非零干涉非球面测量回程误差去除方法及装置制造方法及图纸

非零干涉非球面测量回程误差去除方法及装置，其具有良好的普适性，能够消除回程误差，与光学软件的光线追迹功能相结合，实现非球面面形误差的快速且高精度的测量。方法包括：(1)利用光学软件模拟，建立待测非球面干涉系统的光学模型；(2)获取消除回程误差的训练集，训练集包括若干组的待测面面形误差数据和对应的光学系统干涉波前数据，均利用计算机模拟生成；(3)构建消除回程误差的神经网络；(4)训练消除回程误差的神经网络；(5)利用训练好的神经网络求解非球面面形误差。

The method and device of eliminating return error in non-zero interference aspheric measurement

【技术实现步骤摘要】
非零干涉非球面测量回程误差去除方法及装置
本专利技术涉及光学测量的
，尤其涉及一种非零干涉非球面测量回程误差去除方法，以及非零干涉非球面测量回程误差去除装置，主要用于非球面面形误差的快速高精度测量。
技术介绍
非球面光学元件是指表面曲率为非固定值的一类光学元件。其在光学设计中可以简化结构，以单片非球面镜实现多片非球面镜的功能，同时具有校正多种像差，增加光学设计的自由度等优势，被广泛应用于天文望远镜和航天相机等精密光学系统中。由此，对非球面面形误差的精密测量提出严格要求。在各种测量技术中，干涉法具有高精度、非接触、测量时间短等优势。其中零位补偿法是指补偿器能够完全补偿理想非球面产生的像差的一类干涉测量方法，其测量精度高，但零补偿器的设计和装调复杂，且不具有通用性。非零位补偿法是指补偿器不能完全补偿理想非球面产生的像差，产生剩余波前像差，导致测量光无法原路返回，这样，补偿器与被测镜无需一一对应，能够降低对补偿器的设计和装调要求。非零位补偿法是目前扩大动态范围实现高精度测量的主要方法，但剩余误差的设计给光学系统引入了回程误差，这对非球面面形误差较大时的精密测量是极为不利的。为消除回程误差的影响，人们在非零位补偿干涉法非球面测量中分别提出了基于光线追迹的二分之一法、逆向优化法来消除回程误差。在非球面面形误差较大时，二分之一法本身存在较大的系统误差。而逆向优化法求解非球面面形误差的精度主要依赖于对系统的建模精度，包括光学元件参数的不准确性和元件位置与实际系统的不一致性，温度、湿度、气流速度的随机性，以及逆向优化算法中探测器分辨率和Zernike多项式项数的选取等都会影响最终测量结果的精度。此外，逆向优化法需要对优化变量进行多次迭代优化，大大降低了求解面形误差的效率，不适用于工业生产的快速测量。因此，加工在线的高精度非球面面形误差测量需求对消除回程误差的技术依然提出迫切要求。
技术实现思路
为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种非零干涉非球面测量回程误差去除方法，其具有良好的普适性，能够消除回程误差，与光学软件的光线追迹功能相结合，实现非球面面形误差的快速且高精度的测量。本专利技术的技术方案是：这种非零干涉非球面测量回程误差去除方法，其包括以下步骤：(1)利用光学软件模拟，建立待测非球面干涉系统的光学模型；(2)获取消除回程误差的训练集，训练集包括若干组的待测面面形误差数据和对应的光学系统干涉波前数据，均利用计算机模拟生成；(3)构建消除回程误差的神经网络；(4)训练消除回程误差的神经网络；(5)利用训练好的神经网络求解非球面面形误差。本专利技术利用计算机模拟非零位补偿法的光学系统并生成了训练集，完成了神经网络的训练，方便快捷，对于一组实际光学系统的干涉波前数据，无需任何先验知识及预处理，即可消除实际光学系统中的回程误差，具有良好的普适性；本专利技术提出的基于神经网络的回程误差去除方法，在非球面面形误差求解过程中，本身不存在固有的系统误差且求解精度不依赖于系统的建模精度，包括光学元件参数的不准确性和元件位置与实际系统的不一致性，温度、湿度、气流速度的随机性等都不会对最终的结果产生影响，避免了复杂的装调和校准过程，实现了快速且高精度的非球面面形误差测量。还提供了一种非零干涉非球面测量回程误差去除装置，其包括：光学模型建立模块，其配置来利用光学软件模拟，建立待测非球面干涉系统的光学模型；训练集获取模块，其配置来获取消除回程误差的训练集，训练集包括若干组的待测面面形误差数据和对应的光学系统干涉波前数据，均利用计算机模拟生成；神经网络构建模块，其配置来构建消除回程误差的神经网络；神经网络训练模块，其配置来训练消除回程误差的神经网络；误差求解模块，其配置利用训练好的神经网络求解非球面面形误差。附图说明图1是根据本专利技术的非零干涉非球面测量回程误差去除方法的整体流程图。图2是模拟的待测面面形误差波前图。图3是模拟的光学系统的干涉波前图。图4是模拟的待测面不含面形误差时光学系统的干涉波前图。图5是图3与图4点对点相减误差的一半。图6是图5与图2点对点相减误差。图7是神经网络结构图。图8是神经网络训练过程中的损失函数下降曲线。图9是测试得到的待测面面形误差波前图。图10是图9与图2点对点相减误差。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“包括”以及任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。为解决基于光线追迹的二分之一法、逆向优化法求解非球面面形误差过程中，分别由于系统误差和系统建模精度导致的测量精度问题，以及逆向优化法多次迭代无法实现在线测量的问题，本专利技术公开的基于神经网络的回程误差去除技术要解决的问题是：消除回程误差，与光学软件的光线追迹功能相结合，实现非球面面形误差的快速高精度测量。如图1所示，这种非零干涉非球面测量回程误差去除方法，其包括以下步骤：(1)利用光学软件模拟，建立待测非球面干涉系统的光学模型；(2)获取消除回程误差的训练集，训练集包括若干组的待测面面形误差数据和对应的光学系统干涉波前数据，均利用计算机模拟生成；(3)构建消除回程误差的神经网络；(4)训练消除回程误差的神经网络；(5)利用训练好的神经网络求解非球面面形误差。本专利技术利用计算机模拟非零位补偿法的光学系统并生成了训练集，完成了神经网络的训练，方便快捷，对于一组实际光学系统的干涉波前数据，无需任何先验知识及预处理，即可消除实际光学系统中的回程误差，具有良好的普适性；本专利技术提出的基于神经网络的回程误差去除方法，在非球面面形误差求解过程中，本身不存在固有的系统误差且求解精度不依赖于系统的建模精度，包括光学元件参数的不准确性和元件位置与实际系统的不一致性，温度、湿度、气流速度的随机性等都不会对最终的结果产生影响，避免了复杂的装调和校准过程，实现了快速且高精度的非球面面形误差测量。优选地，所述步骤(1)中的光学模型包括：非零位补偿器和待测非球面。优选地，所述步骤(2)中，待测面的面形误差利用Zernike多项式随机生成，控制Zernike多项式的项数和系数在一定范围以内，具体系数上限由实际测量过程中待测面面形误差对应的上限决本文档来自技高网...

【技术保护点】
1.非零干涉非球面测量回程误差去除方法，其特征在于：其包括以下步骤：/n(1)利用光学软件模拟，建立待测非球面干涉系统的光学模型；/n(2)获取消除回程误差的训练集，训练集包括若干组的待测面面形误差数据和对应的光学系统干涉波前数据，均利用计算机模拟生成；/n(3)构建消除回程误差的神经网络；/n(4)训练消除回程误差的神经网络；/n(5)利用训练好的神经网络求解非球面面形误差。/n

【技术特征摘要】
1.非零干涉非球面测量回程误差去除方法，其特征在于：其包括以下步骤：
(1)利用光学软件模拟，建立待测非球面干涉系统的光学模型；
(2)获取消除回程误差的训练集，训练集包括若干组的待测面面形误差数据和对应的光学系统干涉波前数据，均利用计算机模拟生成；
(3)构建消除回程误差的神经网络；
(4)训练消除回程误差的神经网络；
(5)利用训练好的神经网络求解非球面面形误差。


2.根据权利要求1所述的非零干涉非球面测量回程误差去除方法，其特征在于：所述步骤(1)中的光学模型包括：非零位补偿器和待测非球面。


3.根据权利要求2所述的非零干涉非球面测量回程误差去除方法，其特征在于：所述步骤(2)中，待测面的面形误差利用Zernike多项式随机生成，控制Zernike多项式的项数和系数在一定范围以内，具体系数上限由实际测量过程中待测面面形误差对应的上限决定。


4.根据权利要求2所述的非零干涉非球面测量回程误差去除方法，其特征在于：所述步骤(2)中，光学系统的干涉波前是基于相应的待测面面形误差在光学软件中光线追迹后生成的，具体的Zernike多项式项数和系数由光学软件导出。


5.根据权利要求3或4所述的非零干涉非球面测量回程误差去除方法，其特征在于：所述步骤(3)中，神经网络的输入是光学系统的干涉波前对应的Zernike多项式系数，输出是面形误差的Zernike多项式系数，该神经网络用于通过训练尽可能模拟输入与输出之间的非线性关系。


6.根据权利要求5所述的非零干涉非球面测量回程误差去除方法，其特征在于：所述步骤(4)中，利用步骤(2)获得的训练集训练步骤(3)构建的神经网络，得到较好的训练效果...

【专利技术属性】
技术研发人员：郝群，胡摇，汪文莉，袁诗翥，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11