該方法基于望遠鏡終端儀器獲得的星像形狀與望遠鏡性能之間的深刻復雜的對應關系和新前沿機器學習的相關算法，可以充分利用望遠鏡獲得的星像進行訓練和測試，實現了望遠鏡光學成像性能的高精度實時監測，并在我國天文類國家重大科技基礎設施——郭守敬望遠鏡LAMOST(Large Sky Area Multi-Object Spectroscopic Telescope，大天區面積多目標光纖光譜望遠鏡)上進行了大量的測試驗證實驗，取得了很好的實際應用效果。
2009年建成通過國家驗收，自2011年開始先導巡天和正式巡天以來，已經穩定運行了9年。通過由國家天文臺、南京天光所、中國科學技術大學、上海天文臺等單位組成的運行維護團隊的努力，硬件狀態穩定，2019-2020年故障率0.66%，截至到2020年發布DR7數據達到1448萬，發表SCI論文近700篇。
地基天文望遠鏡終端儀器獲得的星像均不可避免地受到大氣擾動和望遠鏡系統的影響，在望遠鏡性能正常的情況下長時間曝光獲得的星像成圓形高斯輪廓，當望遠鏡性能不佳時會導致獲得的像斑形狀偏離正常的標準圓形。不同原因引起的望遠鏡性能不佳產生不同的像斑形狀，因此可以通過終端儀器獲得的像斑形狀去實時監測望遠鏡性能
機器學習相關算法已經在很多領域中表現出很好的形狀識別和分類能力，可以用于區分望遠鏡的獲得的像斑形狀。結合機器學習相關算法，可以通過以下幾步實現望遠鏡性能監測，首先對望遠鏡獲得圖片進行分類，篩選出包含亮星的圖片；然后對圖片進行剪切，獲得只包含單顆完整星像的小圖片，使用機器學習算法對星像的形狀進行識別，根據識別出形狀給出造成性能不佳的原因；后使用概率統計結合多個相機的星像分類結果給出終的原因。
研究團隊使用該方法，對LAMOST性能進行監測，實現了焦面離焦、導星系統、拼接鏡面子鏡偏移、主動光學性能等故障和問題的實時監測，準確率為96.7%，提高了LAMOST的運行維護效率，幫助提高望遠鏡的數據質量。因為該方法不需要安裝額外的設備，可以很方便的推廣到其它望遠鏡上。
在LAMOST望遠鏡上進行性能檢測，實現了焦面離焦、導星系統、拼接鏡面子鏡偏移、主動光學性能的實時監測，準確率為96.7%。
研究背景
天文望遠鏡是天文學家了解宇宙的重要工具，隨著對宇宙的探索越來越深入，對望遠鏡相關技術要求也越來越高。而望遠鏡是一個包含多個子系統的復雜系統，為保障望遠鏡始終工作在性能狀態，每次望遠鏡開始觀測前，維護人員需要花費數個小時對它的各個子系統進行全面檢查，開始觀測后也迫切需要對望遠鏡的實際性能進行實時監測。
望遠鏡的性能監測指的是在望遠鏡觀測過程中對望遠鏡的光學性能和指向跟蹤性能的表現進行評價。望遠鏡的性能監測系統一旦發現望遠鏡性能不佳，能將望遠鏡性能不佳的原因快速反饋給維護人員，從而提高望遠鏡的維護效率和獲得優良的觀測數據質量。
傳統的望遠鏡監測方法使用傳感器讀取并記錄望遠鏡關鍵部位的數值，當數值超過設置好的閾值時，傳感器會報警警告維護人員停止觀測，該方法可以幫助望遠鏡避免風險和輔助維護，但不能實時監測望遠鏡性能，維護和運行效率較低，亟需提升。
所有評論僅代表網友意見，與本站立場無關。