基于串联式神经网络与特征工程的超精密光学元件多工艺参数智能决策方法及系统

本发明属于先进光学制造与人工智能交叉，具体涉及一种基于串联式神经网络与特征工程的超精密光学元件多工艺参数智能决策方法及系统。

背景技术：

1、超精密光学元件的制造要求极高的面形精度。计算机控制光学表面成形（computer controlled optical surfacing，ccos）技术，如小磨头抛光、磁流变抛光等，是实现这一目标的核心工艺。为有效收敛全频段面形误差，常需采用多工具组合加工策略。然而，当前多工具的组合选择与工艺参数（如工具尺寸、材料、磨料）决策严重依赖工艺专家的经验。这种经验主导的方式存在成本高昂、效率低下、稳定性差、可重复性低等问题，且专家水平的差异会引入决策的不确定性。从物理建模角度寻求自动化解决方案面临巨大挑战。传统的基于卷积迭代理论的方法计算耗时冗长，且难以完美处理复杂工况下的参数耦合问题，决策稳定性不足。

2、近年来，有研究尝试利用机器学习，特别是并联神经网络，直接从面形特征映射到各工艺参数。这类方法虽取得一定进展，但仍存在明显局限：一、在光学加工样本稀缺条件下，模型容易过拟合，预测准确率不高；二、并联网络独立预测各参数，缺乏工艺逻辑约束，可能导致预测出的参数组合在实际中不匹配，犯低级错误；三、模型完全依赖数据驱动，缺乏物理可解释性，决策可靠性存疑。

3、综上所述，如何在小样本条件下，实现高准确率、高可靠性且能保证参数之间内在匹配关系的工艺参数智能决策，已成为突破当前超精密光学制造工艺规划智能化瓶颈的关键问题。因此，亟需发展一种能够融合物理知识、适应小样本、并保障决策逻辑一致性的新方法。

技术实现思路

1、本发明的目的是克服现有技术的不足，提供一种基于串联式神经网络与特征工程的超精密光学元件多工具工艺参数智能决策方法。该方法通过串联网络架构保障参数决策顺序与匹配性，通过引入非线性特征工程层提升小样本下模型的表达能力，通过迭代式数据增强策略优化样本分布与模型泛化能力，最终实现高准确率、高可靠性的工艺参数智能决策，减少对专家经验的依赖。

2、本发明的技术解决方案如下：

3、一种基于串联式神经网络与特征工程的超精密光学元件多工艺参数智能决策方法，包括以下步骤：

4、s1. 面形特征降维提取：获取待加工光学元件的初始面形误差图，对其进行傅里叶变换及卷积下采样，提取包括元件材料、几何尺寸以及多个不同空间频率频段下的面形标准差σ在内的特征，构建原始特征向量。

5、s2. 串联神经网路构建与训练：构建一个由三个子网络依次串联而成的全连接神经网络。其中，第一个子网络的输入为步骤s1得到的原始特征向量，输出为研抛磨料类型的预测结果；第二个子网络的输入为所述原始特征向量与第一个子网络的预测结果的组合，输出为工具材料类型的预测结果；第三个子网络的输入为所述原始特征向量与第一个子网络、第二个子网络的预测结果的组合，输出为工具尺寸的预测结果。该架构将多工艺参数的决策过程建模为一个有序的、级联的预测任务，从而将实际加工中工艺参数间的依赖与约束关系嵌入到网络结构中，避免了参数不匹配的问题。优选地，每个子网络均为单隐藏层全连接神经网络，隐藏层激活函数采用relu函数，输出层激活函数根据分类任务采用softmax函数；网络的优化算法采用缩放共轭梯度法，损失函数采用交叉熵损失函数。

6、s3. 非线性特征工程处理：在每个子网络的输入层之后、隐藏层之前，设置非线性特征工程层。该层对输入特征中的各频段面形标准差σ进行比例组合与加权变换，构造显式包含各频段能量分布信息的新的特征向量，以增强网络对特征间非线性关系的建模能力。这一设计针对小样本数据下模型表达能力受限的挑战，根据光学加工专业知识，通过数学变换构造出能更好表征面形频谱能量分布结构的新特征，弥补了单隐藏层神经网络在捕获复杂非线性关系上的固有局限，无需大幅增加网络复杂度即可提升模型性能。

7、s4. 迭代式数据增强与训练优化：在训练过程中，利用验证集识别预测错误的样本类别，对该类别样本对应的原始面形进行随机裁剪变换以生成增强样本，并动态扩充至训练集中进行迭代式再训练，直至模型在验证集上的性能收敛。该策略具体包括：

8、s4.1. 将原始数据集划分为训练集、验证集和测试集；

9、s4.2. 使用当前训练集对串联神经网络进行训练；

10、s4.3. 使用验证集评估模型性能，识别出所有被错误预测的样本，并统计这些样本所属的真实类别集合；

11、s4.4. 对于该集合中的每一个类别，找到其对应的原始训练样本，通过随机裁剪变换生成多个增强样本；

12、s4.5. 将本轮生成的所有增强样本集合合并到当前训练集中，更新训练集；

13、s4.6. 使用更新后的训练集开始新一轮训练；

14、s4.7. 重复上述过程，直到模型在验证集上的准确率变化小于预设阈值，停止迭代。

15、该方法进一步解决了训练数据类别不平衡导致的模型偏置问题，是一种动态的、有针对性的数据增强策略。它根据模型在验证集上的错误类别反馈，定位学习不足的面形特征类别，并通过数据扩充在特征空间的决策边界薄弱区域进行样本密度补充，显著提升了模型对少数类别的识别能力与整体鲁棒性。

16、s5. 工艺参数决策与去除函数匹配：将待决策元件经步骤s1处理后的特征向量输入至经步骤s2-s4训练好的串联神经网络中，依次获得研抛磨料、工具材料及工具尺寸的预测结果，完成多工具组合加工工艺参数的智能决策。进一步地，在通过串联神经网络决策出研抛磨料、工具材料及工具尺寸后，还可匹配最优的去除函数类型，用于指导实际加工。

17、综上所述，本发明通过串联网络结构、非线性特征工程层和迭代式数据增强策略的有机结合，实现了一种高效、准确、可靠的光学元件多工艺参数智能决策方法，有效降低了对人工专家经验的依赖，提升了超精密加工的智能化水平。本发明还通过将上述数据驱动的智能决策与基于傅里叶变换的去除函数加工效率物理模型相结合，在决策出基础工艺参数后，可进一步匹配最优的去除函数，形成从参数决策到加工执行的完整智能工艺规划方案。

18、本发明与现有技术相比，具有以下有益效果：

19、1.决策准确率高：通过串联结构、特征工程和数据增强的协同作用，在测试集上对研抛磨料、工具材料、工具尺寸的预测准确率均达到98%以上，显著优于传统经验方法和并联神经网络模型；

20、2.保障参数匹配性：串联网络架构模拟了实际工艺决策流程，确保了输出的工艺参数组合符合加工逻辑，避免了不匹配的无效决策；

21、3.小样本适应性强：特征工程层和数据增强策略专门针对光学加工样本量少、特征复杂的难题设计，有效提升了模型在有限数据下的学习效率和泛化性能；

22、4.自动化与稳定性高：实现了从面形特征输入到工艺参数输出的端到端自动决策，减少了人为干预，提高了工艺规划的一致性和稳定性；

23、5.计算效率高：摒弃了传统的多轮物理卷积迭代求解，基于训练好的神经网络可快速给出决策结果，适用于在线或实时工艺规划场景。