Accurate chromatic control and color rendering optimization in LED lighting systems using junction temperature feedback
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate color control of LED lighting systems is a challenging task: noticeable chromaticity shifts are commonly observed in mixed-color and phosphor converted LEDs due to intensity dimming. Furthermore, the emitted color varies with the LED temperature. We present a novel color control method for tri-chromatic and tetra-chromatic LEDs, which enable to set and maintain the LED emission at a target color, or combination of correlated color temperature (CCT) and intensity. The LED color point is maintained over variations in the LED junctions’ temperatures and intensity dimming levels. The method does not require color feedback sensors, so to minimize system complexity and cost, but relies on estimation of the LED junctions’ temperatures from the junction voltages. If operated with tetra-chromatic LEDs, the method allows meeting an additional optimization criterion: for example, the maximization of a color rendering metric like the Color Rendering Index (CRI) or the Color Quality Scale (CQS), thus providing a high quality and clarity of colors on the surface illuminated by the LED. We demonstrate the control of a RGBW LED at target D65 white point with CIELAB color difference metric triangle;a,bE < 1 for simultaneous variations of flux from approximately 30 lm to 100 lm and LED heat sink temperature from 25°C to 58°C. In the same conditions, we demonstrate a CCT error <1%. Furthermore, the method allows varying the LED CCT from 5500K to 8000K while maintaining luminance within 1% of target. Further work is ongoing to evaluate the stability of the method over LED aging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle