一种基于光谱功率分布的LED早期异常诊断方法及系统技术方案

本发明专利技术提供了一种基于光谱功率分布的LED早期异常诊断方法及系统；其中，所述方法包括：获取第一LED灯组的第一SPD数据；根据所述第一SPD数据和拟合模型进行拟合处理，以获得与所述拟合模型对应的最优特征值；对所述最优特征值进行降维处理以获得第一目标特征值，对所述第一目标特征值进行聚类处理，以获得异常判定阈值；获取第二LED灯组的第二SPD数据，根据所述第二SPD数据获得第二目标特征值，根据所述第二目标特征值和所述异常判定阈值对所述第二LED灯组进行异常诊断。本发明专利技术通过分析SPD，利用主成分分析和KNN降维方法，实现了对LED早期故障的诊断。期故障的诊断。期故障的诊断。

【技术实现步骤摘要】
一种基于光谱功率分布的LED早期异常诊断方法及系统


[0001]本专利技术涉及LED测试
，具体而言，涉及一种基于光谱功率分布的LED早期异常诊断方法、系统、电子设备及计算机存储介质。

技术介绍

[0002]LED作为第四代照明光源，具有节能、环保、长寿命、高可靠性等诸多优点，已广泛应用于显示屏背光、夜景照明等领域。寿命预测和故障诊断是LED测试领域的重要内容，现有方法中主要采用基于数据驱动的方法、基于机器学习的方法来实施对LED的诊断与测试。
[0003]1)基于数据驱动方法：
[0004]Chang等人提出了一种称为基于相似性的度量测试的异常检测技术，用于在健康和不健康数据的历史库的情况下识别异常，该研究通过LED峰值分析，从光谱功率分布(SPD)中提取特征，使用主成分分析减少特征的维数，并使用k近邻(KNN)算法将主成分的数据集划分为组，检测评估从每个集群的质心到每个测试点的距离，并在距离大于阈值时检测异常。最终在不到1200小时的时间内检测到异常，将LED鉴定测试时间从行业标准的6000小时测试时间减少到1200小时。
[0005]Fan等人提出了一种通过计算LED间接性能数据(例如引线温度、输入驱动电流和正向电压)之间的马氏距离来检测白光LED的异常状况，在该方法中，通过计算各参数之间的马氏距离来表征LED的早期异常，并将其定义为实时健康指标来反映LED的退化，结果表明，异常检测方法可以在所有评估的测试LED实际发生故障之前，大约45％的寿命时提供早期异常警告。
[0006]Yung等人提出了一种结合了伽马随机过程和泊松分布的莱维随机过程的方法，用于描述白光LED随机且无规律的较小变化的退化量，通过不同的跳变分布函数来得到可靠性函数，最终结果表明该方法可以获取更多的可靠性信息，但在表征随机且无规律的较小变化的退化量时，莱维方法效果不如伽马方法好。
[0007]Huang在2015年使用改进的维纳过程模拟中功率白光LED的退化过程，考虑动态和随机变化以及LED器件的非线性退化行为，另外考虑了色漂移在使用寿命期间引起退化的情况。给出了对应于流明维持率和色漂的不同组合下的累积失效分布。结果表明，LED器件的联合故障分布可以通过简单地将其流明维持率和色漂作为两个独立变量来简化退化过程的建模。
[0008]Zhai提出了一种基于加速失效时间原理的随机维纳过程模型，建立了基于最大似然估计的统计推断。将该模型扩展到恒应力加速退化测试(CSADT)，并用LED加速老化测试数据集对其进行了验证。
[0009]陈志军等人根据齿轮的性能退化数据，得出了基于随机维纳过程的寿命预测与可靠性评估方法可以更准确地描述其寿命与可靠性的结论，尤其是需要考虑到产品性能退化的随机性时。由此可以看出，随机维纳方法也可以应用于LED照明系统研究中，将退化看成符合随机维纳方法的过程，以此进行失效分析。
[0010]2)基于机器学习方法：
[0011]机器学习根据所需的数量和所需人工监督类型，可以大致归类为受监督学习(预测建模)，半监督学习，无监督学习(描述性建模)。
[0012]Chang等人提出了一种RVM的回归模型，将LED测试时间从6000h减少至210h，大大提高了LED退化监测的效率。
[0013]Cao等人提出了一种利用ANN的方法来预测LED阵列模块的光通量，在比较各种操作条件下验证该方法的准确性，结果表明结合使用ANN方法时光通量预测精度高达98.5％，说明验证了模型的优势。Fan等使用反向传播神经网络(BP
‑
NN)来预测全光谱白光LED封装的光谱特征参数，并通过整合遗传算法来改善预测结果。
[0014]Liu等采用两个ANN算法来简化LED照明系统的寿命预测，并提高其精度。ANN是已知的对复杂的非线性系统进行有效和高效建模的方法，可以从有限的数据集中概括和调整解决方案。根据数学运算和所需参数的设置，神经网络结构可以有不同的类型，包括前馈神经网络(FFNN)、反向传播神经网络(BPNN)、径向基函数神经网络(RBNN)、递归神经网络(RNN)和自组织映射(SOM)。
[0015]然而，现有关于LED寿命预测和故障诊断的研究都集中在流明退化上，但对颜色的转变却没有给予足够的重视。颜色退化是LED在博物馆、超市和购物中心等应用场景中的一个重要性能参数。所以，现有的LED测试研究较为片面，无法满足例如上述应用场景中对于LED性能测试的要求。

技术实现思路

[0016]为了至少解决上述
技术介绍
中存在的技术问题，本专利技术提供了一种基于光谱功率分布的LED早期异常诊断方法、系统、电子设备及计算机存储介质。
[0017]本专利技术的第一方面提供了一种基于光谱功率分布的LED早期异常诊断方法，包括如下步骤：
[0018]获取第一LED灯组的第一SPD数据；
[0019]根据所述第一SPD数据和拟合模型进行拟合处理，以获得与所述拟合模型对应的最优特征值；
[0020]对所述最优特征值进行降维处理以获得第一目标特征值，对所述目标特征值进行聚类处理，以获得异常判定阈值；
[0021]获取第二LED灯组的第二SPD数据，根据所述第二SPD数据获得第二目标特征值，根据所述第二目标特征值和所述异常判定阈值对所述第二LED灯组进行异常诊断。
[0022]进一步地，所述根据所述第一SPD数据和拟合模型进行拟合处理，以获得与所述拟合模型对应的最优特征值，包括：
[0023]将所述第一SPD数据输入所述拟合模型对进行曲线拟合，在拟合程度满足预设条件时，提取获得与所述拟合模型对应的最优特征值。
[0024]进一步地，所述拟合模型为非对称双S模型，如下：
[0025][0026]式中，A1、A2表示振幅，ω
31
、ω
32
表示低侧能方差，ω
21
、ω
22
表示高侧能方差。
[0027]进一步地，所述最优特征值为振幅A1、A2，低侧能方差ω
31
、ω
32
，高侧能方差ω
21
、ω
22
，峰值波长xc1、xc2，半峰全宽ω1、ω2，波长x。
[0028]进一步地，所述对所述最优特征值进行降维处理以获得第一目标特征值，包括：
[0029]采用主成分分析方法将所述最优特征值降维为两个主成分，即第一目标特征值。
[0030]进一步地，所述对所述第一目标特征值进行聚类处理，以获得异常判定阈值，包括：
[0031]采用K
‑
means算法对所述第一目标特征值聚类为m个聚类，计算各聚类的质心和半径；
[0032]根据所述质心和所述半径计算各聚类的标准方差，根据所述标准方差确定所述异常判定阈值。
[0033]进一步地，所述异常判定阈值T
i
为：
[0034][0035]式中，σ是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光谱功率分布的LED早期异常诊断方法，其特征在于，包括如下步骤：获取第一LED灯组的第一SPD数据；根据所述第一SPD数据和拟合模型进行拟合处理，以获得与所述拟合模型对应的最优特征值；对所述最优特征值进行降维处理以获得第一目标特征值，对所述第一目标特征值进行聚类处理，以获得异常判定阈值；获取第二LED灯组的第二SPD数据，根据所述第二SPD数据获得第二目标特征值，根据所述第二目标特征值和所述异常判定阈值对所述第二LED灯组进行异常诊断。2.根据权利要求1所述的一种基于光谱功率分布的LED早期异常诊断方法，其特征在于：所述根据所述第一SPD数据和拟合模型进行拟合处理，以获得与所述拟合模型对应的最优特征值，包括：将所述第一SPD数据输入所述拟合模型对进行曲线拟合，在拟合程度满足预设条件时，提取获得与所述拟合模型对应的最优特征值。3.根据权利要求2所述的一种基于光谱功率分布的LED早期异常诊断方法，其特征在于：所述拟合模型为非对称双S模型，如下：式中，A1、A2表示振幅，ω
31
、ω
32
表示低侧能方差，ω
21
、ω
22
表示高侧能方差。4.根据权利要求1所述的一种基于光谱功率分布的LED早期异常诊断方法，其特征在于：所述最优特征值为振幅A1、A2，低侧能方差ω
31
、ω
32
，高侧能方差ω
21
、ω
22
，峰值波长xc1、xc2，半峰全宽ω1、ω2，波长x。5.根据权利要求4所述的一种基于光谱功率分布的LED早期异常诊断方法，其特征在于：所述对所述最优特征值进行降维处理以获得第一目标特征值，包括：采用主成分分析方法将所述最优特征值降维为两个主成分，即第一目标特征值。6.根据权利要...

【专利技术属性】
技术研发人员：樊嘉杰，刘敏讷，
申请(专利权)人：复旦大学，
类型：发明
国别省市：