用于LED老化检测分析的BPN方法

刘战

摘要：LED灯具是新能源产业的研究对象。对LED灯具的老化预测和设计了一种的加速老化试验，采用倒传递类神经网络（BPN）方法研究其特性，从而预测LED老化趋势，实验结果表明相比传统的分析方法，倒传递类神经网络（BPN）方法具有更高的准确性。

关键词：LED老化; 曲线拟合

中图分类号：U491   文献标识码：A

1 引言

在二十一世纪，因过度开发导致全球面临能量短缺与地球环境剧变的威胁，新型具节能概念的光源成为了新世纪照明最重要的课题[1]。

另一方面，由于LED的结构复杂、寿命长（理论上约25000小时），其在正应力作用下的寿命试验会持续很长时间，且这种预测的准确性和可靠性很难获得。因此研究LED的可靠性已经成为当今的一个热门话题[2]。其中，加速寿命试验（ALT）的准确性成为人们关注的重点。传统的加速寿命试验后一般采用方差分析的方法[3]。本论文采用倒传递类神经网络（BPN）方法[4]相比方差分析具有更高的准确性。

2老化寿命实验

现今产业界发光二极管的老化寿命测试，以在高低温的环境下长时间点亮发光二极管，来做为测量方法。本论文中以此种方法为基础，而进行老化寿命实验。该实验是以在高温下，持续点亮发光二极管而进行的测量方式。主要结构是以KEITHLEY 237提供一个固定电流源点亮发光二极管，并同时以烤箱加热由PD （Photo Diode） 读取光强度，而加热的目的在于加速发光二极管的破坏。以PLED6000 硬件来测试发光二极管的参数及PD 值，再以LEDPC 软件收集测试资料进行分析。

3 倒传递类神经网络（BPN）

倒传递类神经网络基本原理是利用最陡波降法的观念，将能量函数（亦称误差函数）予以最小化，致使网络得以收敛。

倒传递类神经网络之网络架构分为三个层次：

（1）输入层：用以表现网络之输入变量，其处理单元数目依照问题而定。 使用线性转换函数，即f（x） = x。

（2）隐藏层：用以表现输入处理单元间的交互影响，其处理单元数目并无 标准方法可以决定，常需要以测试方式来决定最佳值，网络可以 不只一层隐藏层，亦可无隐藏层。其使用非线性转换函数。

（3）输出层：用以表现网络之输出变量，处理单元数目依照输出变量而定。 使用非线性转换函数。

倒传递类神经网络虽然具有学习精度高、回想速度快、可处理高度非线性之函数合成问题等优点。

4 老化寿命预估实验

本论文采用曲线拟合方式，使用工程专业软件MATLAB 系统，将光强度值输入后所拟合出来。根据拟合的曲线，通过倒传递类神经网络方法建立数学模型。将发光二极管在 50℃下所量测到光强度值代入倒传递类神经网络（BPN）方法建立的数学模型计算得到图1。

由图1可以看出，相比文献[3]采用的方法，本文采用的倒传递类神经网络（BPN）方法更接近实际值，更加准确。

参考文献：

[1]前瞻产业研究院. 照明产业转型升级及LED行业发展趋势预测[J]. 电器工业， 2019（3）.

[2]华斌， 黄慧诗， 闫晓密， et al. 铝铜合金对LED芯片电极可靠性的影响[J]. 半导体技术， 2018（7）.

[3]王艺燃， 李月锋， 邹军. 白光LED加速老化性能分析[J]. 中国照明电器， 2014（10）.

[4]孙国栋， 秦来安， 侯再红，等. Feasibility analysis for acquiring visibility based on lidar signal using genetic algorithm-optimized back propagation algorithm[J]. 中國物理B， 2019， 28（2）：24213-024213.