郭杰 馬軍山 饒豐

摘要：為快速、準確地預測大功率LED的PN結(jié)溫度，提高其發(fā)光效率、延長使用壽命，在分析LED光譜法測量結(jié)溫的基礎(chǔ)上，搭建實驗平臺，采集不同電流、不同結(jié)溫下的雙光譜參數(shù)，利用回歸逼近方式分析結(jié)溫與光譜參數(shù)的關(guān)系，并基于RBF神經(jīng)網(wǎng)絡理論建立LED結(jié)溫預測模型。實驗驗證發(fā)現(xiàn)，與正向電壓法相比，該方法僅存在3℃的預測誤差，且無需考慮半導體內(nèi)部復雜結(jié)構(gòu)，可以快速、簡單、準確地預測LED結(jié)溫。

關(guān)鍵詞：

結(jié)溫預測；徑向基函數(shù)；神經(jīng)網(wǎng)絡；光譜分析

DOIDOI：10.11907/rjdk.182025

中圖分類號：TP302

文獻標識碼：A 文章編號文章編號：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(guān)鍵詞Key Words：Junction temperature prediction；RBF；neural network；spectral analysis

0 引言

結(jié)溫是影響大功率LED光、色、電特性的重要因素[1-3]。過高的結(jié)溫會導致LED發(fā)光效率降低、光通量下降、壽命縮短[4-6]。因此測量并預測LED結(jié)溫對研究LED產(chǎn)品可靠性具有十分重要的作用。

LED結(jié)溫測量方法分為接觸式測量和非接觸式測量兩類。目前，LED結(jié)溫測量的國際標準方法是正向電壓法[7]，與管腳溫度法[8]一樣，在測量時往往受到燈具外殼及產(chǎn)品封裝等限制，一般難以接觸LED管腳，無法測量LED引腳兩端電壓，同時其測量條件是在小電流狀態(tài)下進行，無法及時掌握現(xiàn)場運行的LED燈具結(jié)溫，極大限制了接觸式測量方法的應用。 Kasemann[9]提出采用紅外微相儀進行非接觸式LED結(jié)溫測量，該方法測試簡單，但要求芯片裸露，且設(shè)備昂貴。在光譜法測量結(jié)溫的研究中，2013年邱西振等[10]提出采用峰谷值隨結(jié)溫的移動關(guān)系表征結(jié)溫，但在測量時往往出現(xiàn)多峰或平坦的情況，影響精度，難以準確測量峰值。2009年葉炎鐘等[11]提出輻射強度法，該方法同樣受到誤差困擾。2013年Chen K等[12]采用中心波長法降低測量儀器的誤差。本課題組在近幾年也提出了相對光譜差異法、質(zhì)心波長法和雙參數(shù)法測量LED結(jié)溫[13-15]，進一步提高了LED結(jié)溫測量的準確度，不過尚未建立直接的LED光熱數(shù)學計算模型。研究表明，LED結(jié)溫與光譜參數(shù)、電流存在密切的聯(lián)系。因此，需要建立模型以準確表達其關(guān)系，從而進行結(jié)溫預測。

本文研究電流、光譜參數(shù)與結(jié)溫之間的內(nèi)在關(guān)聯(lián)，通過實驗標定得到雙光譜參數(shù)、電流、結(jié)溫三者之間的關(guān)系，利用神經(jīng)網(wǎng)絡非線性回歸能力，采用系統(tǒng)辨識原理，依據(jù)光譜參數(shù)、電流及結(jié)溫實驗數(shù)據(jù)，建立RBF神經(jīng)網(wǎng)絡結(jié)溫預測模型，將RBF神經(jīng)網(wǎng)絡推廣到LED結(jié)溫預測中，對LED結(jié)溫預測具有一定啟發(fā)。

1 光譜法預測LED結(jié)溫原理

LED光譜分布受注入電流If和結(jié)溫Tj的變化影響很大，而LED結(jié)溫Tj主要由注入電流If、環(huán)境溫度Ta和燈體散熱能力決定。

在公式（1）中，若驅(qū)動電流If為瞬時脈沖，在LED點亮時間極短的情況下，其發(fā)熱量很小，引起PN結(jié)溫度輕微變化，則Tj可近似只與環(huán)境溫度Ta有關(guān)系，即Tj≈Ta。通過公式（2）可知，不同驅(qū)動電流If和結(jié)溫Tj可以得到不同光譜分布G（λ）。因此，可以通過測量在不同環(huán)境溫度Ta中，由不同瞬時脈沖恒定電流驅(qū)動的LED光譜分布，計算質(zhì)心波長、半高全寬或相對光功率譜差異，構(gòu)建公式（3）中電流、光譜特征參數(shù)與結(jié)溫之間的關(guān)系。只需測量實際時燈時的光譜分布，即可得出LED實時結(jié)溫。

研究表明，當脈沖在毫秒級別時，電流對結(jié)溫影響很小[16]。由于忽略考慮瞬時脈沖電流的熱效應，當驅(qū)動電流為瞬時脈沖時，LED結(jié)溫變化很小，結(jié)溫與環(huán)境溫度近似，從而得到電流、結(jié)溫、光譜特征參數(shù)之間的關(guān)系模型。

2 LED結(jié)溫測試實驗

2.1 實驗裝置

實驗裝置如圖1所示，由WY3101恒流電源、TC-100溫控裝置、0.5米積分球、Hass2000型光譜儀、待測LED組成。WY3101恒流電源為待測LED供電，電流誤差為±1mA；TC-100溫控裝置為LED提供穩(wěn)定的襯底溫度，誤差為±1℃。積分球和光譜儀相結(jié)合可以準確地測量LED光譜功率分布。TRA-200型LED熱阻結(jié)構(gòu)分析儀完成與正向電壓法測量結(jié)果的對比，其測量誤差一般不超出0.1℃。

2.2 研究方法

實驗擬先測量不同結(jié)溫、不同電流下的質(zhì)心波長、半高全寬等光譜特征參數(shù)，再根據(jù)RBF理論建立結(jié)溫預測模型，根據(jù)實際點燈時的光譜特征參數(shù)計算結(jié)溫，最后將該結(jié)溫與正向電壓法測量的結(jié)溫進行比較。具體步驟如下：

（1）將溫度控制器溫度設(shè)為T1=20℃，待LED與基座間達到熱平衡后，測量不同大小的瞬時驅(qū)動電流下的LED光譜分布，脈沖電流50mA～450mA，間隔為25mA，所有脈沖電流寬度2ms，光譜儀積分時間為10ms，并計算質(zhì)心波長、半高全寬、相對功率譜差異等光譜特征參數(shù)，此時結(jié)溫Tj近似為控制器溫度Tc。

（2）改變溫控裝置溫度，變化幅度為20～70℃，間隔10℃，重復上步操作，得到其它結(jié)溫在不同瞬時驅(qū)動電流下的LED光譜分布，計算對應質(zhì)心波長、半高全寬等光譜特征參數(shù)。

（3）利用實驗采集的光譜參數(shù)與結(jié)溫，建立預測LED結(jié)溫RBF神經(jīng)網(wǎng)絡模型。

（4）測量實際電燈LED光譜功率分布，計算光譜特征參數(shù)并帶入模型中計算出實時結(jié)溫。

2.3 實驗結(jié)果

表1為在標定過程中結(jié)溫為30℃時采集的不同驅(qū)動電流下的質(zhì)心波長與半高全寬，其驅(qū)動電流范圍為75mA～400mA，測量間隔為25mA。表2為驅(qū)動電流350mA時，結(jié)溫從20℃變化到70℃時對應的質(zhì)心波長、半高全寬。

在式（4）中，s0是質(zhì)心波長-結(jié)溫極限常數(shù)，s′0是半高全寬-結(jié)溫極限常數(shù)，c為權(quán)重系數(shù)。經(jīng)過數(shù)據(jù)擬合得到各參數(shù)A、s0、c、s′0的具體數(shù)值分別為106.28、457.51、4.26、39.39。

因此只需測量實時點燈的光譜，并帶入式（4）所示的光熱模型，即可求出實時工作中對應的結(jié)溫。

3 基于RBF神經(jīng)網(wǎng)絡的結(jié)溫預測

3.1 RBF神經(jīng)網(wǎng)絡理論

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡模擬了生物神經(jīng)元局部響應的特點，是一種含有單隱層的前饋網(wǎng)絡，對非線性網(wǎng)絡具有一致逼近的性能，能以任意精度逼近任一連續(xù)函數(shù)[17]。RBF神經(jīng)網(wǎng)絡既不用詳細分析LED器件內(nèi)部具體結(jié)構(gòu)，也不用建立復雜的數(shù)學模型，且模型建立之后計算的結(jié)溫具有較高準確度。本文嘗試從系統(tǒng)辨識角度，利用RBF神經(jīng)網(wǎng)絡對質(zhì)心波長、半高全寬和電流進行訓練，實現(xiàn)準確的結(jié)溫預測。

3.2 結(jié)溫預測建模

目前，使用RBF神經(jīng)網(wǎng)絡和光譜參數(shù)，從系統(tǒng)辨識角度進行結(jié)溫預測的研究較少。為增加訓練的準確性，在實驗中將溫度變化范圍設(shè)置為20～70℃，變化間隔為5℃，電流變化范圍設(shè)為50～450mA，變化間隔為25mA，測量LED發(fā)光光譜，計算質(zhì)心波長和半高全寬，得到187組訓練數(shù)據(jù)，表3-6和3-7為部分訓練數(shù)據(jù)。

建立LED結(jié)溫預測模型需3個步驟：①對樣本數(shù)據(jù)進行網(wǎng)絡學習，建立關(guān)系模型；②給定容差范圍，對模型進行驗證；③預測新數(shù)據(jù)下的輸出。在該過程中需要確定以下兩個方面：首先，確定隱含層結(jié)構(gòu)。由于隱含層節(jié)點數(shù)決定RBF網(wǎng)絡擬合程度，數(shù)目不是越多越好，過多的數(shù)目會產(chǎn)生過擬合現(xiàn)象[19]。目前，還沒有標準方法能確定節(jié)點數(shù)目，一般對于小樣本，其隱層節(jié)點數(shù)目通常取基函數(shù)中心數(shù)；其次，確定隱含層節(jié)點的中心、標準差和隱含層與輸出層之間的權(quán)值矩陣。通常采用聚類方法確定中心，通過經(jīng)驗公式σ=dmax2n求得標準差。Dmax為中心之間的最大距離，n為隱含節(jié)點個數(shù)。隱含層到輸出層的權(quán)值矩陣常通過梯度下降迭代法、偽逆法、最小二乘法等求解[20]。實驗中設(shè)置擬合目標精度為10-4，擴展因子為1，最大迭代次數(shù)為50次?；贛atlab平臺進行編程，建立RBF模型預測結(jié)溫，采集168組結(jié)溫、電流、質(zhì)心波長及半高全寬數(shù)據(jù)作為訓練樣本，對網(wǎng)絡進行訓練，獲得圖3所示的RBF網(wǎng)絡結(jié)構(gòu)，模型標準差為0.73℃，方差為0.53℃。

3.3 預測結(jié)果及分析

用不同電流下實時點燈的LED光譜數(shù)據(jù)進行驗證，并將預測結(jié)果與正向電壓法實測結(jié)果進行對比。表3給出了其它樣品基于光譜參數(shù)和RBF神經(jīng)網(wǎng)絡結(jié)溫預測的結(jié)果與相對誤差，與正向電壓法相比，絕對誤差在3℃以內(nèi)。圖4為訓練后的RBF神經(jīng)網(wǎng)絡預測結(jié)溫與實測結(jié)果對比。可以看出，RBF神經(jīng)網(wǎng)絡能很好地完成對樣本點的最佳逼近。

4 結(jié)語

本文搭建了實驗平臺，測量了在不同驅(qū)動電流、不同結(jié)溫下的光譜參數(shù)，采用數(shù)學回歸逼近方式分析了LED結(jié)溫與光譜參數(shù)的變化關(guān)系，并利用RBF神經(jīng)網(wǎng)絡從系統(tǒng)辨識角度構(gòu)建了基于光譜參數(shù)的LED結(jié)溫預測模型。實驗結(jié)果表明，與正向電壓法的期望結(jié)溫進行對比，測量最大絕對誤差在3℃以內(nèi)。采用RBF神經(jīng)網(wǎng)絡和光譜參數(shù)可以準確、方便、快速地預測LED結(jié)溫，既不用考慮LED器件內(nèi)部具體結(jié)構(gòu)，也不用建立復雜數(shù)學模型，從而為LED照明產(chǎn)品設(shè)計和熱量管理提供了依據(jù)，有利于促進LED產(chǎn)業(yè)早日實現(xiàn)科學照明、綠色照明。

參考文獻：

[1] 劉立明，鄭曉東.LED結(jié)溫與光譜特性關(guān)系的測量[J].光子學報，2009，38（5）：1069-1073.

[2] 田民波，朱艷艷.白光LED照明技術(shù)[M].北京：科學出版社，2012.

[3] 劉木清.LED及其應用技術(shù)[M].北京：化學工業(yè)出版社，2013.

[4] 余彬海，王垚浩.結(jié)溫與熱阻制約大功率LED發(fā)展[J].發(fā)光學報，2005，26（6）：761-766.

[5] 陳挺，陳志忠，林亮，等.GaN基白光LED的結(jié)溫測量[J].發(fā)光學報，2006，27（3）：407-412.

[6] 毛興武，張艷雯，周建軍，等.新一代綠色光源LED及其應用技術(shù)[M]. 北京：人民郵電出版社，2008.

[7] 國家標準化委員會. GB/T 24824-2009/CIE 127-2007《普通照明用LED模塊的測量方法》[S].北京：中國標準出版社，2009.

[8] 趙光華，陳海燕.一種大功率白光LED結(jié)溫測量方法[J].電路與系統(tǒng)學報，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，張方輝.基于相對光譜強度的非接觸式LED結(jié)溫測量法[J].光譜學與光譜分析，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] 饒豐，郭杰，朱錫芳，等.用質(zhì)心波長表征AlGaInP基LED的結(jié)溫[J].光電子·激光，2015，26（3）：444-449.

[14] 饒豐，朱錫芳，徐安成.用歸一化光譜分布差異表征AlGaInP基LED陣列的平均結(jié)溫[J].光學學報，2014，34 （9） ：307-311.

[15] 饒豐，郭杰，許昊，等.采用雙光譜參數(shù)表征GaN基藍色LED的結(jié)溫[J]. 光電子·激光，2015，26（11）：2083-2088.

[16] 張晶晶.大功率白光LED陣列結(jié)溫光譜檢測技術(shù)的研究[D].上海：中國科學院大學（上海技術(shù)物理研究所），2014.

[17] 崔海青，劉希玉.基于粒子群算法的RBF網(wǎng)絡參數(shù)優(yōu)化算法[J].計算機技術(shù)與發(fā)展，2010，19（12）：117-119.

[18] 陳明.MATLAB神經(jīng)網(wǎng)絡原理與實例精解[M].北京：清華大學出版社，2013.

[19] 陳琪.基于RBF的語音情感識別方法的研究[D].長沙：長沙理工大學，2010.

[20] 張旭.三種RBF神經(jīng)網(wǎng)絡比較分析[J].軟件導刊，2013，12（4）：34-36.

（責任編輯：江 艷）