第3章灵敏度分析

第三章：灵敏度分析——找到那个“最要命”的参数

做光学设计这么多年，我有个很深的体会：设计做得再好，不会分析公差，等于白做。你想想看，一个镜头设计得再漂亮，到了产线上装出来全跑偏了，那有什么用？

灵敏度分析，说白了就是回答三个问题：
1. 每个参数动一下，像质会变多少？
2. 哪个参数最“敏感”？
3. 我们应该优先控制谁？

这一章，我们就来把这套东西讲透。

先问个问题：什么叫“敏感”？
我的理解很简单——输入变化一点点，输出就剧烈变化，这就叫敏感。

在光学系统里，输入是各个结构参数（曲率半径、厚度、偏心、倾斜……），输出是像质评价指标（波前RMS、MTF、点列图半径……）。灵敏度矩阵，就是把这种“输入→输出”的映射关系，用一张表格列出来。

灵敏度矩阵的定义：

S(i,j) = Δ像质指标_j / Δ参数_i

说白了，就是第 i 个参数变化单位量时，第 j 个像质指标的变化量。

我在实际项目中，一般会这样构建灵敏度矩阵：

嗯，这里要注意：扰动量的选择很关键。太小了，数值噪声会淹没真实信号；太大了，非线性效应会干扰结果。我个人习惯取公差范围的1/10作为扰动量，这样既稳定又贴近实际。

有了灵敏度矩阵，下一步就是算权重。权重说白了就是：在公差范围内，每个参数对像质的“破坏力”有多大。

计算公式很简单：

权重_i = |灵敏度_i| × 公差范围_i

为什么还要乘公差范围？
你想想看，一个参数灵敏度很高，但它的公差范围非常小（比如空气间隔可以控制到±0.005mm），那它实际造成的像质退化可能并不大。反过来，一个参数灵敏度一般，但公差范围很大（比如折射率允差±0.001），那它反而可能是主要矛盾。

我在一个投影镜头项目里就遇到过这种情况：
当时大家都很紧张透镜的偏心，觉得偏心肯定最要命。结果一算权重，发现空气间隔的权重竟然是偏心的3倍。为什么？因为那个镜头的空气间隔公差给得比较松，而偏心控制得很严。所以你看，权重是“灵敏度”和“公差范围”共同决定的，缺一不可。

我的经验：

权重分析做完后，我一般会画一张帕累托图（Pareto Chart），把权重从大到小排个序。前20%的参数往往贡献了80%的像质退化。这就是传说中的“二八定律”，在公差分析里同样适用。

关键公差参数，就是那些权重排名靠前、对像质影响最大的参数。识别出它们，你才能有的放矢：

我曾经做过一个手机镜头项目，公差分析跑出来，发现第一片透镜的偏心和最后一片透镜的倾斜是两大“杀手”。于是我们做了两件事：

结果良率从65%直接跳到了92%。这就是关键公差参数识别的价值——把有限的资源用在刀刃上。

注意：

关键参数不是一成不变的。系统不同、公差分配不同、评价指标不同，关键参数都可能发生变化。所以每次做公差分析，都要重新跑一遍灵敏度分析，不要偷懒沿用旧数据。

下面这张图，是我自己总结的灵敏度分析核心逻辑，你可以对照着看：

最后，分享几个我踩过的坑，希望能帮你少走弯路：

坑1：灵敏度矩阵只算一次就完事

我曾经在一个变焦镜头项目里，只算了初始结构的灵敏度矩阵，然后按这个结果分配了公差。结果结构优化到一半，灵敏度分布完全变了，之前的公差分配全废了。所以我的建议是：在优化过程中至少做2~3次灵敏度分析，尤其是结构有较大改动的时候。

坑2：忽略参数之间的相关性

灵敏度矩阵假设每个参数独立变化，但实际中很多参数是耦合的。比如透镜的偏心会同时引入倾斜，空气间隔变化会影响后截距……这些相关性在灵敏度矩阵里是体现不出来的。所以做完灵敏度分析后，我一般会再用蒙特卡洛模拟验证一下，看看有没有“隐藏的炸弹”。

坑3：只看权重，不看方向

灵敏度有正负之分。有些参数变化会让像质变差，有些反而会让像质变好。如果你只盯着权重绝对值，可能会错过一些“补偿机会”。比如我曾经发现，某个透镜的厚度和空气间隔的灵敏度符号相反，于是我们故意让它们朝相反方向偏，结果像质反而更好了。这就是所谓的“公差补偿”，是高级玩法。

好了，这一章的内容就到这里。灵敏度分析是公差分析的基础，也是最有技术含量的一步。把这一步做扎实了，后面的公差分配和优化才能有的放矢。

公众号:蓝海资料掘金营，微信deep3321