关于多通道LED光源在色度约束下最大亮度预测方法的学术研究报告
一、 研究作者、机构与发表信息 本研究的主要作者为张福正（Fuzheng Zhang）、张靖之（Jingzhi Zhang）和张晓梅（Xiaomei Zhang）。张福正与张晓梅来自山东航空学院飞行学院，张靖之来自山东大学核科学与能源动力工程学院。该研究成果以题为“Maximum luminance prediction method for multichannel LED light sources under chromaticity constraints for tunable lighting”的学术论文形式，发表于国际知名光学期刊《Optics Express》第33卷第17期，出版日期为2025年8月25日。
二、 学术背景与研究目的 本研究属于固态照明、颜色科学与智能照明控制交叉领域。随着多通道发光二极管（LED）光源（MLLS）在可调照明中的广泛应用，如何精确控制其输出的色度（如相关色温CCT）与光度量（如亮度）成为关键挑战。MLLS通过混合不同颜色LED通道的光来实现光谱可调，相比传统的荧光粉转换型白光LED，在动态调节方面具有显著优势，能够满足人体对光环境在生理、心理等多方面的需求。
然而，确定一个MLLS在给定目标色度下所能达到的最大亮度是一个尚未得到充分解决的难题。其根本原因在于，每个LED通道的光输出（亮度、色坐标）与其输入控制信号（ICS）之间通常存在非线性关系，且通道的色度会随驱动条件变化而发生偏移。若简单地线性调节各通道的控制信号以提升亮度，往往会导致输出光的色度偏离目标值，即产生不期望的“颜色偏移”。现有的大多数颜色控制方法要么假设线性与色度恒定，导致精度不足；要么引入反馈机制等复杂算法，增加了计算负担和实现难度。因此，开发一种能够准确预测在特定色度约束下MLLS最大亮度的方法，是可调照明系统设计与优化的关键前提。
本研究的核心目的，正是提出并验证一种新颖的预测方法，用于估计MLLS在指定色度下可达到的最大亮度。该方法需要有效处理各通道的非线性光输出特性和色度变化，为可调照明系统的性能边界评估和优化控制提供理论依据与实用工具。
三、 研究方法与详细流程 本研究的工作流程主要包含三个核心环节的构建与整合：颜色预测模型、亮度优化模型以及求解优化模型的约束优化算法。整个验证过程基于两个具有不同配置的测试光源展开。
1. 颜色预测模型的构建 为了解决MLLS颜色输出的准确预测问题，本研究采用并改进了作者团队先前提出的一种高精度颜色预测模型。该模型的核心在于摒弃了“线性响应”和“色度恒定”的理想化假设。具体流程如下： * 数据采集与通道响应建模：针对MLLS中的每一个LED通道，研究人员生成一个从0到最大值（10位分辨率，即0-1023）的ICS梯度序列（本研究中采用16个等间隔采样点）。使用光谱辐射计（柯尼卡美能达CS-2000）测量每个ICS值下该通道输出的CIE 1931三刺激值（X, Y, Z）和色品坐标。对于每个通道，选择信噪比最高的三刺激值分量（通常是Y值，代表亮度）作为建模对象。利用多项式回归方法，拟合该三刺激值与ICS之间的非线性函数关系，得到该通道的“响应特性曲线”。 * 色度变化处理：对于同一通道在不同ICS下的色度变化，模型采用“最近邻”策略进行处理。当需要预测某个给定ICS下的颜色时，模型从该通道的训练数据中找出与给定ICS最接近的采样点，并直接使用该采样点测量得到的CIE 1931色品坐标。 * 多通道颜色合成预测：基于格拉斯曼颜色混合定律，将各通道预测出的三刺激值进行叠加，从而计算出整个MLLS在给定一组ICS向量下的总三刺激值（Xp, Yp, Zp）和亮度（Lv = Yp）。模型通过一个矩阵运算（如文中公式1所示）来合成总输出，该矩阵包含了各通道在相应ICS下的色品坐标比例关系，从而精确计及了色度变化的影响。
2. 最大亮度优化模型的建立 在能够准确预测任意ICS组合下输出颜色和亮度的基础上，将“寻找特定色度下的最大亮度”问题形式化为一个带约束的优化问题。 * 目标函数：最大化MLLS的总亮度 Lv(d)，其中 d = [d1, d2, …, dn] 是包含n个通道ICS值的向量。 * 约束条件：优化必须满足输出的色度与目标色度一致。研究中选用感知均匀性更好的CIE 1976 UCS色度坐标（u‘， v’）作为色度约束。约束方程要求预测模型计算出的总输出色度（由Xp(d), Yp(d), Zp(d)转换而来）等于目标色度（u‘_t, v’_t）。目标色度可以来自指定的CIE坐标，也可以由目标CCT（结合普朗克辐射体或CIE日光模型公式）计算得出。 * 变量范围：每个通道的ICS值被限制在其物理可调范围[0, d_max]内。
3. 基于差分进化的约束优化算法 由于目标函数（通过颜色预测模型计算）高度非线性，且存在严格的等式约束，传统优化算法难以有效求解。因此，本研究采用了一种基于差分进化（Differential Evolution, DE）的约束优化算法。该算法将原始的约束优化问题转化为一个双目标优化问题：在最大化亮度Lv(d)的同时，最小化对色度约束的违反程度Cv(d)。算法主要包含以下创新机制： * 差分进化操作：算法维护一个由可能的ICS向量组成的种群。通过差分变异（利用种群中个体向量的差异产生新向量）和交叉操作，生成新的试验向量。 * 种群进化模型：采用非支配排序和选择机制来更新种群。优先保留那些亮度更高且色度违反程度更小的解（即帕累托更优的解）。 * 不可行解替换机制：这是一个关键设计，用于处理在优化早期可能难以找到严格满足色度约束的解的情况。算法会将历代种群中违反约束程度最小的“较优不可行解”存档，并定期用它们替换当前种群中质量较差（根据其支配关系和可行性排序评估）的个体。这有助于将搜索方向引导至可行域（即满足色度约束的区域）附近，并加速收敛。 * 终止与输出：迭代过程持续进行，直到达到预设的最大代数。最终输出的解即为在色度约束得到满足（违反程度低于设定的容差ε，本研究设为0.00001）的前提下，能使预测亮度最大化的ICS向量及其对应的最大预测亮度值。
4. 实验验证设计 为验证方法的普适性和准确性，研究选用了两个不同的MLLS作为测试对象： * MLLS1：四通道（红、绿、蓝、白）系统，采用10位模拟调光（幅度调制，AM）。 * MLLS2：八通道系统（包含两个白光通道和六个彩色通道），采用10位数字调光（脉宽调制，PWM）。 验证步骤包括： * 模型训练：为两个光源的每个通道采集前述的16点ICS梯度数据，用于建立各自的颜色预测模型。额外随机生成各100个测试颜色点，用于评估颜色预测模型的基础精度。 * 最大亮度预测与测量：选取ANSI C78.377-2024标准中定义的10个代表性白光色度点（CCT范围2200K至6500K）作为目标。使用提出的方法（结合颜色预测模型和优化算法）计算每个目标色度下对应的最大亮度预测值及最优ICS组合。然后，在实际光源上施加这些最优ICS组合，并测量其实际输出的亮度和色度坐标。 * 性能评估指标：采用相对亮度误差（ΔLv）和CIE 1976色度差（Δu‘，v’）作为主要评价指标，将预测值与实测值进行对比。
四、 主要研究结果 1. 测试光源的光学特性分析结果 通过对训练数据的分析，研究首先量化了两个MLLS的非线性与色度不稳定性。 * 非线性响应：图5显示，所有通道的归一化三刺激值（Y值）与归一化ICS之间均存在不同程度的非线性关系。MLLS1的所有通道以及MLLS2的部分通道（如2700K白光、503nm、524nm、595nm通道）非线性尤为明显。这证实了线性假设的不成立。 * 色度偏移：图6和表2展示了各通道色度随ICS变化的轨迹。MLLS1的红色通道（633nm）和MLLS2的多个彩色通道（如472nm， 503nm）表现出显著的色度偏移（平均色度差可达60.13×10^-3）。这明确否定了色度恒定的假设。
2. 颜色预测模型的性能结果 在100个随机颜色测试点上，颜色预测模型表现出高精度（表3）： * MLLS1：平均亮度误差0.66%，平均色度差1.01×10^-3。 * MLLS2：平均亮度误差1.32%，平均色度差0.69×10^-3。 所有测试点的最大色度差均小于5×10^-3，在视觉上通常难以察觉。这证明了该模型能够有效刻画MLLS的非线性与色度变化，为后续的最大亮度优化提供了可靠的基础。
3. 最大亮度预测方法的准确性结果 表4汇总了在10个目标白光色度点上的预测与实测结果： * 亮度预测：对于MLLS1，预测最大亮度范围在14.22至34.99 cd/m²；对于MLLS2，则在214.56至1308.06 cd/m²，这与其硬件配置（MLLS2每通道使用多颗LED芯片）相符。两个系统的预测亮度与实测亮度高度吻合。平均相对亮度误差分别为1.11%（MLLS1）和0.88%（MLLS2），表明该方法具有极高的亮度预测精度。 * 色度准确性：优化得到的ICS组合在实际光源上产生的光色与目标色度非常接近。平均CIE 1976色度差分别为1.07×10^-3（MLLS1）和0.57×10^-3（MLLS2）。这一精度水平与基础颜色预测模型的精度相当，说明优化算法在最大化亮度的同时，出色地满足了严格的色度约束。图8直观显示，所有实测色度点都紧密围绕在目标色度点周围。 * 趋势分析：结果显示，对于两个系统，在较低CCT（如2200K， 2500K）下的预测误差相对较高。作者分析认为，这可能是因为产生低CCT白光需要更多依赖长波长（如红色）LED通道，而这些通道的光学响应通常稳定性较差，增加了准确预测的难度。
4. 显色性能评估结果 作为补充分析，研究还评估了在最大亮度模式下产生的白光的显色性（表5），使用了传统的CIE显色指数（Ra）和更现代的ANSI/IES TM-30-24标准中的色彩保真度指数（Rf）和色域面积指数（Rg）。结果显示，两个测试光源（尤其是MLLS1）的显色指数普遍不高。这在意料之中，因为本研究的优化目标仅为“特定色度下的最大亮度”，并未将显色性作为约束或优化目标。这一结果也凸显了未来研究将视觉质量指标（如显色性、非视觉效应等）纳入统一优化框架的必要性。同时，数据也验证了TM-30系统相比传统CRI具有更好的稳定性和可靠性（例如MLLS1的Rf普遍显著高于Ra）。
五、 研究结论与价值 本研究成功提出并验证了一种用于预测多通道LED光源在指定色度约束下可实现最大亮度的方法。该方法通过整合一个高精度的颜色预测模型和一个基于差分进化的约束优化模型，有效地解决了因LED通道非线性响应和色度偏移而导致的预测难题。 * 科学价值：该方法为理解和管理MLLS的颜色-亮度性能边界提供了严谨的数学模型和计算框架。它明确处理了实际器件中的非线性与不稳定因素，推动了可调照明系统从基于理想假设的控制向基于精确物理模型的控制发展。 * 应用价值：该方法为可调照明系统的设计者、开发者和使用者提供了一个实用工具。在设计阶段，可用于评估不同LED芯片组合方案在目标色温范围内的亮度输出能力。在控制阶段，可为实时颜色控制算法提供准确的性能上限参考，确保在调光过程中不会因盲目提升亮度而破坏颜色一致性。它支持开发更高效、更精确的“以人为本”的集成照明解决方案。
六、 研究亮点 1. 问题新颖性与实用性：首次系统性地提出并解决了“色度约束下MLLS最大亮度预测”这一对可调照明系统设计与优化至关重要的实际问题。 2. 方法创新性：创造性地将颜色预测与约束优化相结合，构建了一个完整的预测框架。其中，颜色预测模型通过多项式拟合和“最近邻”色度分配，巧妙而准确地刻画了各通道的非线性与色度变化。 3. 算法有效性：采用的基于差分进化的约束优化算法，通过双目标转化和不可行解替换等机制，稳健地解决了高度非线性、多变量、带严格等式约束的优化问题，并成功收敛到高精度的可行解。 4. 验证充分性：在两种具有不同通道数量、光谱组成和调光方式（AM vs. PWM）的MLLS上进行了全面验证，涵盖了从暖白光到冷白光（2200K-6500K）的典型范围，证明了方法的普适性和鲁棒性。预测精度（亮度误差约1%，色度差约10^-3数量级）达到了很高的水平。
七、 其他有价值的内容 本研究在讨论部分还指出了几个有价值的观点和未来方向： 1. 显色性能作为照明质量的关键维度，在当前的最大亮度优化框架中未被考虑。未来的工作应将Rf、Rg等指标纳入优化目标或约束，实现亮度、色度和显色性的多目标协同优化。 2. 研究观察到，基于更均匀颜色空间和更多测试色样的ANSI/IES TM-30-24评价体系，其评价结果比传统的CIE CRI更具稳定性，这为行业内显色性评价标准的演进提供了实证参考。 3. 作者提到，训练数据的采样间隔（本研究固定为64）可根据各通道非线性程度和色度稳定性进行自适应调整，以在测量工作量与模型精度间取得平衡，这为工程应用提供了灵活性指导。