基于神經網絡算法的LCDs 模組強度提升研究

余平甲，劉 巍，孫艷生，查國平，張 智，耿玉旭

（1.重慶京東方光電科技有限公司，重慶 400000；2.聯想（上海）電子科技有限公司，上海 200000）

0 引 言

液晶顯示面板（LCDs）作為主流顯示器件，廣泛應用于各種顯示設備。隨著終端超輕薄及超窄邊框的需求，顯示模組強度降低，破片風險急劇增加，因此，提升LCDs 顯示模組強度，降低系統組裝及市場破片已成為業界重點關注的問題。

文獻[1]研究表明，顯示玻璃破碎機理為玻璃缺陷位置應力集中導致裂紋萌生與擴展，并采用斷裂分析技術解析起源位置、裂紋擴展、應力類型、沖擊和摩擦方向等，全方位研究了玻璃斷裂機理；文獻[2]研究表明，顯示玻璃強度主要取決于表面及邊緣缺陷，并通過表面強度測試[3-4]、邊緣強度測試[5-6]和沖擊強度測試[7-8]表征玻璃強度；文獻[9]基于神經網絡算法，通過選取玻璃缺陷圖像進行神經網絡訓練，對常見玻璃缺陷進行精確分類及識別。為提升顯示玻璃基板強度，文獻[10]通過四點彎曲實驗，研究工藝參數對面板強度的影響；另外，文獻[11]通過仿真與實驗研究整機跌落中蓋板玻璃剛度與顯示模組受力的關系，為蓋板玻璃選型提供參考。

NB（NoteBook）顯示模組主要由顯示玻璃基板和背光源兩部分組成，目前顯示模組強度研究主要集中在玻璃破片機理及優化。綜合考慮模組整體設計對強度影響相關研究處于空白。因此，本文以NB 模組為研究對象，基于有限元力學仿真、單因子交叉試驗及神經網絡多因素分析學習，研究不同設計對強度的影響規律，確認關鍵影響因子，建立LCDs 模組強度預測模型，為模組強度提升提供設計指導。

1 模組強度評價及實驗平臺搭建

NB 模組破片主要由系統B-Cover 按壓受力導致，包括系統組裝及消費者日常使用場景。為真實模擬顯示模組受力狀態，確認LCDs 周邊不同位置強度表現，搭建模組強度壓力測試機臺，該機臺主要由測試平臺、壓力機、壓頭組成，機臺上表面用于放置模組，POGO 壓力機根據設置壓力大小、行程軌跡、循環次數施加壓力。設定初始壓力值，環繞模組周邊邊緣壓力測試一周，若未發生破片，則按照固定步長增加壓力值，循環測試，直到顯示模組發生破片。壓力值越高表征模組抵抗外部受力能力越強，模組強度越強。模組強度壓力測試設備如圖1所示。

圖1 模組強度壓力測試設備

2 模組強度仿真研究

顯示破片機理為玻璃受力導致裂紋萌生及擴展，本文通過仿真模擬模組受壓時，LCD 面板內部應力大小表征模組強度。本文通過仿真建模研究模組受力過程中不同影響因子對面板應力變化規律，明確模組強度關鍵影響因子。

顯示模組由背光和顯示基板組成。其中：背光主要由背板、膠框、燈條、導光板、增亮膜及反射膜組成；顯示基板主要包括液晶面板、驅動電路及偏光片。基于模組受力分析，忽略強度無關部品，如光學膜材和燈條等，力學模型主要由上下偏光片、雙層玻璃基板、背板、膠框等組成，并進行不同設計下玻璃基板應力對比。

為便于計算收斂，進行以下假設：

1）彈性體假設：玻璃為脆性材料，在未超過極限載荷時，表現為理想彈塑性特征；

2）剛性體假設：圓盤壓頭為剛體；

3）重力假設：下壓力遠大于玻璃自身重量，忽略自身重量影響；

4）假設玻璃和模組制程及工藝均為穩定狀態；玻璃為脆性材料，其許用最大拉應力遠小于許用最大壓應力，根據第一強度理論，最大拉應力為引起材料脆斷破壞關鍵參數，本文采用玻璃抗拉應力大小表征模組強度。

基于14.0 WUXGA產品仿真的應力云圖如圖2所示。

圖2 不同位置玻璃應力云圖對比

模組相同壓力條件下，模組四側壓頭與玻璃邊緣處產生應力集中，且TFT 玻璃抗拉應力均遠大于CF 玻璃，TFT 玻璃更易達到破裂應力后出現脆性破壞。因此，后續仿真計算采用TFT 玻璃拉應力作為模組強度表征。

由圖3 對比可知，相同條件下模組上左右側所受應力小于下側，主要為模組下側兩層玻璃交界處應力集中，為顯示模組薄弱點，其與破片集中發生于模組下側兩層玻璃交界現象一致。無擋墻TFT玻璃所產生的拉應力遠大于有擋墻，擋墻可有效保護玻璃受到外力沖擊，無擋墻結構設計在外力沖擊下，玻璃更易快速出現較大的應力集中，達到最大許用拉應力后出現破裂。由圖3a）可知，模組無擋墻設計時，背板材質和厚度對模組上左右側強度無明顯影響，對模組下側強度存在影響，如背板材質由GM55 換為SUS304，模組下側強度提升約為26%；以0.2 mm GM55 背板為例，背板厚度增加0.05 mm，下側強度分別增強約29%；關于玻璃材質對模組強度的影響，相同受力條件下，三種玻璃所產生拉應力相當，但由于最大許用應力差異AGC=194 MPa，Astra=176 MPa，EXG=162 MPa，AGC 和Astra 強度表現優于EXG；另外，模組強度與玻璃厚度成非線性正相關，如0.2 mm Astra 玻璃，厚度增加0.1 mm，上左右側及下側強度分別增加約為11%及14%；玻璃承載與模組強度的影響與模組位置和承載距離均存在相關性，如上左右側玻璃承載，每增加0.15 mm，強度提升約4%，下側玻璃承載，每增加0.2 mm，模組強度提升約3%。由圖3b）可知，當有保護擋墻時，模組四側強度與背板材質/厚度、玻璃材質/厚度、玻璃承載成非線性正比關系，且影響規律與無擋墻設計存在差異。例如，背板由0.3 mm GM55 替換為相同厚度SUS304，上左右側和下側強度分別增強約54%和9%，與無擋墻的提升比率不同。以0.2 mm GM55 背板為基準，背板厚度增加0.05 mm，上左右三側和下側強度分別增強約為15%和29%，提升效果優于無擋墻設計；基于0.2 mm Astra玻璃，玻璃厚度增加0.1 mm，上左右及下側強度分別增加約4%及5%，同樣與無擋墻設計存在差異。

圖3 模組強度影響因子分析

綜上，基于上述仿真對比，背板材質、厚度、玻璃材質、厚度、玻璃承載寬度及有無擋墻設計等均對模組強度存在相互耦合非線性影響。

3 模組強度實驗研究

為量化不同因子對模組強度影響系數，選取14.0 WUXGA 產品作為實驗平臺，采用單因素交叉法研究不同背光及面板設計對模組強度的影響規律，方案如表1所示。背光變量為背板材質、厚度及結構設計，其中結構設計包括單雙折、是否擋墻設計，玻璃承載寬度；面板設計主要為玻璃厚度和材質。不同條件下模組隨機選取100 片進行壓力測試并記錄測試數據。

表1 模組強度單因素試驗表

如圖4所示，背板厚度一定條件下（厚度為0.3 mm），模組強度與背板材質強度呈正相關，且有擋墻設計可明顯提升模組強度，提升比率與背板材質、厚度、雙折等均存在耦合影響。

圖4 背板和玻璃選型及設計對強度影響分析

如圖4a）所示，變更背板材質，有無擋墻模組強度變化趨勢相近，以有擋墻為例，0.3 mm 的SUS304 和SUS430 較同等厚度GM55 強度分別提升15%和12%；模組強度隨著背板厚度增加呈非線性增加，如0.3 mm 和0.2 mm GM55 背板較0.2 mm 實測強度分別提升約62%和40%。另外，有無擋墻設計及單雙折不同設計對強度提升比率存在耦合影響。背板雙折設計可有效提升模組強度，但提升比率同樣與是否有保護擋墻及背板材質存在相關性。例如，有/無擋墻設計時，雙折較單折強度分別提升約30%和8%，因此，背板材質、厚度、單雙折、是否保護擋墻設計等對模組強度存在相互耦合影響關系。

如圖4b）所示，針對玻璃材質，Astra 和AGC 材質玻璃均可提升模組單體強度，以有擋墻設計為例，AGC 材質模組強度較EXG 提升14%，Astra 較EXG 強度提升10%；同時玻璃厚度對強度影響為非線性，如0.2 mm 增加至0.25 mm，強度提升40%，0.25 mm 增加至0.4 mm 時提升程度減小，只有18%。另外，Glass 承載距離與強度關系為非線性，由0.5 mm 提升至0.75 mm 時，模組強度提升較為明顯，由0.75 mm增大至1.0 mm提升趨勢減緩。

綜上可知，有限元仿真識別的主要影響因素與實驗驗證相匹配，單因素對模組強度的影響為非線性正相關，且相互存在耦合影響。因此，采用交叉實驗方法設定114 組實驗條件，覆蓋不同設計維度和單因素變量。

4 NB 模組強度神經網絡預測模型

人工神經網絡類似于一個構造映射關系的黑箱，根據輸入的數據向量即可得到相應的輸出數據，具有高度的并行性、強大的非線性、良好的容錯性、杰出的全局性、優秀的自學習能力等獨特的優勢，已被廣泛應用于參數的預測工作中[12]。

BP 神經網絡屬于人工神經網絡算法上的主要部分，其結構包含輸入層、隱含層和輸出層，且隱含層具有單層與多層結構之分，各層之中均包含一定數量的節點進行數據處理與傳遞，并通過反向傳遞方式不斷修正誤差，最后得到理想值[13]，因此，本文采用BP 神經網絡對NB 模組強度進行建模。

4.1 神經網絡建模

輸入層設計：輸入層是模型接收輸入信息并傳遞給下一層，將NB 模組強度單因素實驗中的不同參數作為輸入，輸入層包括12 個影響參數，即輸入層有12 個輸入節點，其中背光相關參數有背板材質、背板厚度、背板單雙折邊設計、DP 側雙層玻璃承載寬度、背板有無擋墻設計等，LCD 相關參數主要有玻璃厚度和玻璃材質。

隱含層設計：隱含層設計主要包含隱含層數及節點數設計。根據神經網絡理論，一個隱含層的神經網絡結構可以映射所有的連續函數，因此本文只采用一個隱含層的神經網絡結構，中間節點具有數據轉換功能，節點數一般大于輸入層和輸出層節點數和的一半，小于兩者之和，本文設置隱含層節點個數為13；傳遞函數也稱為激活函數，是BP 網絡的重要組成部分，其必須是連續可靠的，常用的傳遞函數有S 型的對數函數logsig，返回值區間分別為（0，1）；NB 模組強度隨著BLU 及LCD 面板設計方案不同而變動，對樣本數據規范至（0，1）區間，因此隱含層和輸出層的傳遞函數均采用logsig 函數。

輸出層設計：輸出層為模型系統預測值，代表系統要實現的功能目標，也是誤差確定的唯一條件。本模型輸出結果為模組強度值，通過對比模組上左右側強度Y1和DP 側強度Y2，選擇其中較小的值作為輸出。

樣本量及訓練數據：神經網絡訓練樣本數據的數量與其預測的準確性有很大的關系，直接影響著神經網絡的泛化能力，對于多輸入多輸出的復雜網絡尤為如此。訓練樣本數據量如果太少，神經網絡就很難學習到樣本中蘊含的全部規律，僅能發揮記憶樣本數據的作用，甚至常常會學習到錯誤的規律，進而使網絡預測值產生較大的誤差。基于前文實驗數據，通過不同實驗條件獲取不同模組強度值，組成樣本14 600（146×100）組，將所有樣本隨機分為11 600（116×100）組訓練數據和3 000（30×100）組模型校核數據。

4.2 神經網絡模型構建

通過對隱含層節點數、隱含層數、激勵函數和訓練數據量等參數選擇，建立NB 模組強度預測模型，為1 個輸入層、1個隱含層、1個輸出層結構，輸入層節點為12個，包含NB 模組背光及LCD 面板設計方案參數，隱含層節點數為13，輸出層節點數為2，且隱含層和輸出層各個節點的激勵函數均為logsig 函數。訓練數據誤差達到10%后停止訓練。NB 模組強度神經網絡預測模型完整拓撲結構如圖5 所示。

圖5 NB 模組強度神經網絡模型

4.3 模型校驗

根據NB 模組強度預測模型，可通過30 種不同設計條件下的模組強度實測平均值與預測值對比進行準確性驗證。y和Y分別表示模組強度實測值和預測值，相對誤差表示真實實測值與預測值之間的差異（e=，分別對比30 組神經網絡預測值與實測值，由圖6 可知：絕對值在1 kgf 以內，平均相對誤差為2.63%，模型校驗準確性可滿足。

圖6 實測&預測值對比

5 結 論

本文針對業界僅對玻璃單體進行強度研究提升，首次將NB 模組作為一個整體進行專項強度提升研究。通過分析NB 模組系統組裝和使用場景下的破片規律，確認了模組周邊強度測試方法，建立單體模組強度的評價基準；基于有限元仿真確認模組強度的影響因素，指導實驗方案設計，確定模組強度的主要影響因素。最終通過神經網絡算法研究單因素非線性和多因素間對模組強度的耦合影響，建立計算模組強度預測的數學模型，為模組優化設計提供借鑒。