基于神经网络的LED可靠性分析模型研究

发布时间：2017-10-18 10:17

  本文关键词：基于神经网络的LED可靠性分析模型研究

  更多相关文章： LED 可靠性 寿命预测 神经网络

【摘要】：发光二极管(Light Emitting Diode,LED)作为国家大力支持的节能环保光源,在显示、照明、可见光通信及现代农业等领域应用广泛。LED具有发光效率高、驱动电压低等固有优势,目前配光、散热问题已经找到较为满意的解决方案,制约其推广的主要因素是成本及可靠性问题。可靠性是产品在规定条件下完成规定功能的能力,结合国内外LED可靠性理论研究基础,参考LED主流失效分析方法与检测标准,以芯片级与封装级LED灯具作为本文研究对象。区别于温度或电流加速寿命测试方法,提出基于神经网络建立多变量LED快速寿命预测模型,根据LED失效理论选择理想因子、结温、色漂移量等光、电、热参数作为神经网络输入量,利用光电综合测试系统、热成像仪等仪器实测样品数据并建模分析。建立BP神经网络预测模型,根据经验公式确定隐含层神经元个数,择优选取列文伯格算法为神经网络自学习算法,构建三层结构为6-12-1的BP神经网络模型。对模型进行网络训练,相关系数达到99.8%,表明网络训练拟合程度良好。利用检验组数据运行网络,预测结果最大误差为2.97%,达到预测寿命精度为百小时量级的标准。根据各神经元之间的连接权值和阈值,对相关参数进行输出结果权重分析,证明白光LED可靠性对于光、电、热参数均有一定敏感度,神经网络输入量选取科学合理,色漂移量占LED可靠性相关参数权重较大,印证了国外相关标准以色漂移量作为失效判据的可行性。利用径向基神经网络建模预测LED可靠性,并利用果蝇算法对其优化。充分发挥果蝇算法收敛速度快及径向基神经网络调整参数少的优点,以味道判定函数确定径向基神经网络最优的基函数宽度。研究表明,果蝇算法迭代到第九次时找到气味浓度最大值,获得的最佳基函数宽度为0.014。所构建的FOA-RBF神经网络模型包含20个隐含层节点,最大预测误差为6.59%,达到预期要求。
【关键词】：LED 可靠性 寿命预测 神经网络
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TB114.3;TM923.34;TP183
【目录】：

• 摘要5-6
• Abstract6-9
• 第一章 绪论9-21
• 1.1 LED历史9
• 1.2 LED应用领域9-11
• 1.2.1 照明及显示9-10
• 1.2.2 可见光通信10
• 1.2.3 农业照明10-11
• 1.2.4 健康照明11
• 1.3 LED可靠性11-19
• 1.3.1 可靠性模型11-14
• 1.3.2 LED失效模式14-16
• 1.3.3 LED失效分析方法16-17
• 1.3.4 LED可靠性测试标准17-19
• 1.3.5 国内外LED可靠性研究基础19
• 1.4 研究内容19-21
• 第二章 LED可靠性预测实验21-32
• 2.1 LED失效物理机制21-22
• 2.1.1 电参数21
• 2.1.2 温度21
• 2.1.3 封装工艺及材料21-22
• 2.1.4 环境因素22
• 2.2 LED加速寿命预测方法22-25
• 2.2.1 温度加速寿命测试方法23
• 2.2.2 电流加速寿命测试法23-25
• 2.3 神经网络寿命预测模型25-30
• 2.3.1 样品封装结构25-26
• 2.3.2 期望寿命26
• 2.3.3 电学参数26-28
• 2.3.4 光色参数28-29
• 2.3.5 热学参数29-30
• 2.4 本章小结30-32
• 第三章 基于BP神经网络的LED可靠性分析32-41
• 3.1 BP神经网络简介32-34
• 3.2 BP神经网络输入层设计34
• 3.3 BP神经网络隐含层设计34-36
• 3.3.1 隐含层神经元数设计34-35
• 3.3.2 模型训练算法选择35-36
• 3.4 预测模型结果分析36-38
• 3.5 输入参数权重分析38-39
• 3.6 本章小结39-41
• 第四章 基于FOA优化RBF神经网络的LED可靠性分析41-49
• 4.1 RBF神经网络简介41-42
• 4.2 果蝇优化算法42-43
• 4.3 FOA-RBF神经网络结构设计43-45
• 4.4 FOA-RBF模型预测结果分析45-48
• 4.5 本章小结48-49
• 总结及展望49-51
• 参考文献51-57
• 攻读硕士学位期间取得的研究成果57-58
• 致谢58-59
• 附件59

【参考文献】

中国期刊全文数据库 前2条

1 张晓明;周群;郭宝林;孙素琴;;运用RBF径向基神经网络识别基于小波变换的淫羊藿苷红外光谱指纹特征[J];光谱学与光谱分析;2009年07期

2 郑立华;李民赞;潘娈;孙建英;唐宁;;基于近红外光谱技术的土壤参数BP神经网络预测[J];光谱学与光谱分析;2008年05期

，

本文编号：1054359