劉戰(zhàn)

摘要：LED燈是新世紀節(jié)能設(shè)備的重點研究對象。對LED燈具的老化預(yù)測和設(shè)計了一種的加速老化試驗，采用LO分析法的方法研究其特性，從而預(yù)測LED老化趨勢，實驗結(jié)果表明相比傳統(tǒng)的分析方法，LO分析法具有更高的準確性。

關(guān)鍵詞：LED老化;LO分析法

中圖分類號：U491 ? 文獻標識碼：A

1 引言

半導(dǎo)體發(fā)光二極管（LED）作為新能源產(chǎn)業(yè)的支柱，具有體積小、壽命長、效率高等特點。由于新能源和工業(yè)的特性，其應(yīng)用領(lǐng)域得到了極大的拓展。然而，由于缺乏有效的可靠性測試，LED燈具的工作時間往往與理論壽命有很大的差距。為了評估LED燈具的可靠性，人們還進行了許多費時、高成本的傳統(tǒng)標準和可靠性試驗。因此，LED燈具可靠性試驗的創(chuàng)新與重構(gòu)是亟待解決的關(guān)鍵問題[1，2]。

另一方面，LED是具有相對較長壽命的半導(dǎo)體光源。因此，在正常額定工作條件下不能在短時間內(nèi)完成壽命測試。因此，為了縮短測試時間，我們往往要采用加速LED衰減的方法進行預(yù)測。而加速LED衰減的方法的準確性往往另人擔(dān)憂。傳統(tǒng)的加速壽命試驗后一般采用方差分析的方法[3]。本論文采用LO分析法[4]相比方差分析具有更高的準確性。

2老化壽命實驗

現(xiàn)今產(chǎn)業(yè)界發(fā)光二極管的老化壽命測試，以在高低溫的環(huán)境下長時間點亮發(fā)光二極管，來做為測量方法。本論文中以此種方法為基礎(chǔ)，而進行老化壽命實驗。

在實驗前，要先將所選用的發(fā)光二極管在25 ± 2℃環(huán)境溫度下，以額定電流源點亮發(fā)光二極管48小時，以確保該發(fā)光二極管在壽命 實驗時無故障。發(fā)光二極管持續(xù)點亮需要一個固定的電流源，這邊所使用的是 KEITHLEY 237，當(dāng) PLED6000 測試發(fā)光二極管的同時，KEITHLEY 237 會停止提 供電流源，待 PLED6000 測試完后再回復(fù)提供定電流源。

同時以烤箱加熱由PD （Photo Diode） 讀取光強度。以PLED6000 硬件來測試發(fā)光二極管的參數(shù)及PD 值，再以LEDPC 軟件收集測試資料進行分析。（由于 KEITHLEY 237 及 PLED6000 有可能因彼此各屬于不同的 電壓源及電流源，在測試時雙方造成電源互相影響。

3 LO Method

LO Method為一種模糊類神經(jīng)系統(tǒng)（Neuro-Fuzzy System）算法，主要是用來解決回歸預(yù)測（Regression Estimation）的問題，模糊類神經(jīng)系統(tǒng)結(jié)合模糊理論（Fuzzy Theory）與類神經(jīng)網(wǎng)絡(luò)（Neural Network）的優(yōu)點，以模糊理論進行網(wǎng)絡(luò)架構(gòu)初始化，再以類神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整機制最佳化系統(tǒng)變量;LO Method主要可以分為2大步驟，一是結(jié)構(gòu)識別，主要是用來進行網(wǎng)絡(luò)架構(gòu)的初始化，包含自動建立系統(tǒng)所需的模糊規(guī)則（Fuzzy Rule），另一個步驟為參數(shù)識別，利用混合式學(xué)習(xí)算法（Hybrid Learning）進行系統(tǒng)參數(shù)最佳化，以增進系統(tǒng)效能。

4 老化壽命預(yù)估實驗

本論文采用曲線擬合方式，使用工程專業(yè)軟件MATLAB 系統(tǒng)，將光強度值輸入后所擬合出來。根據(jù)擬合的曲線，通過倒傳遞類神經(jīng)網(wǎng)絡(luò)方法建立數(shù)學(xué)模型。將發(fā)光二極管在 50℃下所量測到光強度值代入LO方法建立的數(shù)學(xué)模型計算得到圖1。

由圖1可以看出，相比文獻[3]采用的方法，本文采用的倒傳遞類神經(jīng)網(wǎng)絡(luò)（BPN）方法更接近實際值，更加準確。

參考文獻：

[1]孔曙光. 廈門LED產(chǎn)業(yè)發(fā)展“故事”[J]. 廈門科技， 2019（5）.

[2]莊瓊云， 潘書萬， 陳松巖， et al. GaN基綠光LED芯片電流加速失效機理研究[J]. 光電子·激光， 2019（6）.

[3]王藝燃， 李月鋒， 鄒軍. 白光LED加速老化性能分析[J]. 中國照明電器， 2014（10）.

[4]Lee S J ， Ouyang C S . A neuro-fuzzy system modeling with self-constructing rule generation and hybrid SVD-based learning[J]. IEEE Transactions on Fuzzy Systems， 2003， 11（3）：341-353.