反向敏感度分析方法优化：简单易懂的讲解

如果要执行一个反向敏感度分析，则采用和敏感度分析相同的方法来计算公差。然而，当在最小和最大公差值之间做调整时，计算是反复地在一个循环中进行的。这个调整将一直做，直到最后的评价函数值近似等于在公差对话框中定义的最大标准值。例如，如果评价为RMS 斑点尺寸，名义评价值为0.030，最大标准为0.050，则ZEMAX 将一直调整最小和最大公差值，直到在这两个极值的时候这个评价值为0.050。

最大标准必须象征比名义结果更差的结果。如果名义结果比最大标准差，则将出现一个错误信息，公差分析不再被执行。如果最小和最大公差值调整导致了比名义系统更好的结果，则这个公差设置不能被修改，将报告这个最后的更好的结果。在规定半径公差的时候，当系统由于F 的增加而改善时，这种情况可能会发生。如果公差的起始值产生了比最大标准值更好的结果，这个公差不再被调整。这意味着在反转灵敏度分析过程中，公差不会被放松，只能被收紧。例如，如果名义值为0.035，最大标准为0.050，最初的公差产生一个0.040 的结果，则这个公差不会被增加为了计算准确的限制，首先必须在公差数据编辑器中放松公差，然后重复反向敏感度分析。这样做是为了防止公差比必要的公差还要松。通常，比一些合理的数值更松的公差不会降低制造成本，使用新调整的公差值来计算可估计的结果变化，其方法与对灵敏度分析所用的是相同的。反转灵敏度分析有利于收紧单独的公差，所以没有一个缺点对于结果降低有太大的贡献。(www.xing528.com)