//Logo Image
作者:王耀東(2004-05-10);推薦:徐業良(2004-05-10)
附註:本文為九十三學年度元智大學機械工程研究所王耀東碩士論文「液晶顯示器之直下型背光光學效能最佳化之研究」第一章。

第一章 研究背景與目的

大尺寸液晶顯示器及液晶電視,在直下型背光光源的光學設計上需考慮到亮度與均勻性,才可以達到視覺上的顯示要求。目前直下型背光光源的設計上,大多以實驗方法來設計光源位置及幾何形狀的配置,例如以經驗或簡單的實驗決定原型的幾何尺寸。由於量產用的模具費用高達台幣數百萬元以上,在沒有把握的情況下,往往先以簡易模具製作原型樣品來進行驗證,以降低風險。一般來說,經驗加上實驗約需一週到二週的工作時數來決定光學系統的材料與尺寸,再加上簡易模具所製作的原型樣品亦需二週的工作時數,而且簡易模具所製作的原型樣品每組亦需花費台幣數萬元。簡易模具製作的原型樣品若達到設計規格即可進行正式開模,一旦達不到設計規格,又需再進行實驗決定下一次的簡易樣品的製作,往往需要花費許多的人力及時間。除了實驗之外,也可以光學模擬的軟體嘗試不同幾何變數進行驗證,如此雖可節省簡易模具製作樣品的花費,但是過程往往是嘗試錯誤,仍然無法有效率地得到最佳設計。

許多學者針對此類型的問題作了相關的研究,Chan等人[2003]提出以特殊反射面的結構設計來提升直下型背光的光學效率,主要是以改變反射面的結構形狀,來提升光線的利用率。Park等人[2001]提出利用光學模擬軟體來設計一個薄型多燈管的背光系統,利用Breault Research Organization所開發的“Advanced System Analysis Program (ASAP)”光學模擬軟體來進行進行背光結構的設計,從文中看來他們也是以調整單變數的方式進行背光結構的調整與模擬。Gebauer等人[2000]提出用光跡追蹤的工具來開發液晶顯示器的背光,光學模擬為側光型的背光結構。Chang等人[2003]使用“ASAP”光學模擬軟體來設計和分析液晶顯示器的背光單體,文中提及最佳化的方法是將變數以“batch-mode”的方式,將所有變數可能數值以批次方式執行完成,再來判讀最佳解。

以上研究文獻中可以看出,液晶顯示器光學設計已逐漸採用光學模擬軟體做設計驗證,嘗試改變光源的位置配置、反射面的形狀等變數,以改進其光學效能,然而尚未看到將有系統的最佳化方法與光學模擬軟體整合,進行最佳化設計的研究。

本研究將以32吋液晶顯示器之直下型背光系統設計為對象,結合光學模擬軟體與最佳化設計演算法來求最佳光學機構設計。液晶顯示器顯示面的要求整體均勻性(Uniformity)要越高越好,同時平均輝度(Brightness)必須大於要求規格值,且中心區域需要是最大亮度。因此這個最佳化設計問題目的在求顯示面均勻性的最大值,以平均輝度及中心區域是最大亮度的要求為限制條件,最佳化設計模型如式(1-1)

        Max.        Uniformity(x)

        s.t.            Brightness(x)=1                                                                        (1-1)

其中x是設計變數,包含光源的配置、反射面的角度、背光單體的厚度等,在後續的章節會詳細敘述,Uniformity(x)是經由光學模擬軟體所得之整體均勻性函數,Brightness(x)則是經由光學模擬軟體所得是否符合平均輝度及中心區域是最大亮度要求函數。

(1)的最佳化設計模型不能直接使用現有數值最佳化演算法或軟體來求解,主要因為Uniformity(x)Brightness(x)均為“內隱式函數(implicit function)”,因為其函數值必須由光學模擬軟體求得,無法直接表示成設計變數之外顯形式函數型態。其中Brightness(x)是所謂“二元限制條件(binary constraint)”,即此限制條件僅有“pass-fail”兩種數值,如光學模擬軟體模擬結果符合平均輝度及中心區域是最大亮度要求,則Brightness(x)=1,若不符合則Brightness(x)=0

要處理此一類型的最佳化問題,本研究將利用“Sequential Neural-Network Approximation Method (SNA method)”最佳化演算法。SNA法最早由Hsu等人發表[2001],後來並應用在汽車輪圈在疲勞的限制條件下,進行減輕重量的最佳化研究[Hsu et al., 2001],並進一步將此演算法最更完整的整理[Hsu et al., 2003]SNA法結合倒傳遞類神經網路與搜尋演算法,是一種序列近似法(sequential approximation method)。首先於類神經網路中輸入一些適切的訓練資料,使其學習模擬原始最佳化設計模型一個近似的可行區域,接著搜尋演算法於類神經網路模擬的可行區域中尋找出一最佳設計點。利用此一最佳設計點代入原始最佳化設計模型進行可行性的檢驗後,將此新增設計點加入訓練資料中重新訓練,重新產生一更接近原始最佳化設計模型的近似可行區域,然後在這個更新的近似的可行區域中再次尋找最佳設計點。利用這個過程以迭代模式反覆執行,直到連續得到同一最佳設計點,近似可行區域無法再被更新為止。

先前發表的SNA法,假設其目標函數為外顯形式函數,本研究的目標函數Uniformity(x)也是內隱形式函數,因此本研究中將取消此一假設,將內隱形式目標函數也以類神經網路來模擬,使SNA法更具一般性。

本論文第二章將描述有關液晶顯示器之直下型背光光學結構設計,第三章說明Speos光學模擬軟體運算介紹及一些幾何光學的概念,第四章將介紹本研究之最佳化數學模型,第五章將開始使用SNA法來進行最佳化設計,最後第六章做出結論與討論。

參考資料

Chan, C. H., Liu, K. H., Lin, W. Y., and Hsiao, M. C., “ A Special Reflector Design for Direct-type Backlight Module to Improve the Light Efficiency,” IDMC 2003, Th-P8-01.

Chang, J. G., Lin, C. Y., Hwang, C. C., Yang, R. J., “Optical Design and Analysis of LCD Backlight Units Using ASAP,” Optical Engineering Magazine, June 2003.

Gebauer, M., Benoit, P., Knoll, P., Neiger, M., “Ray Tracing Tool for Developing LCD-Backlights,” SID 00 DIGEST, 2000, p.558~561.

Hsu, Y. L., Dong, Y. H., Hsu, M. S., “A Sequential Approximation Method Using Neural Networks for Nonlinear Discrete Variable Optimization with Implicit Constraints,” JSME International Journal, Series C, Vol. 44, No. 1, April 2001, p.103~112.

Hsu, Y. L, Hsu, M. S., “Weight Reduction of Aluminum Disc Wheels under Fatigue Constraints,” Computers in Industry, Vol. 46/2, October 2001, p. 61~73.

Hsu, Y. L., Wang, S. G., and Yu, C. C., “A Sequential Approximation Method Using Neural Networks for Engineering Design Optimization Problems,” Engineering Optimization, Vol. 35, No. 5, October 2003, p. 489 ~ 511.

Park, J., Lim, S., “Design of a Thin Multiple-Lamp Backlight System by Optical Simulation,” SID 01 DIGEST, 2001, p.690~693.