基于 Python ZOS-API 的 Zemax 自动化热分析与 AI 预测 2.0

本项目展示了如何结合 Zemax OpticStudio API (ZOS-API) 与 Python 进行自动化的光学系统热分析与公差分析。我们不仅实现了自动化的数据采集，还利用机器学习（MLP 神经网络）建立了高精度的光斑预测模型，实现了“虚拟 Zemax”的毫秒级推理。

🌟 核心功能

1. 1. 自动化连接：自动连接到正在运行的 Zemax OpticStudio 实例。
2. 2. 热分析扫描：
• • 支持标准的 3 点热分析（20°C, 50°C, 80°C）。
• • 支持自定义范围（如 0°C - 100°C）的全自动温度扫描。
3. 3. 蒙特卡洛公差分析 (Monte Carlo Tolerance)：
• • 热+公差耦合：模拟真实的物理环境，同时考虑温度变化与装配公差（透镜的偏心 Decenter 与倾斜 Tilt）。
• • 自动化建模：脚本自动在透镜前后插入 Coordinate Break 表面，并设置 Pickup Solve。
• • 自动对焦：模拟实际装调过程，每次扰动后自动执行 Quick Focus。
4. 4. 数据采集 (The Harvest)：批量生成随机工况，自动运行仿真并采集 RMS 光斑半径数据。
5. 5. AI 建模与预测：
• • MLP 神经网络：使用 Scikit-Learn 搭建多层感知机（13 -> 64 -> 64 -> 1）。
• • 高精度：在“热+公差”复杂工况下，模型 R2 Score 达到 0.989，MSE 仅为 2.53。

📂 项目结构

.├── 01_System_Connection.py          # [基础] 测试 ZOS-API 连接├── 02_Thermal_Analysis_3Point.py    # [仿真] 标准 3 点热分析├── 03_Thermal_Analysis_Sweep_Full.py# [仿真] 0-100°C 全范围迭代扫描├── 04_Debug_Material_Catalog.py     # [工具] 验证内部材料库热数据读取├── 05_Data_Harvest_Random.py        # [数据] 批量采集 200 组随机温度数据 (V1)├── 06_Model_Training_Linear.py      # [AI] 训练多项式回归模型 (V1)├── 07_Model_Prediction.py           # [AI] V1 模型预测脚本├── 08_Monte_Carlo_Tolerance.py      # [仿真] 蒙特卡洛公差分析 (生成 dataset_v2)├── 09_Model_Training_Sklearn_MLP.py # [AI] 训练 MLP 神经网络拟合复杂公差数据├── 10_Generate_Verification_ZMX.py  # [工具] 生成特定工况的 ZMX 文件以供人工验证├── models/                          # [资源] 透镜文件、数据集与模型权重│   ├── Cooke_Triplet_Base.zmx       # 基础镜头文件│   ├── dataset_v2_tolerance.csv     # 1000组 热+公差 仿真数据│   ├── optical_mlp_sklearn.pkl      # 训练好的神经网络模型│   └── input_scaler.pkl             # 输入数据标准化器├── images/                          # [资源] 结果图表└── README.md                        # 项目说明文档

🛠️ 环境要求

• • Zemax OpticStudio: Professional 或 Premium 版本（需支持 API）。
• • Python: 3.7+ (推荐使用 Anaconda)
• • 依赖库:

  pip install pythonnet pandas numpy scikit-learn matplotlib

🚀 快速开始

1. 准备工作

打开 Zemax OpticStudio 并确保处于交互模式（Interactive Mode）。

2. 运行蒙特卡洛仿真

# 运行 1000 次蒙特卡洛分析 (热+公差)# 自动生成 dataset_v2_tolerance.csvpython 08_Monte_Carlo_Tolerance.py

3. 训练 AI 模型

# 训练 MLP 神经网络# 输出 R2 Score 并保存模型至 models/python 09_Model_Training_Sklearn_MLP.py

4. 验证结果

# 生成特定工况的 ZMX 文件 (Verification_Case_2.zmx)# 你可以在 Zemax 中打开此文件，对比 AI 预测值与 Zemax 真实仿真值python 10_Generate_Verification_ZMX.py

📊 关键成果

• • 复杂物理场模拟：成功实现了 Python 对 Zemax 坐标断点（Coordinate Break）和求解类型（Solve Type）的深度控制，模拟了真实的装配误差。
• • AI 替代仿真：对于包含 13 个自由度（温度 + 12个公差变量）的复杂系统，神经网络模型（R2=0.989）可以替代耗时的光线追迹，实现毫秒级性能评估。

📝 许可证

MIT License

Github链接：

https://github.com/guyuengineer-collab/Zemax-Temp-Tolerance