一种有机电致发光器件的运行检测方法及系统与流程

本发明涉及有机电致发光，尤其涉及一种有机电致发光器件的运行检测方法及系统。

背景技术：

1、有机电致发光器件的运行检测方法是一种基于电致发光现象的技术，即当有机电致发光器件受到电流刺激时，有机电致发光器件会产生电子激发进而发射光子，这一过程可以通过特定的测试设备进行检测和分析。在实际应用中通常涉及使用直流电源向有机电致发光器件施加电流，同时利用光强测量设备捕捉和测量其释放的光能，可以评估有机电致发光器件的发光强度、均匀性、响应时间以及色彩准确度等关键性能参数，从而全面了解其运行状态和性能表现，该方法具有非破坏性、高灵敏度和高分辨率等优点，是有机电致发光器件产品研发、质量控制和性能评估中不可或缺的重要手段。

2、在实际应用中，有机电致发光器件的运行检测方法被广泛应用于多个领域。首先，在电子显示器领域，有机电致发光器件作为新一代显示技术，其性能优劣直接关系到显示设备的图像质量。因此，通过电致发光检测，可以使有机电致发光器件显示器在各种环境下都能提供高质量的图像显示效果。

3、现有有机电致发光器件的运行检测方法的存在如下技术痛点，多色显示的实现需要精确控制不同发光材料的镀膜和发光性能，这对检测技术提出了更高的要求，现有的有机电致发光器件的运行检测方法无法准确检测有机电致发光器件在不同状态下的运行性能，导致不能准确检测出有机电致发光器件存在的故障，为此本发明提出一种有机电致发光器件的运行检测方法及系统。

技术实现思路

1、针对现有技术不足，本发明提供一种有机电致发光器件的运行检测方法及系统，解决现有的有机电致发光器件的运行检测方法无法准确检测有机电致发光器件在不同状态下的运行性能，导致不能准确检测出有机电致发光器件存在的故障的问题。

2、为解决上述技术问题，本发明的具体技术方案如下：

3、第一方面，本发明提供一种有机电致发光器件的运行检测方法，包括：

4、步骤s101，获取有机电致发光器件配置信息以及器件检测任务，有机电致发光器件配置信息包括基本物理参数、结构参数、材料特性以及工作环境参数，器件检测任务包括检测目标、检测参数指标、检测条件以及检测预期结果；

5、步骤s102，检测有机电致发光器件的运行状态，得到实时有机电致发光器件运行状态数据，实时有机电致发光器件运行状态数据包括发光亮度数据、发光效率数据、电流密度数据、电压状态数据以及发光色度数据；

6、步骤s103，采集有机电致发光器件的运行检测历史数据，将有机电致发光器件的运行检测历史数据进行聚类分析，得到历史数据聚类分析结果，使用有机电致发光器件的运行检测历史数据以及历史数据聚类分析结果对深度学习模型进行训练，得到有机电致发光器件的运行模型组；

7、步骤s104，对器件检测任务建立检测时段，检测时段包括第一检测时段、第二检测时段、第三检测时段以及第四检测时段，分别在第一检测时段、第二检测时段、第三检测时段以及第四检测时段对有机电致发光器件进行状态检测，得到检测时段器件运行状态，检测时段器件运行状态包括第一检测时段器件运行状态、第二检测时段器件运行状态、第三检测时段器件运行状态以及第四检测时段器件运行状态；

8、步骤s105，将检测时段器件运行状态中的每个检测时段与有机电致发光器件的运行模型组中的检测任务生成模型进行匹配，得到每个检测时段对应的检测任务生成模型，使用每个检测时段对应的检测任务生成模型对每个检测时段的数据进行数据处理，得到每个时段的有机电致发光器件检测任务，将每个时段的有机电致发光器件检测任务发送至对应的检测设备，接收检测设备执行每个时段的有机电致发光器件后的数据，将检测设备执行每个时段的有机电致发光器件后的数据代入有机电致发光器件运行评估模型中，得到有机电致发光器件评估结果。

9、进一步地，本发明提供的有机电致发光器件的运行检测方法，所述步骤s103，包括：

10、有机电致发光器件的运行检测历史数据包括有机电致发光器件的运行检测数据以及有机电致发光器件的运行检测数据对应的有机电致发光器件状态，有机电致发光器件的运行检测数据包括有机电致发光器件的运行检测任务、有机电致发光器件的运行检测过程数据以及有机电致发光器件的运行检测结果数据；

11、对采集到的有机电致发光器件的运行检测历史数据进行预处理，从预处理后的数据中提取特征，提取特征包括有机电致发光器件的运行状态、运行检测任务中的参数、运行过程数据中的变化趋势数据、运行结果数据中的指标；

12、使用聚类算法对预处理后的运行检测历史数据进行聚类分析，根据数据的相似性和差异性将历史数据划分为不同的类别；

13、对每个聚类结果，构建相应的深度学习模型，深度学习模型用于学习并模拟该聚类下有机电致发光器件的运行行为和状态变化；

14、使用聚类后的历史数据对深度学习模型进行训练，通过不断调整模型参数和优化算法，使模型能够准确预测有机电致发光器件的运行状态；

15、根据聚类分析结果和深度学习模型的预测结果，建立有机电致发光器件的运行模型组内的运行模型与有机电致发光器件状态的对应关系，将每个聚类对应的深度学习模型标记为与该聚类下有机电致发光器件的状态相对应。

16、进一步地，本发明提供的有机电致发光器件的运行检测方法，所述步骤s104，包括：

17、根据有机电致发光器件的实际运行情况和监测需求，将整个监测周期划分为四个检测时段，即第一检测时段、第二检测时段、第三检测时段和第四检测时段；

18、确定每个检测时段的起始时间和结束时间，检测时段的划分后覆盖器件的整个运行周期，并且每个时段内能够获取有机电致发光器件的运行数据；

19、根据检测任务的需求，配置相应的检测设备和参数，检测设备测量有机电致发光器件在运行过程中的电压、电流、亮度以及色温；

20、检测设备执行状态检测在第一检测时段内，启动检测设备并开始采集有机电致发光器件的运行数据，数据采集完成后，对第一检测时段的数据进行处理和分析，得到第一检测时段器件的运行状态；

21、重复上述步骤，分别在第二检测时段、第三检测时段和第四检测时段对有机电致发光器件进行状态检测，并得到相应的运行状态数据；

22、将四个检测时段得到的器件运行状态数据进行整理，形成运行状态数据集，对运行状态数据集进行器件运行状态提取，分别输出第一检测时段器件运行状态、第二检测时段器件运行状态、第三检测时段器件运行状态以及第四检测时段器件运行状态的结果。

23、进一步地，本发明提供的有机电致发光器件的运行检测方法，所述步骤s105，包括：

24、根据第一检测时段、第二检测时段、第三检测时段以及第四检测时段的器件运行状态数据，在有机电致发光器件的运行模型组中进行检测任务生成模型匹配；

25、匹配的依据是运行状态数据与模型中训练数据之间的相似性，使用距离度量方法进行匹配，匹配结果是每个检测时段对应一个检测任务生成模型；

26、对每个检测时段的数据进行预处理，将预处理后的数据输入到每个检测时段对应的检测任务生成模型中；

27、每个检测时段对应的检测任务生成模型根据输入的数据进行计算，输出该时段内有机电致发光器件的检测任务，检测任务包括器件的性能评估、故障预测以及参数调整。

28、进一步地，本发明提供的有机电致发光器件的运行检测方法，所述步骤s105，包括：

29、采集检测执行各时段内有机电致发光器件的检测任务后的检测结果数据，得到各时段检测结果数据，将各时段检测结果数据与有机电致发光器件配置信息中的基本物理参数以及结构参数进行数据对比，得到检测结果误差对比结果，若检测结果误差对比结果中数据误差超出预设范围，则将检测结果误差对比结果以及各时段检测结果数据对预设的有机电致发光器件调度模型通过遗传算法进行优化，得到优化后的有机电致发光器件调度模型；

30、接收用户需求指令，使用有机电致发光器件调度模型对用户需求指令进行数据处理，输出优化后的实时有机电致发光器件运行调度指令，并对执行实时有机电致发光器件运行调度指令后的有机电致发光器件的运行进行检测，若检测结果符合预设误差值，则停止对有机电致发光器件调度模型的优化，若检测结果不符合预设误差值，则使用预设的有机电致发光器件故障检测模型生成故障检测命令对有机电致发光器进行故障检测，若故障检测结果中存在有故障的有机电致发光器，则生成故障预警信息。

31、第二方面，本发明提供一种有机电致发光器件的运行检测系统，应用如所述的有机电致发光器件的运行检测方法，包括：

32、数据获取单元，获取有机电致发光器件配置信息以及器件检测任务，有机电致发光器件配置信息包括基本物理参数、结构参数、材料特性以及工作环境参数，器件检测任务包括检测目标、检测参数指标、检测条件以及检测预期结果；

33、检测单元，检测有机电致发光器件的运行状态，得到实时有机电致发光器件运行状态数据，实时有机电致发光器件运行状态数据包括发光亮度数据、发光效率数据、电流密度数据、电压状态数据以及发光色度数据；

34、数据重组单元，采集有机电致发光器件的运行检测历史数据，将有机电致发光器件的运行检测历史数据进行聚类分析，得到历史数据聚类分析结果，使用有机电致发光器件的运行检测历史数据以及历史数据聚类分析结果对深度学习模型进行训练，得到有机电致发光器件的运行模型组；

35、数据匹配单元，对器件检测任务建立检测时段，检测时段包括第一检测时段、第二检测时段、第三检测时段以及第四检测时段，分别在第一检测时段、第二检测时段、第三检测时段以及第四检测时段对有机电致发光器件进行状态检测，得到检测时段器件运行状态，检测时段器件运行状态包括第一检测时段器件运行状态、第二检测时段器件运行状态、第三检测时段器件运行状态以及第四检测时段器件运行状态；

36、数据处理单元，将检测时段器件运行状态中的每个检测时段与有机电致发光器件的运行模型组中的检测任务生成模型进行匹配，得到每个检测时段对应的检测任务生成模型，使用每个检测时段对应的检测任务生成模型对每个检测时段的数据进行数据处理，得到每个时段的有机电致发光器件检测任务，将每个时段的有机电致发光器件检测任务发送至对应的检测设备，接收检测设备执行每个时段的有机电致发光器件后的数据，将检测设备执行每个时段的有机电致发光器件后的数据代入有机电致发光器件运行评估模型中，得到有机电致发光器件评估结果。

37、进一步地，本发明提供一种有机电致发光器件的运行检测系统，所述数据重组单元，包括：

38、有机电致发光器件的运行检测历史数据包括有机电致发光器件的运行检测数据以及有机电致发光器件的运行检测数据对应的有机电致发光器件状态，有机电致发光器件的运行检测数据包括有机电致发光器件的运行检测任务、有机电致发光器件的运行检测过程数据以及有机电致发光器件的运行检测结果数据；

39、对采集到的有机电致发光器件的运行检测历史数据进行预处理，从预处理后的数据中提取特征，提取特征包括有机电致发光器件的运行状态、运行检测任务中的参数、运行过程数据中的变化趋势数据、运行结果数据中的指标；

40、使用聚类算法对预处理后的运行检测历史数据进行聚类分析，根据数据的相似性和差异性将历史数据划分为不同的类别；

41、对每个聚类结果，构建相应的深度学习模型，深度学习模型用于学习并模拟该聚类下有机电致发光器件的运行行为和状态变化；

42、使用聚类后的历史数据对深度学习模型进行训练，通过不断调整模型参数和优化算法，使模型能够准确预测有机电致发光器件的运行状态；

43、根据聚类分析结果和深度学习模型的预测结果，建立有机电致发光器件的运行模型组内的运行模型与有机电致发光器件状态的对应关系，将每个聚类对应的深度学习模型标记为与该聚类下有机电致发光器件的状态相对应。

44、进一步地，本发明提供一种有机电致发光器件的运行检测系统，所述数据匹配单元，还用于：

45、根据有机电致发光器件的实际运行情况和监测需求，将整个监测周期划分为四个检测时段，即第一检测时段、第二检测时段、第三检测时段和第四检测时段；

46、确定每个检测时段的起始时间和结束时间，检测时段的划分后覆盖器件的整个运行周期，并且每个时段内能够获取有机电致发光器件的运行数据；

47、根据检测任务的需求，配置相应的检测设备和参数，检测设备测量有机电致发光器件在运行过程中的电压、电流、亮度以及色温；

48、检测设备执行状态检测在第一检测时段内，启动检测设备并开始采集有机电致发光器件的运行数据，数据采集完成后，对第一检测时段的数据进行处理和分析，得到第一检测时段器件的运行状态；

49、重复上述步骤，分别在第二检测时段、第三检测时段和第四检测时段对有机电致发光器件进行状态检测，并得到相应的运行状态数据；

50、将四个检测时段得到的器件运行状态数据进行整理，形成运行状态数据集，对运行状态数据集进行器件运行状态提取，分别输出第一检测时段器件运行状态、第二检测时段器件运行状态、第三检测时段器件运行状态以及第四检测时段器件运行状态的结果。

51、进一步地，本发明提供一种有机电致发光器件的运行检测系统，所述数据处理单元，还用于：

52、根据第一检测时段、第二检测时段、第三检测时段以及第四检测时段的器件运行状态数据，在有机电致发光器件的运行模型组中进行检测任务生成模型匹配；

53、匹配的依据是运行状态数据与模型中训练数据之间的相似性，使用距离度量方法进行匹配，匹配结果是每个检测时段对应一个检测任务生成模型；

54、对每个检测时段的数据进行预处理，将预处理后的数据输入到每个检测时段对应的检测任务生成模型中；

55、每个检测时段对应的检测任务生成模型根据输入的数据进行计算，输出该时段内有机电致发光器件的检测任务，检测任务包括器件的性能评估、故障预测以及参数调整。

56、进一步地，本发明提供一种有机电致发光器件的运行检测系统，所述数据处理单元，还用于：

57、采集检测执行各时段内有机电致发光器件的检测任务后的检测结果数据，得到各时段检测结果数据，将各时段检测结果数据与有机电致发光器件配置信息中的基本物理参数以及结构参数进行数据对比，得到检测结果误差对比结果，若检测结果误差对比结果中数据误差超出预设范围，则将检测结果误差对比结果以及各时段检测结果数据对预设的有机电致发光器件调度模型通过遗传算法进行优化，得到优化后的有机电致发光器件调度模型；

58、接收用户需求指令，使用有机电致发光器件调度模型对用户需求指令进行数据处理，输出优化后的实时有机电致发光器件运行调度指令，并对执行实时有机电致发光器件运行调度指令后的有机电致发光器件的运行进行检测，若检测结果符合预设误差值，则停止对有机电致发光器件调度模型的优化，若检测结果不符合预设误差值，则使用预设的有机电致发光器件故障检测模型生成故障检测命令对有机电致发光器进行故障检测，若故障检测结果中存在有故障的有机电致发光器，则生成故障预警信息。

59、本发明的有益效果：

60、本发明通过采集有机电致发光器件的运行检测历史数据，并利用深度学习模型进行训练，本发明能够构建出与有机电致发光器件不同状态相对应的运行模型组，这使得在实时检测中，能够更准确地匹配到与当前状态相符的模型，从而提高检测结果的准确性。分时段检测策略进一步细化了检测过程，能够捕捉到有机电致发光器件在不同时间段内的运行性能变化，避免了单一时间点检测带来的误差和片面性。

61、本发明在检测结果的基础上，增加了误差对比和模型优化步骤。当检测结果误差超出预设范围时，会对调度模型进行优化，提升输出指令的准确性，有助于提前发现有机电致发光器件的潜在故障，避免故障扩大化。通过预设的有机电致发光器件故障检测模型，本发明能够在检测到故障时立即生成预警信息，为用户提供及时的维护提示，防止故障对有机电致发光器件造成进一步的损害。

62、实时调度指令的生成和执行，使得有机电致发光器件能够根据用户需求或当前运行状态进行动态调整，从而提供更加个性化的显示效果，提升用户体验。准确的检测和优化调度有助于延长有机电致发光器件的使用寿命，减少因故障导致的更换和维修成本，对于有机电致发光器件的普及和应用具有重要意义。本发明提供的运行检测方法和系统，为有机电致发光器件的性能评估和故障诊断提供了新的思路和手段，这有助于推动有机电致发光技术的进一步发展，提高其在显示领域的应用水平和竞争力。

63、综上所述，本发明通过提高检测准确性、增强故障预警能力、提升用户体验和器件寿命以及促进有机电致发光技术的发展等方面，为有机电致发光器件的运行维护和管理提供了有力支持，具有显著的有益效果。