4、主动补偿策略：基于波前传感器的闭环补偿、Zernike多项式拟合与校正、变形镜（DM）驱动算法
主动补偿，说白了就是让系统自己“看”到像差，然后自己“动手”去修正。这跟被动补偿（靠设计余量硬扛）完全是两码事。我在做大口径望远镜项目时，深刻体会到：没有主动补偿，系统根本跑不到衍射极限。
这一节，我们聚焦三个核心环节：波前传感（怎么测）、Zernike拟合（怎么描述）、DM驱动（怎么动）。它们串起来，就是一条完整的闭环链路。
4.1 闭环补偿架构：从探测到校正的完整链路
先看整体逻辑。主动补偿不是一次性的，而是一个循环。我习惯把它画成下面这张图，你一看就明白。
这个循环，我称之为“感知-分析-执行-验证”。每一步都有坑，我们一个一个说。
4.2 波前传感器：你选哈特曼还是剪切干涉？
波前传感器是闭环的“眼睛”。目前工程上最常用的就两种：Shack-Hartmann波前传感器（SHWFS）和剪切干涉仪。
我个人更偏爱SHWFS，因为它鲁棒性好，动态范围大。但剪切干涉仪在测量陡峭波前时有优势。怎么选？看下表。
| 参数 | Shack-Hartmann (SHWFS) | 剪切干涉仪 |
|---|---|---|
| 动态范围 | 大（±λ/2 每子孔径） | 小（需解包裹） |
| 空间分辨率 | 由微透镜阵列决定 | 由剪切量决定 |
| 光能利用率 | 高 | 中等 |
| 对振动敏感度 | 低 | 高 |
| 典型应用 | 天文、激光通信 | 干涉检测、高精度计量 |
4.3 Zernike多项式拟合：从波前斜率到像差系数
波前传感器测到的是斜率（或相位差），不是直接的面形。我们需要用Zernike多项式把离散的斜率数据拟合成连续的波前。
标准做法是：
- 建立模型： 波前 W(x,y) = Σ ai · Zi(x,y)
- 构建矩阵： 每个子孔径的斜率 = 波前偏导数在子孔径内的平均值
- 最小二乘求解： 解出系数 ai
这里有个关键点：模式混淆。如果Zernike项数选太多，高阶项会吃掉低阶项的能量；选太少，又拟合不干净。我一般遵循“子孔径数 / 3”的经验法则。比如64个子孔径，我最多拟合到20项Zernike。
a = (AT · A)-1 · AT · s其中 a 是Zernike系数向量，A 是影响矩阵，s 是斜率向量。
4.4 变形镜（DM）驱动算法：从系数到电压
拿到Zernike系数后，怎么让DM动起来？这步叫“解耦驱动”。
DM的每个驱动器对波前的影响是局部的，而且相互耦合。你不能直接说“我要第5项Zernike，就给某个驱动器加电压”。正确的做法是：
- 标定影响矩阵： 逐个推驱动器，记录波前变化，形成矩阵 M。
- 求逆矩阵： 计算 M 的伪逆 M+。
- 计算电压： V = M+ · a。
听起来简单？实际操作中，M矩阵的条件数经常很大。条件数大，意味着微小噪声会被放大成巨大的电压波动。我见过一个项目，条件数超过1000，结果DM驱动器直接饱和，镜面差点崩了。
4.5 闭环控制策略：PID与自适应增益
有了电压，不等于一次就能校正好。实际系统需要迭代。我常用的控制律是：
V(k+1) = V(k) + G · M⁺ · a(k)
其中：
V(k) = 第k次迭代的电压向量
a(k) = 第k次测得的Zernike系数
G = 增益矩阵（通常取0.3~0.7）
M⁺ = 影响矩阵的伪逆增益G怎么选？太小，收敛慢；太大，系统振荡。我习惯先做一次阶跃响应测试：给一个固定像差，看系统几帧能收敛。如果超过10帧还没稳定，就加大G；如果出现超调，就减小G。
还有一种更高级的做法：自适应增益。像差大时用大增益快速收敛，像差小时用小增益精细校正。我在某自适应光学系统中用过，收敛速度提升了3倍。
4.6 实战案例：一次完整的闭环校正流程
最后，我拿一个实际案例串一遍。假设我们有一个19单元DM，配SHWFS，目标是把RMS波前误差从λ/4校正到λ/20。
| 步骤 | 操作 | 关键参数 |
|---|---|---|
| 1 | 标定影响矩阵M | 每个驱动器推50nm，记录斜率 |
| 2 | 计算伪逆M⁺ | SVD分解，截断奇异值<1e-3 |
| 3 | 测量初始波前 | RMS = 0.25λ |
| 4 | 拟合Zernike系数 | 取前15项，残差0.02λ |
| 5 | 计算电压增量 | G=0.5，ΔV = 0.5·M⁺·a |
| 6 | 施加电压，迭代 | 3次迭代后RMS=0.06λ |
| 7 | 精细校正 | G降至0.2，再迭代2次 |
| 8 | 最终波前 | RMS = 0.048λ ✅ |
嗯，主动补偿的核心逻辑就是这样。从传感器到Zernike，再到DM驱动，每一步都有物理约束和工程技巧。你只要把标定做扎实、增益调合适、迭代次数给够，系统就能稳定收敛。