采用RBF神经网络与光谱参数的LED结温预测
2018-10-29郭杰马军山饶丰
郭杰 马军山 饶丰
摘要:为快速、准确地预测大功率LED的PN结温度,提高其发光效率、延长使用寿命,在分析LED光谱法测量结温的基础上,搭建实验平台,采集不同电流、不同结温下的双光谱参数,利用回归逼近方式分析结温与光谱参数的关系,并基于RBF神经网络理论建立LED结温预测模型。实验验证发现,与正向电压法相比,该方法仅存在3℃的预测误差,且无需考虑半导体内部复杂结构,可以快速、简单、准确地预测LED结温。
关键词:
结温预测;径向基函数;神经网络;光谱分析
DOIDOI:10.11907/rjdk.182025
中图分类号:TP302
文献标识码:A 文章编号文章编号:1672-7800(2018)008-0053-04
英文摘要Abstract:Quick and accurate measurement of LED junction temperature can help to improve the luminous efficiency and extend the service life. In this paper, based on the analysis of the principle of spectral method, the experimental platform is set up, the spectral parameters of different junction temperatures under different current are collected. The relationship between the junction temperature and the spectral parameters is analyzed by the regression approximation method, and a prediction model of the LED junction temperature is established based on the RBF neural network theory.Experimental results show that the deviation is less than 3℃ compared with the voltage method and there is no need to consider the complex structure inside the semiconductor, the LED junction temperature prediction can be quickly, simple and accurate.
英文關键词Key Words:Junction temperature prediction;RBF;neural network;spectral analysis
0 引言
结温是影响大功率LED光、色、电特性的重要因素[1-3]。过高的结温会导致LED发光效率降低、光通量下降、寿命缩短[4-6]。因此测量并预测LED结温对研究LED产品可靠性具有十分重要的作用。
LED结温测量方法分为接触式测量和非接触式测量两类。目前,LED结温测量的国际标准方法是正向电压法[7],与管脚温度法[8]一样,在测量时往往受到灯具外壳及产品封装等限制,一般难以接触LED管脚,无法测量LED引脚两端电压,同时其测量条件是在小电流状态下进行,无法及时掌握现场运行的LED灯具结温,极大限制了接触式测量方法的应用。 Kasemann[9]提出采用红外微相仪进行非接触式LED结温测量,该方法测试简单,但要求芯片裸露,且设备昂贵。在光谱法测量结温的研究中,2013年邱西振等[10]提出采用峰谷值随结温的移动关系表征结温,但在测量时往往出现多峰或平坦的情况,影响精度,难以准确测量峰值。2009年叶炎钟等[11]提出辐射强度法,该方法同样受到误差困扰。2013年Chen K等[12]采用中心波长法降低测量仪器的误差。本课题组在近几年也提出了相对光谱差异法、质心波长法和双参数法测量LED结温[13-15],进一步提高了LED结温测量的准确度,不过尚未建立直接的LED光热数学计算模型。研究表明,LED结温与光谱参数、电流存在密切的联系。因此,需要建立模型以准确表达其关系,从而进行结温预测。
本文研究电流、光谱参数与结温之间的内在关联,通过实验标定得到双光谱参数、电流、结温三者之间的关系,利用神经网络非线性回归能力,采用系统辨识原理,依据光谱参数、电流及结温实验数据,建立RBF神经网络结温预测模型,将RBF神经网络推广到LED结温预测中,对LED结温预测具有一定启发。
1 光谱法预测LED结温原理
LED光谱分布受注入电流If和结温Tj的变化影响很大,而LED结温Tj主要由注入电流If、环境温度Ta和灯体散热能力决定。
在公式(1)中,若驱动电流If为瞬时脉冲,在LED点亮时间极短的情况下,其发热量很小,引起PN结温度轻微变化,则Tj可近似只与环境温度Ta有关系,即Tj≈Ta。通过公式(2)可知,不同驱动电流If和结温Tj可以得到不同光谱分布G(λ)。因此,可以通过测量在不同环境温度Ta中,由不同瞬时脉冲恒定电流驱动的LED光谱分布,计算质心波长、半高全宽或相对光功率谱差异,构建公式(3)中电流、光谱特征参数与结温之间的关系。只需测量实际时灯时的光谱分布,即可得出LED实时结温。
研究表明,当脉冲在毫秒级别时,电流对结温影响很小[16]。由于忽略考虑瞬时脉冲电流的热效应,当驱动电流为瞬时脉冲时,LED结温变化很小,结温与环境温度近似,从而得到电流、结温、光谱特征参数之间的关系模型。
2 LED结温测试实验
2.1 实验装置
实验装置如图1所示,由WY3101恒流电源、TC-100温控装置、0.5米积分球、Hass2000型光谱仪、待测LED组成。WY3101恒流电源为待测LED供电,电流误差为±1mA;TC-100温控装置为LED提供稳定的衬底温度,误差为±1℃。积分球和光谱仪相结合可以准确地测量LED光谱功率分布。TRA-200型LED热阻结构分析仪完成与正向电压法测量结果的对比,其测量误差一般不超出0.1℃。
2.2 研究方法
实验拟先测量不同结温、不同电流下的质心波长、半高全宽等光谱特征参数,再根据RBF理论建立结温预测模型,根据实际点灯时的光谱特征参数计算结温,最后将该结温与正向电压法测量的结温进行比较。具体步骤如下:
(1)将温度控制器温度设为T1=20℃,待LED与基座间达到热平衡后,测量不同大小的瞬时驱动电流下的LED光谱分布,脉冲电流50mA~450mA,间隔为25mA,所有脉冲电流宽度2ms,光谱仪积分时间为10ms,并计算质心波长、半高全宽、相对功率谱差异等光谱特征参数,此时结温Tj近似为控制器温度Tc。
(2)改变温控装置温度,变化幅度为20~70℃,间隔10℃,重复上步操作,得到其它结温在不同瞬时驱动电流下的LED光谱分布,计算对应质心波长、半高全宽等光谱特征参数。
(3)利用实验采集的光谱参数与结温,建立预测LED结温RBF神经网络模型。
(4)测量实际电灯LED光谱功率分布,计算光谱特征参数并带入模型中计算出实时结温。
2.3 实验结果
表1为在标定过程中结温为30℃时采集的不同驱动电流下的质心波长与半高全宽,其驱动电流范围为75mA~400mA,测量间隔为25mA。表2为驱动电流350mA时,结温从20℃变化到70℃时对应的质心波长、半高全宽。
在式(4)中,s0是质心波长-结温极限常数,s′0是半高全宽-结温极限常数,c为权重系数。经过数据拟合得到各参数A、s0、c、s′0的具体数值分别为106.28、457.51、4.26、39.39。
因此只需测量实时点灯的光谱,并带入式(4)所示的光热模型,即可求出实时工作中对应的结温。
3 基于RBF神经网络的结温预测
3.1 RBF神经网络理论
径向基函数(RBF)神经网络模拟了生物神经元局部响应的特点,是一种含有单隐层的前馈网络,对非线性网络具有一致逼近的性能,能以任意精度逼近任一连续函数[17]。RBF神经网络既不用详细分析LED器件内部具体结构,也不用建立复杂的数学模型,且模型建立之后计算的结温具有较高准确度。本文尝试从系统辨识角度,利用RBF神经网络对质心波长、半高全宽和电流进行训练,实现准确的结温预测。
3.2 结温预测建模
目前,使用RBF神经网络和光谱参数,从系统辨识角度进行结温预测的研究较少。为增加训练的准确性,在实验中将温度变化范围设置为20~70℃,变化间隔为5℃,电流变化范围设为50~450mA,变化间隔为25mA,测量LED发光光谱,计算质心波长和半高全宽,得到187组训练数据,表3-6和3-7为部分训练数据。
建立LED结温预测模型需3个步骤:①对样本数据进行网络学习,建立关系模型;②给定容差范围,对模型进行验证;③预测新数据下的输出。在该过程中需要确定以下两个方面:首先,确定隐含层结构。由于隐含层节点数决定RBF网络拟合程度,数目不是越多越好,过多的数目会产生过拟合现象[19]。目前,还没有标准方法能确定节点数目,一般对于小样本,其隐层节点数目通常取基函数中心数;其次,确定隐含层节点的中心、标准差和隐含层与输出层之间的权值矩阵。通常采用聚类方法确定中心,通过经验公式σ=dmax2n求得标准差。Dmax为中心之间的最大距離,n为隐含节点个数。隐含层到输出层的权值矩阵常通过梯度下降迭代法、伪逆法、最小二乘法等求解[20]。实验中设置拟合目标精度为10-4,扩展因子为1,最大迭代次数为50次。基于Matlab平台进行编程,建立RBF模型预测结温,采集168组结温、电流、质心波长及半高全宽数据作为训练样本,对网络进行训练,获得图3所示的RBF网络结构,模型标准差为0.73℃,方差为0.53℃。
3.3 预测结果及分析
用不同电流下实时点灯的LED光谱数据进行验证,并将预测结果与正向电压法实测结果进行对比。表3给出了其它样品基于光谱参数和RBF神经网络结温预测的结果与相对误差,与正向电压法相比,绝对误差在3℃以内。图4为训练后的RBF神经网络预测结温与实测结果对比。可以看出,RBF神经网络能很好地完成对样本点的最佳逼近。
4 结语
本文搭建了实验平台,测量了在不同驱动电流、不同结温下的光谱参数,采用数学回归逼近方式分析了LED结温与光谱参数的变化关系,并利用RBF神经网络从系统辨识角度构建了基于光谱参数的LED结温预测模型。实验结果表明,与正向电压法的期望结温进行对比,测量最大绝对误差在3℃以内。采用RBF神经网络和光谱参数可以准确、方便、快速地预测LED结温,既不用考虑LED器件内部具体结构,也不用建立复杂数学模型,从而为LED照明产品设计和热量管理提供了依据,有利于促进LED产业早日实现科学照明、绿色照明。
参考文献:
[1] 刘立明,郑晓东.LED结温与光谱特性关系的测量[J].光子学报,2009,38(5):1069-1073.
[2] 田民波,朱艳艳.白光LED照明技术[M].北京:科学出版社,2012.
[3] 刘木清.LED及其应用技术[M].北京:化学工业出版社,2013.
[4] 余彬海,王垚浩.结温与热阻制约大功率LED发展[J].发光学报,2005,26(6):761-766.
[5] 陈挺,陈志忠,林亮,等.GaN基白光LED的结温测量[J].发光学报,2006,27(3):407-412.
[6] 毛兴武,张艳雯,周建军,等.新一代绿色光源LED及其应用技术[M]. 北京:人民邮电出版社,2008.
[7] 国家标准化委员会. GB/T 24824-2009/CIE 127-2007《普通照明用LED模块的测量方法》[S].北京:中国标准出版社,2009.
[8] 赵光华,陈海燕.一种大功率白光LED结温测量方法[J].电路与系统学报,2012,15(1):125-128.
[9] KASEMANN M,GROTE D.Luminescence imaging for detection of shunts on silicon solar cells[J].Progress in Photovoltaics Research & Applications,2010,16(4):297-305.
[10] 邱西振,张方辉.基于相对光谱强度的非接触式LED结温测量法[J].光谱学与光谱分析,2013,33(1):36-39.
[11] HONG E, NARENDRAN N. A method for projecting useful life of LED lighting systems[C].Third International Conference on Solid State Lighting,2004,5187:93-99.
[12] CHEN K, NARENDRAN N. Estimating the average junction temperature of AlGaInP LED arrays by spectral analysis[J].Microelectronics Reliability, 2013,53(7):701-705.
[13] 饶丰,郭杰,朱锡芳,等.用质心波长表征AlGaInP基LED的结温[J].光电子·激光,2015,26(3):444-449.
[14] 饶丰,朱锡芳,徐安成.用归一化光谱分布差异表征AlGaInP基LED阵列的平均结温[J].光学学报,2014,34 (9) :307-311.
[15] 饶丰,郭杰,许昊,等.采用双光谱参数表征GaN基蓝色LED的结温[J]. 光电子·激光,2015,26(11):2083-2088.
[16] 张晶晶.大功率白光LED阵列结温光谱检测技术的研究[D].上海:中国科学院大学(上海技术物理研究所),2014.
[17] 崔海青,劉希玉.基于粒子群算法的RBF网络参数优化算法[J].计算机技术与发展,2010,19(12):117-119.
[18] 陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013.
[19] 陈琪.基于RBF的语音情感识别方法的研究[D].长沙:长沙理工大学,2010.
[20] 张旭.三种RBF神经网络比较分析[J].软件导刊,2013,12(4):34-36.
(责任编辑:江 艳)