CN115828744A

CN115828744A - 一种白光发光二极管故障在线诊断与寿命预测方法

Info

Publication number: CN115828744A
Application number: CN202211503825.6A
Authority: CN
Inventors: 樊嘉杰; 温敏桢
Original assignee: Fudan University
Current assignee: Fudan University
Priority date: 2022-11-28
Filing date: 2022-11-28
Publication date: 2023-03-21

Abstract

本发明涉及一种白光发光二极管故障在线诊断与寿命预测方法，其中，故障在线诊断方法包括：获取原始时间序列在线测试数据；确定基于马氏距离或熵产生率的健康指标构成的经过归一化和标准化处理的初级时间序列在线干净测试数据；构建基于循环神经网络改进的长短期记忆网络，作为预测模型，模型输入为初级时间序列在线干净测试数据中一系列连续时间点健康指标，输出为与所述一系列连续时间点相邻的后一时间点的健康指标；训练预测模型并评估健康指标，得到用于故障诊断的最小数据量，并作为健康数据分割线，得到故障阈值以及故障首次检测到的时间，输出故障在线诊断结果。与现有技术相比，本发明具有高精度、高可靠、高速度等优点。

Description

一种白光发光二极管故障在线诊断与寿命预测方法

技术领域

本发明涉及白光发光二极管寿命预测技术领域，尤其是涉及一种基于健康指标评估的白光发光二极管故障在线诊断与寿命预测方法。

背景技术

半导体照明行业迎来新的机遇与挑战，亟需开拓新领域。半导体照明技术新的增长点包括Mini LED、Micro LED、高光效LED等，其特殊照明应用前景极好；另一方面，半导体照明技术在不同领域的应用，以及与其他不同技术的跨界融合，尤其是结合故障诊断与寿命预测等健康管理技术的结合，使得半导体照明产业有着巨大的发展空间。

半导体照明系统健康评估是保证照明系统正常运行的重要技术手段，也是各厂商降低维修保障费用、科学管理生产产品的基础条件。通过建立健康评估管理平台提供了工作人员使用的可视化操作界面，集成各种故障诊断和可靠性寿命预测算法，为重视产品成效追求产品维护成本的制造厂商具有一定指导意义。

尽管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。

就目前而言，LED性能退化指标很多时候直接使用色度学参数，比如流明数据，来表征退化，因此利用流明维持率来进行LED剩余使用寿命预测已经有较多成熟的研究。然而，利用流明维持率数据难以进行LED故障诊断，因为故障诊断需要利用在线监测数据，如果可以通过故障诊断得到故障首次被检测到的时间，而不是凭借专家经验人为设定寿命预测的起始点，这将为LED老化试验提供更有力的支撑和依据。

近年来，国内外学者将深度学习领域的故障诊断与寿命预测方法应用到LED领域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。

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白光LED显然不适用。

发明内容

本发明的目的就是为了提供一种基于健康指标评估的白光发光二极管故障在线诊断与寿命预测方法，提高白光发光二极管的故障诊断和寿命预测精度的同时提高预测速度和效率。

本发明的目的可以通过以下技术方案来实现：

一种基于健康指标评估的白光发光二极管故障在线诊断方法，包括以下步骤：

获取原始时间序列在线测试数据，所述原始时间序列在线测试数据为：按照时间顺序采集的白光发光二极管的老化试验中一系列时间点的在线测试指标，所述测试指标为白光发光二极管性能随时间发生退化的指标；

根据原始时间序列在线测试数据，计算得到基于马氏距离或熵产生率的健康指标构成的初级时间序列在线测试数据，并进行归一化和标准化处理，得到初级时间序列在线干净测试数据；

构建基于循环神经网络改进的长短期记忆网络，作为白光发光二极管基于健康指标的预测模型，所述预测模型的输入为初级时间序列在线干净测试数据中一系列连续时间点健康指标，输出为初级时间序列在线干净测试数据中与所述一系列连续时间点相邻的后一时间点的健康指标；

训练所述预测模型并从训练时间以及均方根误差两个角度评估健康指标；

根据健康指标评估结果得到用于故障诊断的最小数据量，并作为健康数据分割线，得到故障阈值以及故障首次检测到的时间，输出故障在线诊断结果。

基于马氏距离MD_j的健康指标确定方法包括以下步骤：

获取每个测试样品现场监测到的间接性能参数数据X：

其中，列向量X_i表示一个样本的全部数据，即老化试验某个测量参数的全部采集数据，具体来说，X_ij表示第j个测量参数中第i时刻下采集到的数值；p表示老化试验中采集数据时间点的数量；m表示测量参数的数量。

确定每个样本的总体平均值

确定每个样本的标准差s_i：

确定整体的协方差矩阵C：

其中，

Z_j＝[Z_1jZ_2j…Z_ij…Z_mj]

确定马氏距离值MD：

基于熵产生率

的健康指标为：

其中，I_LED是发光二极管的电流，V_LED是发光二极管的电压，T_j是发光二极管的结温。

所述归一化和标准化处理通过幂转换BOX-COX实现：

式中，y(λ)为经Box-Cox变换后得到的新变量；y为原始连续因变量；λ为变换参数，参数估计通常是通过最大似然估计或者贝叶斯方法得到。

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健康指标x_t；

隐含层，所述隐含层用于根据所述当前时间点健康指标x_t、前一时间点短期记忆h_t-1和前一时间点长期记忆c_t-1得到当前时间点短期记忆h_t和当前时间点长期记忆c_t；

输出层，所述输出层用于将所述当前时间点短期记忆h_t作为当前时间点输出y_t进行输出，所述当前时间点输出y_t即为所述后一时间点健康指标x_t+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：

g_t层，所述g_t层用于对所述当前时间点健康指标x_t和所述前一时间点短期记忆h_t-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c_t-1中的部分内容；

输入门，所述输入门由i_t控制，所述输入门用于筛选所述g_t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c_t；

以及输出门，所述输出门由o_t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c_t中的部分内容。

所述白光发光二极管基于健康指标的预测模型为：

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x_t的权重矩阵为{W_xi,W_xf,W_xo,W_xg}，所述四个全连接层关于所述前一时间点短期记忆h_t-1的权重矩阵为{W_hi,W_hf,W_ho,W_hg}。

所述初级时间序列干净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预测模型的准确度；

其中，所述训练包括正向传播训练过程和反向传播优化过程，所述反向传播优化过程为对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；

所述测试所述预测模型的准确度包括以下步骤：

将测试数据输入白光发光二极管基于健康指标的预测模型；

将获得的预测模型的输出与所述初级时间序列干净测试数据进行对比，得到所述白光发光二极管基于健康指标的预测模型的准确度。

将白光发光二极管基于健康指标的预测模型的准确度与预设准确度进行对比：若白光发光二极管基于健康指标的预测模型的准确度低于所述预设准确度，则重新对基于循环神经网络改进的长短期记忆网络进行训练。

一种白光发光二极管寿命预测方法，包括以下步骤：

获取原始时间序列离线测试数据，所述原始时间序列离线测试数据为按照时间顺序离线采集的白光发光二极管的老化试验中一系列时间点的性能退化测试指标，所述性能退化测试指标为所述白光发光二极管性能随时间发生退化的指标；

获取基于如上述所述的故障在线诊断方法得到的白光发光二极管基于健康指标的预测模型；

将原始时间序列离线测试数据输入白光发光二极管基于健康指标的预测模型，得到故障首次检测到的时间，并基于所述故障首次检测到的时间得到初始时间序列离线测试数据；

利用初始时间序列离线测试数据重新训练白光发光二极管基于健康指标的预测模型，得到基于新退化指标的退化模型，所述退化模型的输入为初始时间序列离线测试数据中一系列连续时间点性能退化测试指标，输出为初始时间序列离线测试数据相邻的后一系列时间点性能退化测试指标，得到故障首次检测到的时间之后的指标退化数据；

根据所述指标退化数据以及预设的失效阈值，确定白光发光二极管的预测失效寿命。

所述性能退化测试指标为流明维持率。

与现有技术相比，本发明具有以下有益效果：

(1)本发明采用基于循环神经网络改进的长短期记忆网络，使得在处理具有时间序列的衰减数据(即白光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，从而在保证输出之间关联性的同时还降低了计算量，降低了白光发光二极管故障诊断和寿命预测模型的训练耗时，保证了算法的可靠性，提高了计算速度，保障了预测时效和准确度。

(2)本发明相比于传统预测方法，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；同时，能够提前检测到故障出现，因此节约了大量的测试时间和成本，同时预测准确度高，适用性好，可为白光发光二极管提供快速可靠的寿命估计。

附图说明

图1为本发明的方法流程图；

图2为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为本发明实施例中基于马氏距离的健康指标评估结果图；

图5为本发明实施例中基于熵产生率的健康指标评估结果图；

图6为本发明实施例中基于马氏距离的故障诊断结果图；

图7为本发明实施例中基于熵产生率的故障诊断结果图；

图8为本发明实施例中基于马氏距离的寿命预测结果图；

图9为本发明实施例中基于熵产生率的寿命预测结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供一种基于健康指标评估的白光发光二极管故障在线诊断方法，包括以下步骤：

S1、获取原始时间序列在线测试数据。

所述原始时间序列在线测试数据为：按照时间顺序采集的白光发光二极管的老化试验中一系列时间点的在线测试指标，所述测试指标为白光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。

S2、根据原始时间序列在线测试数据，计算得到基于马氏距离或熵产生率的健康指标构成的初级时间序列在线测试数据，并进行归一化和标准化处理，得到初级时间序列在线干净测试数据。

21)基于马氏距离MD_j的健康指标确定方法包括以下步骤：

获取每个测试样品现场监测到的间接性能参数数据X：

确定每个样本的总体平均值

确定每个样本的标准差s_i：

确定整体的协方差矩阵C：

其中，

Z_j＝[Z_1jZ_2j…Z_ij…Z_mj]

确定马氏距离值MD：

22)基于熵产生率

的健康指标为：

23)归一化和标准化处理

归一化和标准化处理通过幂转换BOX-COX实现：

S3、构建基于循环神经网络改进的长短期记忆网络，作为白光发光二极管基于健康指标的预测模型，如图2所示，所述预测模型的输入为初级时间序列在线干净测试数据中一系列连续时间点(例如3个连续时间点)健康指标，输出为初级时间序列在线干净测试数据中与所述一系列连续时间点相邻的后一时间点的健康指标。

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健康指标x_t；

输出层，所述输出层用于将所述当前时间点短期记忆h_t作为当前时间点输出y_t进行输出，所述当前时间点输出y_t即为所述后一时间点健康指标x_t+1。

其中，所述隐含层包括多个隐含模块(即重复的链式模块)，如图3所示，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：

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c_t-1中的部分内容；

所述白光发光二极管基于健康指标的预测模型为：

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。

S4、训练所述预测模型并从训练时间以及均方根误差两个角度评估健康指标。

实用化的白光发光二极管健康指标预测模型在训练完成后还需对其进行测试，因此，所述初级时间序列干净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预测模型的准确度。本实施例中选取的训练数据为10％，20％，30％，40％，50％，60％。训练数据以10％的数据量为变量，训练时，将每60个连续的训练数据作为输入，紧随其后的第61个数据作为输出，进行模型的训练，例如将0-600h的测试指标作为输入，第601h的测试指标作为输出。测试时，则只需要将每60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。

其中，所述训练包括正向传播训练过程和反向传播优化过程，所述反向传播优化过程为对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。

所述测试所述预测模型的准确度包括以下步骤：

将测试数据输入白光发光二极管基于健康指标的预测模型；

将获得的预测模型的输出与所述初级时间序列干净测试数据进行对比，得到所述白光发光二极管基于健康指标的预测模型的准确度。即，预测模型的输出是某一时刻(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初级时间序列干净测试数据进行对比，计算偏差即可获得白光发光二极管性能退化预测模型的准确度。

将白光发光二极管基于健康指标的预测模型的准确度与预设准确度进行对比：若白光发光二极管基于健康指标的预测模型的准确度低于所述预设准确度，则重新对基于循环神经网络改进的长短期记忆网络进行训练，直至预测模型的准确度不低于预设准确度。

S5、根据健康指标评估结果得到用于故障诊断的最小数据量，并作为健康数据分割线，得到故障阈值以及故障首次检测到的时间，输出故障在线诊断结果。

调整不同的训练数据量进行重新建模，在保证准确度的前提下，得到最小的训练数据量，将这一数据量作为健康数据的分割线。

故障阈值设定为全体健康数据的均值和标准差的关系。本实施例中，故障阈值因此设定为全体健康数据的均值和三倍标准差的和或差关系，由此得到故障首次检测到的时间。

在本实施例中，图4-5分别表示了马氏距离和熵产生率作为健康指标从训练时间和准确率角度的评估结果，可以发现，无论是从熵产生率还是马氏距离的角度，能用于故障检测的最小数据量均为30％，因为数据量从60％降低至30％时准确率趋于稳定。同时图6-7展示了故障诊断的结果，由此发现，根据马氏距离故障检测到的时间分别是666h、670h、705h、705h、705h、626h、643h、700h、690h；根据熵产生率故障检测到的时间是666h、631h、707h、707h、631h、628h、629h、803h、629h。

在本实施例中，试验中测得的800h时刻流明维持率为0.8588563，表1中白光发光二极管基于健康指标的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0.795，预测的误差仅为7.5％，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。

本实施例还提供一种白光发光二极管寿命预测方法，包括以下步骤：

A1、获取原始时间序列离线测试数据，所述原始时间序列离线测试数据为按照时间顺序离线采集的白光发光二极管的老化试验中一系列时间点的性能退化测试指标，所述性能退化测试指标为所述白光发光二极管性能随时间发生退化的指标。

通常选取白光LED光特性衰减指标作为评价白光发光二极管寿命的指标，而在本实施例中，更优选流明维持率的退化指标来评价白光LED光特性衰减指标，因此上述的测试数据即为流明数据，性能退化测试指标为流明维持率。可以理解的是，在将本发明的白光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辐射功率退化指标、色漂量退化指标等参数。

A2、获取基于如上述所述的故障在线诊断方法得到的白光发光二极管基于健康指标的预测模型。

A3、将原始时间序列离线测试数据输入白光发光二极管基于健康指标的预测模型，得到故障首次检测到的时间，并基于所述故障首次检测到的时间得到初始时间序列离线测试数据。

A4、利用初始时间序列离线测试数据重新训练白光发光二极管基于健康指标的预测模型，得到基于新退化指标的退化模型，所述退化模型的输入为初始时间序列离线测试数据中一系列连续时间点性能退化测试指标，输出为初始时间序列离线测试数据相邻的后一系列时间点性能退化测试指标，得到故障首次检测到的时间之后的指标退化数据。

由于输入到白光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，预测起点设定为故障检测到的时间。

A5、根据所述指标退化数据以及预设的失效阈值，确定白光发光二极管的预测失效寿命。

本实施例中规定失效阈值为0.7，则测试指标低于0.7时的时间点即为白光发光二极管的失效寿命。当然失效阈值也可以是其他数值，例如0.8，本发明不对该阈值的取值作出限定。

在同样的预测起点，由IESNA规定的TM-21标准方法的非线性最小二乘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)

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8-9分别显示了，通过TM-21方法以及本发明的白光发光二极管寿命预测方法(LSTM)，以故障诊断检测到的时间点为预测起始点所得到流明维持率预测曲线(图中的黑色实线无图标部分表示TM-21方法预测曲线，图中的虚线三角实心图标部分表示本发明的白光发光二极管寿命预测方法的预测结果)和寿命估计结果(图中的水平实线与上述两条线的交点所对应的横坐标)。即，两种方法所预测的白光发光二极管寿命均由各自方法下流明维持率预测曲线得到。

根据，表1中测试数据可以看出，以流明维持率0.7作为失效阈值时，白光发光二极管的实际真实寿命在1200h附近，结合图8-9的结果可见，本发明的白光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8-9虽然显示了本发明的白光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，本发明还提供了一种白光发光二极管寿命预测方法准确度的判断方法，采用上述的白光发光二极管寿命预测方法得到寿命预测结果，判断方法包括：

B1、对多个编号的白光发光二极管的原始时间序列测试数据进行非线性最小二乘拟合，得到多条退化曲线。

具体是将上述原始时间序列测试数据，按照寿命预测方法步骤，标记在以时间为横坐标，以流明维持率为纵坐标的坐标系中，再根据TM-21分别对每一组数据进行非线性最小二乘拟合，从而得到退化曲线。

B2、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。

由上述的公式可以得到各样品流明维持率为0.7时的寿命结果，该寿命结果即可以理解为TM-21的寿命预测值；

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TM-21的寿命预测值。

B3、对比所述预测失效寿命和所述真实失效寿命，得到所述白光发光二极管寿命预测方法的准确度。

例如，以马氏距离为健康指标时，根据样本1#的故障首次检测到的时间(666h)为预测起始时间点时，所述方法的预测失效寿命为1564h，与真实值1518h相比，其误差为3.03％，相应的TM-21预测的误差则为-10.2％。

将两种方法的预测结果与真实值L₇₀进行比较，可以得到两种方法下白光发光二极管预测寿命的误差，如表1所示。

表1不同预测方法在两种健康指标下的寿命预测结果对比

可见，本发明的白光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。相比TM-21方法，本发明的白光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，有效减少了白光LED样品的采集测试时间，且算法的鲁棒性特征较好，是一种可靠的白光LED的寿命预测算法。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。