论文部分内容阅读
发光二极管(Light Emitting Diode,LED)凭借其高光效、长寿命、绿色节能、快速响应、结构紧凑等优点,被广泛应用于照明、装饰和显示等多种领域。在LED的各种封装形式中,多芯片COB(Chip On Board)封装凭借其封装工艺简单和散热路径短等优势,近年来获得了更加快速的市场发展。然而由于COB封装中的芯片分布密度大,导致了功率密度较高、芯片间热耦合显著、荧光粉自发热明显等问题,严重影响了 LED光源的使用寿命和可靠性,因此需要对COB-LED的热性能进行系统分析和优化。首先,对COB-LED样品进行实验测量与分析,根据模型的实际尺寸与测量结果在Icepak软件中建立三维热模型,使用该模型分析COB-LED的热性能。结果显示,封装结构相同的白光LED 比蓝光LED的透镜表面温度升高46.38 ℃,表明荧光粉存在自发热效应,并导致结温升高10℃,且荧光透镜的最高温在透镜表面中心略靠下的位置。采用TracePro软件建立光学仿真模型获取自然对流情况下荧光透镜结构调整时的发热功率,结合热仿真模型使用单因素试验分析了荧光胶层的摩尔浓度、厚度及其顶部和底部硅胶的涂覆厚度对透镜最高温度(TPmax)、芯片平均结温(TJ)和色温(CCT)的影响。其次,根据单因素试验结果确定各因素的约束范围,设计四因素五水平的正交试验确定样本数据,基于BP神经网络和支持向量机分别建立TPmax、TJ和CCT的预测模型并分析模型的预测精度。结果表明,BP神经网络训练的模型预测结果与原始数据间的决定系数分别为0.98712,0.98879,0.97796;其均方误差分别为0.00037,0.00637,0.00378。支持向量机训练的模型预测结果与原始数据间的决定系数分别为0.9915,0.99165,0.98157;其均方误差为0.00034,0.00294,0.00094。无论从决定系数还是均方误差看,支持向量机的预测精度都高于BP神经网络,因此,将支持向量机建立的预测模型用于后续的优化。最后,利用带精英策略的非劣分类遗传算法在Matlab中调用支持向量机预测模型并对该模型进行优化。结果表明,在保证光色品质的情况下,优化后的芯片结温虽然仅降低了0.4 ℃,但透镜最高温度降低了5.04℃。此外,本文还提供了3500 K～5000 K色温下的最优结构,在实际应用中可根据不同的需求选择不同的方案。