【技术实现步骤摘要】
本专利技术涉及光学加工，尤其涉及一种基于神经网络的光学元件污染层分布预测方法。
技术介绍
1、在强激光系统中，光学元件需要承受极高能量密度的激光光束，这对光学元件的面形精度、表面质量和污染残留都提出了极高的要求。尤其是光学元件的污染残留，在高能量密度激光辐照下会诱导激光损伤发生，降低光学元件寿命，严重的甚至会彻底损毁光学元件，给强激光系统的稳定运行增加相当大的负担。因此，在光学元件后处理过程中必须要去除光学元件加工过程中的污染层，以提高光学元件的激光损失阈值。在使用后处理方法去除污染层之前，需要知道污染层的分布以实现精确的去除。
2、然而，现有的污染层分布确定方法，如tof-sims（静态飞行时间二次离子质谱仪）深度分析方法、xps深度分析方法（x射线光电子能谱仪），只能分析一种加工工艺下（对应一组加工参数）的污染层分布；当改变加工工艺后，又需要重新制样分析来确定污染层分布，这个过程大大增加了光学元件的制造周期。
技术实现思路
1、本专利技术为解决上述问题，提供一种基于神经网络的光学元件污染层分布预测方法。
2、本专利技术目的在于提供一种基于神经网络的光学元件污染层分布预测方法，具体包括如下步骤：
3、s1.进行 n组不同加工参数下的光学元件加工实验，收集工艺参数数据，建立 n组数据集；表示每组工艺参数所构成的行向量；
4、s2.采集和所述工艺参数数据对应的
5、；
6、s3.将 n组数据集按比例分为训练集和测试集，使用训练集对多层感知机神经网络进行训练，得到神经网络预测模型；所述多层感知机神经网络包括三个子网络，三个子网络的输入均为行向量，三个子网络的输出分别为x坐标矩阵、y坐标矩阵和z坐标矩阵；
7、s4.获取光学元件污染层分布预测任务中新的工艺参数，输入新的工艺参数向量并复制三份，再将三份工艺参数向量分别输入所述神经网络预测模型的三个子网络中，分别输出得到神经网络预测坐标子矩阵、、；
8、s5.将神经网络预测坐标子矩阵、、输入至重构模块进行组合，得到预测的污染分布点云数据。
9、优选的，三个子网络的损失函数分别为：
10、；
11、其中，m表示m行m列的矩阵，、、为神经网络预测所得坐标子矩阵，而、、为实际坐标子矩阵。
12、优选的，在所述步骤s3中，当损失函数小于0.0001时停止训练，得到所述神经网络预测模型。
13、优选的，多层感知机神经网络训练所使用的优化算法为adam算法，步长为0.001，迭代次数为10万次。
14、优选的，步骤s4中，在输入模块输入新的工艺参数向量并复制三份，所述输入模块表示如下：
15、；
16、其中，表示输入神经网络的特征向量，表示输入的新的工艺参数向量， w表述工艺参数数量， p表示压力， r表示转速， ph表示抛光液。
17、优选的，加工参数包括压力、转速、磨料粒径和抛光液ph。
18、优选的，步骤s2中采用静态飞行时间二次离子质谱仪方法采集所述污染层分布数据。
19、优选的，训练集和测试集的比例为8：2。
20、与现有技术相比，本专利技术能够取得如下有益效果：
21、本专利技术提出一种基于神经网络的光学元件污染层分布预测方法，输入参数是光学元件抛光过程中各个参数（如压力、转速、磨料粒径、抛光液ph等），输出是光学元件的污染层分布（三维点云数据），通过神经网络训练输入输出数据，实现任意参数组合下的光学元件污染层分布预测。在改变加工工艺后，不用再重新制样分析，通过建立神经网络预测结构，将加工工艺参数与污染层分布数据建立起关系，从而实现准确的任意加工工艺下的光学元件污染层分布预测。本专利技术可以大幅缩短光学元件的加工周期，推动强激光光学元件的快速制造。
22、虽然该方法前期的数据集收集量较大，但一旦神经网络计算模型搭建和训练完毕，进行基于神经网络的光学元件污染层分布预测方法将十分迅速。相对比传统方法具有成本低、反应迅速等特点。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的光学元件污染层分布预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：所述三个子网络的损失函数分别为：
3.根据权利要求2所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：在所述步骤S3中，当损失函数小于0.0001时停止训练，得到所述神经网络预测模型。
4.根据权利要求3所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：所述多层感知机神经网络训练所使用的优化算法为adam算法，步长为0.001，迭代次数为10万次。
5.根据权利要求1-4任意一项所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：所述步骤S4中，在输入模块输入新的工艺参数向量并复制三份，所述输入模块表示如下：
6.根据权利要求5所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：所述加工参数包括压力、转速、磨料粒径和抛光液pH。
7.根据权利要求6所述的一种基于神经网络的光学元件污染层分布预测方法
8.根据权利要求7所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：所述训练集和所述测试集的比例为8：2。
...【技术特征摘要】
1.一种基于神经网络的光学元件污染层分布预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：所述三个子网络的损失函数分别为：
3.根据权利要求2所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：在所述步骤s3中，当损失函数小于0.0001时停止训练，得到所述神经网络预测模型。
4.根据权利要求3所述的一种基于神经网络的光学元件污染层分布预测方法，其特征在于：所述多层感知机神经网络训练所使用的优化算法为adam算法，步长为0.001，迭代次数为10万次。
5.根据权利要求...
【专利技术属性】
技术研发人员：李龙响，李永杰，颜克雄，李兴昶，王乙任，薛栋林，张学军，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。