CN102496063A

CN102496063A - 大功率led阵列照度均匀化的方法

Info

Publication number: CN102496063A
Application number: CN2011103668016A
Authority: CN
Inventors: 苏宙平; 纪志成; 朱焯炜; 阙立志
Original assignee: Jiangnan University
Current assignee: Jiangnan University
Priority date: 2011-11-17
Filing date: 2011-11-17
Publication date: 2012-06-13

Abstract

本发明提供了一种大功率LED阵列照度均匀化的方法，该方法将照明面上多点照度的方差作为目标评价函数，目标评价函数中的变量为各LED位置坐标，通过优化LED的位置，实现目标评价函数值最小，目标评价函数值最小时，所述LED位置为最佳位置，即获得了照明面上照度的均匀分布。本发明的优点是：本发明可以针对任意数量的LED进行自动排列。与传统的方法相比，实用范围广，可以通过设计程序来进行LED自动排列，方法简单。

Description

大功率LED阵列照度均匀化的方法

技术领域

本发明涉及一种大功率LED阵列照度均匀化的方法，属于LED照明技术领域。

背景技术

LED是一种新型的光源，具有省电，使用寿命长，低压直接驱动，发热量比较少，无污染安全节能环保等优点。因此LED广泛应用在各种照明领域如路灯、车灯、投影仪及显示器中的背光源等。很明显，只要LED的成本随着LED技术的不断发展而降低，节能灯和白炽灯必然被LED灯泡。然而由于LED是一个Lambertian(朗伯)光源，其发光强度按视角余弦的平方变化，因此直接用LED照明目标平面，在目标平面的照度是很不均匀的。因此，如何改善LED在目标平面的照度均匀性，同时保持高的光效率将是一项非常重要的课题。在大多数的照明环境，单颗LED很难满足照度的要求，需要多颗LED组成的LED阵列来实现。如何实现LED阵列在照明面上的照度均匀化，将是面临的一个重要问题。传统的方法都是采取解析的办法，计算各种LED阵列排布的转移函数，来确定一个规则排列的LED阵列中各LED的位置，这种方法对LED的数量是有特殊要求并且方法比较繁琐，适用范围有限。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种大功率LED阵列照度均匀化的方法，用以获得照明面上照度的均匀分布。

按照本发明提供的技术方案，所述大功率LED阵列照度均匀化的方法为：将照明面上多点照度的方差作为目标评价函数，目标评价函数中的变量为各LED位置坐标，通过优化LED的位置，实现目标评价函数值最小，目标评价函数值最小时，所述LED位置为最佳位置，即获得了照明面上照度的均匀分布。

所述的LED阵列是由大于2个LED构成的。

所述目标评价函数是

n为自然数；其中E_i，j为照明面上任意点的照度，

为照明面的平均照度。

优化所述目标评价函数的过程可以采用遗传算法，比如多种群遗传算法、或量子遗传算法。

优化所述目标评价函数的过程同理可以采用模拟退火算法、粒子群算法、蚁群算法、果蝇算法、鱼群算法。

本发明的优点是：本发明可以针对任意数量的LED进行自动排列。与传统的方法相比，实用范围广，可以通过设计程序来进行LED自动排列，方法简单。

附图说明

图1为本技术的实施流程图。

图2为使用遗传算法获得五颗LED位置分布。

图3为LED位置优化之后的照度轮廓图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明是一种实现大功率LED阵列照度均匀化的方法。将照明面上多点照度的方差作为目标评价函数，通过合理优化LED的位置，实现目标评价函数值最小，即方差最小，即可以获得照明面上照度的均匀分布。

本发明是通过合理排布多颗LED位置，使各颗LED在目标面上照度相互叠加，形成均匀照度分布。这种方法主要是，将照明面上多点照度的方差作为目标评价函数，目标评价函数中的变量为阵列中各LED位置坐标，通过合理优化LED的位置，实现目标评价函数值最小，即方差最小，方差越小，照度分布越均匀。这样即可以获得照明面上照度的均匀分布。优化的过程可以使用遗传算法(如多种群遗传算法，或量子遗传算法)、模拟退火算法、粒子群算法、蚁群算法、果蝇算法来获取目标评价函数的最小值，即确立各LED的最佳位置。

所述的LED阵列是由LED数量大于2个的LED组成。

所述的照明面上的照度均匀性可以这样来评价，在照明面上照度最小值与照度最大值的比。

Uniformity = \frac{E_{\min}}{E_{\max}}

优化过程就是使照明面目标评价函数值最小，即照明面上各点照度方差最小，即均匀度提高的过程。

如图1所示，首先确定待照明的面积和照明面距LED阵列的距离，并初步设定LED的移动范围。建立评价照度均匀性的函数，作为目标评价函数。目标评价函数是

n为自然数；其中E_i，j为照明面上任意点的照度，为照明面的平均照度。

选择合理的优化算法(如遗传算法，模拟退火算法，粒子群算法，蚁群算法，果蝇算法)，对目标评价函数进行优化，使目标评价函数函数值小于要求的最小值，这样就可以获得各LED的最佳位置。在获得LED的最佳位置之后，将LED阵列光源按计算获得位置进行排布，在光线仿真与分析软件，基于蒙特卡洛方法进行分析，来验证实验结果。常用的分析软件Tracepro，ASAP，Lightools等。

以下以遗传算法为例，介绍遗传算法优化均匀性评价函数的实施方法。遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，非常适用于处理非线性优化问题。使用遗传算法进行优化照度均匀性评价函数需要以下几个步骤：

1建立适应度函数

适应度函数是用来区分群体中个体好坏的标准，是进行自然选择的唯一依据，这里，适应度函数就是照度均匀性的评价函数，即目标评价函数。适应度函数值越小的个体，适应度越好，个体越优越。

2种群初始化

遗传算法不能直接处理问题空间的参数(如LED的位置坐标)，因此必须通过编码把要求问题的可行解表示成遗传空间的染色体或者个体。这里的个体对应的就是LED位置坐标。

3选择操作

选择操作是从旧群体中以一定的概率选择优良个体组成新的种群，以繁殖得到下一代个体。个体被选中的概率跟适应度值有关，个体适应度值越高，被选中的概率越大。

4交叉操作

交叉操作是指从种群中随机选择两个个体，通过两个染色体的交换组合，把父串的优秀特征遗传给子串，从而产生新的优秀个体。

5变异操作

变异操作的目的是维持种群多样性。变异操作从种群中随机选取一个个体，选择个体中的一点进行变异以产生更优秀的个体。

6非线性寻优

遗传算法每进化一定代数后，以所得到结果为初始值，进行局部寻优，并把寻优找到的局部最优值作为新个体染色体继续进化，直到最后找到适应度函数值最小的个体，也就是找到了均匀性评价函数最小值对应的LED位置坐标。

如果采用其它算法，其实施过程与遗传算法的实施过程也类似，把照度均匀化评价函数与每种算法的目标评价函数相对应，把LED位置坐标作为目标评价函数的变量，通过算法的实施，优化变量的位置坐标得到目标评价函数的最小值。运用遗传算法优化了五颗LED阵列排布形式，如图2所示，用光学仿真与分析软件可以获得其照度轮廓如图3所示。

Claims

1.大功率LED阵列照度均匀化的方法，其特征是：将照明面上多点照度的方差作为目标评价函数，目标评价函数中的变量为各LED位置坐标，通过优化LED的位置，实现目标评价函数值最小，目标评价函数值最小时，所述LED位置为最佳位置，即获得了照明面上照度的均匀分布。

2.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，所述的LED阵列是由大于2个LED构成的。

3.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，所述目标评价函数是

n为自然数；其中E_i，j为照明面上任意点的照度，

为照明面的平均照度。

4.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，优化所述目标评价函数的过程采用遗传算法，所述遗传算法为多种群遗传算法，或量子遗传算法。

5.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，优化所述目标评价函数的过程采用模拟退火算法。

6.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，优化所述目标评价函数的过程采用粒子群算法。

7.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，优化所述目标评价函数的过程采用蚁群算法。

8.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，优化所述目标评价函数的过程采用果蝇算法。

9.根据权利要求1所述的大功率LED阵列照度均匀化的方法，其特征在于，优化所述目标评价函数的过程采用鱼群算法。