (zh) 2020-11-11 2020-11-11 一种基于bp神经网络的led芯片寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011257373.9A CN112380768A (zh) 2020-11-11 2020-11-11 一种基于bp神经网络的led芯片寿命预测方法

Publications (1)

Publication Number Publication Date
CN112380768A true CN112380768A (zh) 2021-02-19

Family

ID=74582821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011257373.9A Withdrawn CN112380768A (zh) 2020-11-11 2020-11-11 一种基于bp神经网络的led芯片寿命预测方法

Country Status (1)

Country Link
CN (1) CN112380768A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239424A (zh) * 2022-02-28 2022-03-25 天津航天瑞莱科技有限公司 小样本数据预测环氧树脂胶粘剂寿命的方法
WO2022227018A1 (zh) * 2021-04-30 2022-11-03 华为数字能源技术有限公司 一种功率半导体器件的测试系统、云服务器及测试机
WO2023060580A1 (zh) * 2021-10-15 2023-04-20 厦门大学 一种led结构性能的预测方法
CN116738804A (zh) * 2023-08-16 2023-09-12 湖南大学 一种基于失效物理的功率模块寿命预测方法
CN117828482A (zh) * 2024-03-04 2024-04-05 北京航空航天大学 基于鸡群算法和马尔科夫法的灰色模型芯片寿命预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106442291A (zh) * 2016-09-30 2017-02-22 中国石油大学(华东) 一种基于bp神经网络的腐蚀疲劳寿命预测方法及应用
CN111612142A (zh) * 2020-03-06 2020-09-01 江苏大学 一种基于bp神经网络的大功率led寿命预测方法
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106442291A (zh) * 2016-09-30 2017-02-22 中国石油大学(华东) 一种基于bp神经网络的腐蚀疲劳寿命预测方法及应用
CN111612142A (zh) * 2020-03-06 2020-09-01 江苏大学 一种基于bp神经网络的大功率led寿命预测方法
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022227018A1 (zh) * 2021-04-30 2022-11-03 华为数字能源技术有限公司 一种功率半导体器件的测试系统、云服务器及测试机
WO2023060580A1 (zh) * 2021-10-15 2023-04-20 厦门大学 一种led结构性能的预测方法
CN114239424A (zh) * 2022-02-28 2022-03-25 天津航天瑞莱科技有限公司 小样本数据预测环氧树脂胶粘剂寿命的方法
CN116738804A (zh) * 2023-08-16 2023-09-12 湖南大学 一种基于失效物理的功率模块寿命预测方法
CN116738804B (zh) * 2023-08-16 2023-11-03 湖南大学 一种基于失效物理的功率模块寿命预测方法
CN117828482A (zh) * 2024-03-04 2024-04-05 北京航空航天大学 基于鸡群算法和马尔科夫法的灰色模型芯片寿命预测方法
CN117828482B (zh) * 2024-03-04 2024-05-07 北京航空航天大学 基于鸡群算法和马尔科夫法的灰色模型芯片寿命预测方法

Similar Documents

Publication Publication Date Title
CN112380768A (zh) 一种基于bp神经网络的led芯片寿命预测方法
CN111612142B (zh) 一种基于bp神经网络的大功率led寿命预测方法
CN111814401B (zh) 基于遗传算法的bp神经网络的led寿命预测方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN109978283B (zh) 一种基于分支进化神经网络的光伏发电功率预测方法
Lu et al. Multidimensional data-driven life prediction method for white LEDs based on BP-NN and improved-adaboost algorithm
CN113128113B (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
TW200849345A (en) Dual-phase virtual metrology method
Liu et al. Lifetime prediction of a multi-chip high-power LED light source based on artificial neural networks
Fan et al. Machine-learning assisted prediction of spectral power distribution for full-spectrum white light-emitting diode
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
CN112952807A (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
CN115345297A (zh) 一种基于生成对抗网络的台区样本生成方法及系统
CN111222762A (zh) 太阳能电池板镀膜工艺状态监控及质量控制系统
Cao et al. Predicting of luminous flux for a LED array using artificial neural network
CN111027760B (zh) 一种基于最小二乘向量机的电力负荷预测方法
CN112465215A (zh) 一种分布式能源用户侧冷热电短期负荷预测方法及系统
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法
Hsu Improving the lighting performance of a 3535 packaged hi-power LED using genetic programming, quality loss functions and particle swarm optimization
Song et al. Research on the life prediction of light-emitting diode based on neural network
Huang et al. A novel multiple-stress-based predictive model of LEDs for rapid lifetime estimation
CN111967689A (zh) 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法
CN117275634B (zh) 一种基于机器学习的钙钛矿太阳能电池设计方法及装置
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
Qiyan Research on thermal effect of power LED devices based on PCA and neural network

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210219

WW01 Invention patent application withdrawn after publication