论文部分内容阅读
近些年来,半导体照明在工业领域和日常生活中的应用越来越广泛,并且成为了学术研究的热点。GaN基LED的衬底材料主要有蓝宝石、碳化硅、硅三种,而硅衬底LED相比其他两种具有低成本、导电好、热导率高等优点,但是对于硅衬底LED的研究比较少。另外,硅衬底LED的可靠性关系着产品工艺的改进和产业化,其寿命又是LED可靠性的终极表现形式,因此对硅衬底LED可靠性测试和寿命模型的研究显得尤为重要。针对以上原因,本文进行了如下几方面的研究工作:1.本文搭建了一套LED的可靠性自动测试系统,将LED的光、色、电、热参数的测试有机结合起来,编写PC端软件,实现LED测试的自动化控制。另外在LED温度控制方面,设计了一种多路隔离的Modbus协议转换器,能够将多个温箱接入以太网进行异地控制,提高了试验效率。这套测试系统为硅衬底LED的可靠性测试和寿命预测研究提供了数据支撑。2.本文以硅衬底LED的LM-80-08测试数据为基础,提出了基于遗传算法优化的BP神经网络的LED寿命预测模型,将LM-80-08测试报告中的电流、结温、初始光通量和初始色坐标作为网络的输入,LED在该种应力条件下的寿命为输出,可以预测LED在任意电流结温下的寿命,传统的基于LM-80-08数据的TM-21-11预测方法,至少需要6000h测试,并且只能推算出2或3种应力条件下的LED寿命。研究结果表明,GA-BP模型较TM-21-11方法更具灵活性,该模型预测误差较传统BP神经网络降低了 65.5%,平均相对误差达到1.47%,优于Adaboost模型的54%和3.16%,训练结果相关系数达到99.4%,预测LED寿命误差更小,普适性更高,在硅衬底LED的寿命预测中具有实际意义。另外,通过对网络输入权重的分析,得到硅衬底LED的电、热特性对其寿命影响最大,为其生产和工艺的改进提供了指导。3.本文使用自主搭建的LED可靠性测试系统,对LED进行大电流、高温加速老化,分析了不同加速应力对LED寿命的影响,并将测得的光、电、热数据进行建模,建立了基于遗传算法和模拟退火算法的BP神经网络模型,使用电流、环境温度和LED工作时间作为网络的输入,光通量维持率作为输出,可以预测LED灯珠在任意电流、温度及工作时间下的光通量维持率。另外,使用模拟退火算法解决了网络输入未知的情况,以此来推算LED寿命。研究结果表明,利用该模型推算LED工作寿命的相对误差为4.47%,单应力艾林模型和逆幂律模型推算寿命分别为29.3%和20.7%,验证了新模型对LED寿命的预测误差更小,并且新模型包含温度和电流两种应力,适用范围更加广泛。