基于物理引导的机器学习在恶劣环境中TFT-LCD模块的可靠性预测

《Photonics》：Reliability Prediction of TFT-LCD Modules in Harsh Environments Using Physics-Guided Machine Learning

　　

准确预测TFT-LCD模块的剩余使用寿命（Remaining Useful Life, RUL）对于工业预测性维护至关重要，然而在不同气候下复杂的退化机制仍然对其构成巨大挑战。传统的纯数据驱动模型（支持向量回归SVR、长短期记忆网络LSTM）通常缺乏物理可解释性，难以滤除环境噪声或预测不可逆故障。为解决这一问题，研究人员提出了一种基于物理信息高斯过程回归（Physics-Informed Gaussian Process Regression, PI-GPR）框架的高可靠性预测工具，通过将累积热负载和热机械应力嵌入模型的先验函数中。经过一年的现场暴露数据评估，物理约束使得模型能够在高度多变的环境下准确预测器件寿命，包括热带湿热环境中的亮度波动和寒冷环境中的器件失效。定量结果表明，统一的PI-GPR框架实现了优异的决定系数（R² = 0.93），并将RUL预测误差降低至仅7.5天，显著优于传统的浅层学习、深度序列和标准概率基线方法。最终，该研究为实际工业应用中显示模块的健康监测和生命周期管理提供了一种稳健、基于物理的方法。

**论文解读：基于物理引导的机器学习实现恶劣环境下TFT-LCD模块的可靠性预测**

**研究背景与问题**

薄膜晶体管液晶显示器（Thin-Film Transistor Liquid Crystal Display, TFT-LCD）凭借成熟的技术生态、成本效益和低功耗，在军用、航空航天及工业监测等高可靠性系统中占据核心地位。然而，在热带湿热至极寒等恶劣环境中，TFT-LCD模块面临复杂的退化机制：湿热条件下，水分渗透引发聚合物溶胀和电化学腐蚀，导致光学湿附效应（Optical Wetting）引起的非单调亮度波动；极寒条件下，聚合物密封剂与无机玻璃基板之间热膨胀系数（Coefficient of Thermal Expansion, CTE）的严重失配产生界面剪切应力，引发液晶（Liquid Crystal, LC）相变应力和结构破裂。传统实验室加速寿命测试（Accelerated Life Testing, ALT）无法模拟温度、湿度、日辐射的协同耦合效应，而纯数据驱动模型（如支持向量回归SVR、长短期记忆网络LSTM）缺乏物理可解释性，在跨气候条件下难以泛化，且面临小样本学习困境。为此，研究人员引入物理引导的高斯过程回归（Physics-Informed Gaussian Process Regression, PI-GPR）框架，旨在融合多物理场仿真与现场暴露数据，实现跨气候环境下的高精度剩余使用寿命（Remaining Useful Life, RUL）预测。

**研究内容与结论**

研究人员在热带湿热环境（海南万宁）和极寒环境（黑龙江漠河）开展了为期一年的自然暴露实验，部署了来自天马、京东方和群创的三款商用7英寸a-Si TFT-LCD模块，共计54个试样。通过高精度色度计（Konica Minolta CS-2000）定期监测归一化亮度退化轨迹。利用COMSOL Multiphysics构建11层精细有限元模型，提取两个关键物理先验特征：基于阿伦尼乌斯（Arrhenius）理论的累积热负载（Cumulative Thermal Load, Q_th），以及基于界面热失配应力的热机械疲劳因子（Interfacial Thermal Mismatch Stress Factor, S_th）。将其嵌入采用Mátern 3/2核与白核（White Kernel）组合核函数的高斯过程回归（Gaussian Process Regression, GPR）框架中，通过最大似然估计优化超参数，并利用滑动窗口和分段三次埃尔米特插值（Piecewise Cubic Hermite Interpolating Polynomial, PCHIP）预处理数据。统一PI-GPR模型在测试集上实现了决定系数R²=0.93，整体平均绝对误差（MAE）为0.82，均方根误差（RMSE）为1.05；湿热条件下平均绝对百分比偏差（Mean Absolute Percentage Deviation, MAPD）仅0.65%，极寒条件下RUL预测误差仅7.5天，显著优于SVR、LSTM和标准GPR基线。该研究为复杂电子封装的预测性维护提供了稳健的物理解释性范式，论文发表于《Photonics》。

**关键技术方法（<250字）**

研究人员采用的关键技术方法包括：1）多物理场有限元分析（Finite Element Analysis, FEA）：利用COMSOL Multiphysics构建TFT-LCD三维模型，耦合固体传热和固体力学模块，仿真模拟极寒和湿热条件下的内部应力演化。2）物理先验特征提取：基于仿真结果，导出热失配应力因子（S_th，对瞬时温度梯度和冯·米塞斯应力进行时间积分）和累积热负载（Q_th，基于阿伦尼乌斯方程对温度进行时间积分）。3）物理引导高斯过程回归（PI-GPR）：采用Mátern 3/2核（捕捉非平稳退化突变）与白核（测量噪声）的组合核函数，将物理先验作为输入特征嵌入GPR框架。4）数据预处理：使用滑动窗口对齐高频环境数据与光学采样间隔，利用PCHIP插值处理非均匀采样序列，并通过Z-score标准化消除量纲影响。样本队列来源为海南万宁和黑龙江漠河两处现场暴露站点，涉及天马（TM070RDH13-00）、京东方（QT070WVM-NH0）、群创（AT070TN94）三种商用模块。

**研究结果**

*3.1 Spatiotemporal Degradation Characteristics in Cross-Climatic Extremes*（跨气候极端环境中的时空退化特征）
研究人员在湿热与极寒两种极端气候下部署54个试样，挑战了“单调线性亮度衰减”的传统假设，揭示了高度非线性且空间非均匀的演化规律。

*3.1.1 Hygrothermal Optical Fluctuation and Optical Wetting*（湿热光学波动与光学湿附）
在海南万宁六个月雨季暴露中，模块宏观结构完整，但亮度轨迹呈现非单调波动。天马A216模块亮度从150.6 nits下降至142.5 nits后，在旱季恢复至148.7 nits（组内方差分析p<0.05）；群创C202模块因旱雨交替出现多峰“W形”振荡。研究通过光学湿附机制（水分子填充光学膜间隙，改变折射率匹配）解释了这一现象，并建议采用低吸水率环烯烃共聚物（Cyclic Olefin Copolymer, COC）基材和耐候聚氨酯密封剂来抑制湿气驱动退化。

*3.1.2 Phase-Change Stress and Mura Default in Polar Cold*（极寒环境中的相变应力与Mura缺陷）
在漠河极寒环境（最低-40°C）中，天马A206模块的局部亮度从~160 nits骤降至~20 nits，出现“黑色空洞”失效模式；而天马A217和京东方B120模块则出现云状白斑Mura。研究人员通过有限元分析揭示，低温下液晶发生固态相变（体积膨胀）与聚氨酯/玻璃间CTE失配产生的极端剪切应力（超过40 MPa）共同导致偏振片撕裂或液晶盒破裂。云状Mura被视为结构性破坏的前兆阶段，由亚临界微变形（光学膜局部屈曲、盒厚不均匀）引起。

*3.2 Physics-Informed Feature Extraction via Multi-Physics Simulation*（基于多物理场仿真的物理引导特征提取）
为弥合宏观气象数据与微观退化机制之间的语义鸿沟，研究人员构建了11层TFT-LCD三维有限元模型，仿真-40°C极寒与35~45°C/55~75%RH湿热条件下的应力演化。仿真显示，极寒条件下聚合物组件与玻璃基板间的CTE失配在结构边界和拐角产生峰值应力（>40 MPa）；湿热条件下热膨胀与湿溶胀叠加加剧层间离面应力。基于此，研究人员提取了热失配应力因子（S_th，对瞬时应力与温度梯度的乘积进行时间积分）和累积热负载（Q_th，基于阿伦尼乌斯方程对温度进行时间积分）作为核心物理先验。通过离散化公式（前向差分和黎曼和）将连续积分转化为适用于气象时间序列的代数形式，并利用有限元结果构建分段边界映射函数来动态确定瞬态应力。

*3.3 Predictive Performance of the PI-GPR Framework*（PI-GPR框架的预测性能）
通过试样级数据划分（每型号6个模块中4个训练、2个测试），并采用严格的时间校准策略（仅利用退化约30 cd/m2前的早期观测数据调整高斯先验，冻结模型后进行盲验证），PI-GPR框架成功捕捉了标准GPR无法拟合的非线性退化轨迹。例如，在湿热暴露中BOE B102/B103模块，数据驱动GPR严重低估后期加速衰减，而PI-GPR准确预测了非线性骤降；面对瞬时光学波动（如Innolux C201），PI-GPR有效滤除噪声而非误判为恢复。

*3.3.2 Accuracy and Uncertainty Quantification*（准确性与不确定性量化）
与SVR（R²=0.81）、LSTM（R²=0.86）和标准GPR（R²=0.89）相比，统一PI-GPR达到R²=0.93，MAE=0.82，RMSE=1.05。湿热条件下MAPD仅0.65%，最大误差1.35（LSTM达7.10）；极寒条件下RUL预测误差仅7.5天（SVR为28.5天，标准GPR为13.2天）。PI-GPR输出的动态95%置信区间在数据密集区域严格狭窄，在预测未观测未来或高度易变区域合理发散，量化了异方差不确定性，为条件式维护（Condition-Based Maintenance, CBM）提供了风险感知边界。

*3.4 Cross-Climatic Model Generalization and Engineering Significance*（跨气候模型泛化与工程意义）
*3.4.1 Robustness Across Different Manufacturers*（跨制造商的鲁棒性）
不同制造商（天马、京东方、群创）的模块使用不同专有配方，但PI-GPR通过转化为通用物理指标（S_th和Q_th），成功预测天马的冷致相变断裂、群创的湿热光学湿附以及京东方的异常伪增亮，预测精度均超过90%，实现了品牌无关的鲁棒泛化。

*3.4.2 Significance for Prognostics and Health Management (PHM)*（对预测与健康管理的意义）
PI-GPR的概率输出支持从计划维修向条件式维护（Condition-Based Maintenance, CBM）的范式转变。例如，在A216模块的“亮度恢复阶段”，模型动态展宽不确定性边界而非误判为永久恢复，防止了误导性维护干预。该框架为部署在恶劣环境中的关键电子封装提供了科学工具，以优化生命周期管理、减少意外停机。

**总结讨论与结论**

讨论部分强调，当前物理先验针对TFT-LCD退化机制定制，跨尺寸泛化时仅需重新校准有限元几何参数更新应力先验；但向自发光显示器（如OLED）扩展时，由于发光原理和器件架构根本不同，需要完全独立的物理退化方程。结论部分翻译如下：在这项研究中，研究人员开发了一个统一的PI-GPR框架，用于预测TFT-LCD模块在热带湿热和极寒环境中的寿命。除了算法改进，该研究建议用环烯烃共聚物（COC）和耐候聚氨酯替代标准材料以抑制退化，特别是湿热条件下光学聚合物的水解和冷致CTE失配。最终，为在数学上将这些物理失效与数据驱动预测相结合，研究人员将为期一年的现场数据与多物理场仿真集成，提取了界面热失配应力（S_th）和累积热负载（Q_th）作为显式物理先验。因此，统一框架实现了出色的整体拟合优度，将湿热条件下的MAPD限制在仅0.65%，并将极寒环境中的RUL预测误差最小化至仅7.5天。与纯数据驱动模型相比，该方法打破了可解释性瓶颈，避免了过拟合，并成功预测了突发的结构坍塌。此外，带有95%置信区间的RUL预测有效防止了误导性维护干预，为复杂电子封装的预测性维护提供了一种高度适应性、基于物理的范式。