Modelado y Simulación de Sistemas de RF y Microondas

 

Por:
John Wood, Miembro Senior del Personal Técnico Principal

08 de enero 2013

Resumen: Esta nota de aplicación describe el sistema de nivel de caracterización y técnicas de modelización para la frecuencia de radio (RF) y componentes de microondas subsistema. Se ilustra su uso en una señal mixta, de modo mixto a nivel de sistema de simulación. La simulación utiliza un transmisor de RF con digital predistorsión (DPD) en forma de un sistema de ejemplo. Los detalles de este complejo sistema y los datos de rendimiento se presentan.

 

Una versión similar de este artículo apareció en noviembre / diciembre 2012 cuestión de la revista IEEE Microwave .

Introducción

La frecuencia de radio (RF) y el mundo de microondas ha sido en gran parte exenta de los rigores de la ley de Moore, mientras que la ampliación agresiva en el mundo digital ha sido la norma durante varias décadas. Pero ahora, como CMOS transistores tienen velocidades de conmutación de picosegundos y frecuencias de transición en las decenas a cientos de GHz , hay una oportunidad para la integración de componentes de microondas y RF en un sistema completo en un solo circuito integrado . Solo chip transceptores para redes inalámbricas y femtocélulas estaciones de base es ya una realidad comercial.Como con complejos sistemas digitales, la demanda para el éxito del diseño de primer paso requiere que los modelos predictivos exactos están disponibles para los componentes del subsistema de todo el sistema, lo que permite el diseño del sistema que se desea simular y remediar los errores o fallos antes de que el diseño se ha comprometido a hardware . Esto ahorrará tiempo y el coste de fabricación innecesarios y prueba del sistema completo.

A nivel de sistema de modelado y simulación de RF y diseño de microondas han vuelto muy sofisticados en los últimos años. Las herramientas comerciales de simulación con amplias bibliotecas de fuentes de señal, modelos de componentes y herramientas de análisis de datos están ahora disponibles en los vendedores de EDA tales como AWR y Agilent [1, 2]. El desarrollo de modelos de comportamiento no lineal de la RF y componentes de microondas, tales como los amplificadores y los mezcladores, y la capacidad de medir con precisión estos subsistemas en un entorno de aplicación típico han sido habilitadores significativas de estos avances recientes simulador.

En este tutorial se describe la caracterización a nivel de sistema y técnicas de modelado de RF y microondas componentes del subsistema, e ilustra su uso en una señal mixta, de modo mixto a nivel de sistema de simulación. Voy a usar un transmisor de RF con digital predistorsión (DPD) en forma de un sistema de ejemplo, como se muestra en la figura 1 . Este es un sistema complejo que incluye:

• Componentes de RF, como el amplificador de potencia (PA), para lo cual necesitamos un modelo dinámico no lineal
• Señal Mixta componentes como convertidores de datos y moduladores / demoduladores IQ
• Los componentes digitales de la predistorsionador, el cual puede ser realizado como una matriz de puertas programable en campo ( FPGA) o IC de ratón, que a su vez puede ser descrito por modelos en un lenguaje de descripción de alto nivel tales como Verilog ®, o por medio de sus función algorítmica utilizando un lenguaje matemático como MATLAB Mathworks '®.

Figura 1. Diagrama de bloques de un sistema de infraestructura transmisor inalámbrico con capacidad de DPD y la ruta de observación para el receptor DPD incluido. Esta figura muestra los componentes principales y los dominios de simulación que vamos a tener en cuenta.

El transmisor de RF con digital predistorsión (DPD) es un buen ejemplo de un sistema complejo de prácticas. A menudo, en este sistema, los equipos independientes diseñará los componentes del subsistema y, sin embargo, es vital saber que los componentes funcionan juntos como un sistema completo, de preferencia antes de que el hardware está atornillado juntos. Esto nos permitirá hacer los cambios necesarios de arquitectura en la etapa de diseño, en lugar de después de la construcción del hardware.

Necesitamos un entorno de simulación que es capaz de controlar varios motores diferentes simulador y el manejo de los datos de transferenciaentre ellos. Por ejemplo, podemos utilizar un equilibrio armónico o sobre simulación transitoria para los componentes de RF del sistema, mientras que las piezas digitales del sistema se pueden simular en un momento de forma paso a paso o tiempo de marcha. También es posible que tenga que gestionar las representaciones de datos de punto flotante y de coma fija en los diferentes simuladores. Contar con una herramienta simulador que puede manejar este cosimulación es esencial.

Antes de entrar en los detalles de los modelos, su construcción y su uso en las herramientas de simulación, vamos a revisar brevemente algunos de los desafíos y consideraciones de diseño que encontramos en tal DPD sistema activado por transmisor RF. Si bien el diseño de un amplificador de alta potencia de RF para satisfacer las demandas de energía y la eficiencia de los modernos espectralmente eficientes, las señales de comunicación con modulación digital como de banda ancha CDMA ( WCDMA ) y evolución a largo plazo (LTE) es lo suficientemente difícil, la adición de DPD trae una arruga o dos.

Modernos señales inalámbricas con modulación digital de comunicaciones, tales como WCDMA y LTE están diseñados para maximizar la cantidad de datos que pueden ser transmitidos en un determinado ancho de banda . Los detalles de moderno de comunicaciones inalámbricas modulación digital puede encontrarse en [3]. Aparte de la complejidad de la modulación y esquemas de codificación, una de las características más evidentes de estas señales es que tienen una muy alta de pico a promedio de la relación de potencia (PAPR), entre 6dB y 10dB en casos prácticos. En otras palabras, los picos de señal puede ser 10 veces más potencia que la potencia media de la señal que se desea transmitir. La potencia media determina el alcance de la transmisión, la potencia pico determina el "tamaño" del amplificador de potencia. Esto significa que el amplificador debe tener una capacidad de potencia de cuatro a 10 veces mayor que la que es necesaria para el área de cobertura de estación de base, sólo para manejar los picos. Ejecución de una clase AB PA "copia de seguridad fuera" de su capacidad máxima generalmente significa trabajar con un rendimiento muy bajo, lo cual es inaceptable debido al costo de la electricidad para ejecutarlo. En su lugar, nos encontramos con alta eficiencia arquitecturas PA como el Doherty se utilizan en la infraestructura inalámbrica de estación base APs. Aunque eficaz, estos AP pueden producir altos niveles de distorsión cuando se opera a las potencias necesarias altas. De ahí la necesidad de alguna forma de técnica de linealización, y DPD es actualmente el método de elección.

Usando DPD trae sus propios retos. En primer lugar, es necesario construir una ruta de observación (ver figura 1) en el transmisor, para detectar la distorsión producida por el PA. El dispositivo de predistorsión compara la salida de PA con la señal deseada, y luego utiliza una función no lineal para generar una distorsión en la señal de entrada PA, de tal manera que la salida del PA es una réplica de la señal deseada. Los parámetros de esta función no lineal se adapta continuamente para minimizar la diferencia entre la señal de entrada y la salida del PA. Es un sistema de control. Los contadores predistorsionador la característica de compresión de la ganancia de PA, por lo que es una función expansiva. En el dominio de la frecuencia, se ve que la intermodulación y la potencia de canal adyacente fuga es compensada por la DPD.Podemos pensar en esto como la predistorsionador agregando componentes de frecuencia a la entrada de PA para contrarrestar estos productos de distorsión. Más detalles de cómo opera la DPD se pueden encontrar en [4].

El resultado de la adición de DPD para el transmisor, es que el ancho de banda de la señal predistorsionada es mucho más amplio que el ancho de banda de datos original, puede tener hasta cinco veces más amplias es una pauta común. Esto significa que la cadena de transmisión desde el algoritmo de DPD, a través de los DACs y la sección de RF, se debe hacer amplio ancho de banda. Para LTE donde la agregación vehículo puede resultar en un ancho de banda de la señal de 100 MHz, este es un diseño significativo y desafío de la aplicación. La ruta de observación también debe ser de este ancho de banda para ser capaz de capturar los productos de distorsión de orden alto producidos por la PA para el sistema de DPD. Además, la ruta de observación debe ser más lineal que el resto del transmisor, como cualquier distorsión introducida aquí será indistinguible de la distorsión generada por la PA, en cuanto a la DPD se refiere, y la señal de corrección que resulte realmente introducir distorsión en la salida del PA. La ruta de observación debe ser de bajo ruido y tienen un alto rango dinámico para ser capaz de discernir los productos de distorsión de bajo nivel. Estos son todos los retos de diseño significativas, y añade a la complejidad y el coste del transmisor.

Modelos de comportamiento de RF

Ha habido una considerable cantidad de trabajo producido en las últimas dos décadas en el desarrollo de modelos de comportamiento no lineal de RF y componentes de microondas [5, 6]. El reciente enfoque es particularmente en el modelado de la PA como este dispositivo es la principal fuente de no linealidad en un sistema de transmisión típico. Durante este tiempo, la identificación de los llamados "efectos de memoria" se ha convertido en uno de los retos más importantes en sistemas de transmisión de modelado. Mientras que la no linealidad puede ser modelado bastante francamente utilizando un modelo polinomial, por ejemplo, la inclusión de los efectos de memoria complica nuestro modelado y simulación tarea considerablemente.

Hay dos enfoques principales para el modelado del comportamiento de RF: en el dominio de la frecuencia, y en el dominio del tiempo. Vamos a esbozar ambos estilos. Los modelos no lineales se basan generalmente en la linealización del sistema bajo prueba alrededor de algún punto de funcionamiento, tales como la condición de CC, o el promedio de potencia de RF. Todo lo más general es demasiado complicado de construir y poner en práctica, y no simplifica nuestro reto de modelado.

Dominio de la frecuencia Modelos

El dominio de la frecuencia es el hogar natural para los ingenieros de RF y microondas. Hemos estado utilizando los parámetros-S de diseño lineal durante casi 50 años desde que trabajo original de Kurokawa [7], y la introducción del analizador vectorial de redes en la década de 1960.Por lo tanto, la popularidad de este enfoque.

Un moderno y popular actualmente dominio de la frecuencia es el modelo X-parámetros ® modelo [8], así como sus estructuras de modelos afines o similares, de funciones S [9] y el "Cardiff" modelo [10]. Estos modelos se basan en la linealización de la respuesta no lineal, alrededor de un único tono-el gran disco de gran señal a la PA, por ejemplo. El comportamiento no lineal es luego se probaron en el dominio de la frecuencia mediante la medición de las respuestas de dispersión de pequeñas señales de armónicos aplicados además de la gran tono. Los principios básicos y los fundamentos matemáticos han sido claramente explicado por Verspecht y Raíz en esta revista [11]. El modelo X-parámetros utiliza sólo los derivados de primer orden para modelar el comportamiento no lineal. Este es un enfoque bastante elegante, ya que las primeras derivadas se calculan automáticamente por el simulador en el Jacobiano que utiliza para la convergencia a la solución, por lo que este modelo es simple y rápido. Las funciones S operar de una manera similar, pero pueden incluir la condición de DC también como una variable de modelado explícito. El modelo de Cardiff se extiende a los X-parámetros mediante la inclusión de orden superior, derivados del modelo, que, como una serie de Taylor, se extiende la región de validez del modelo y hace que sea más general.

El valor de los parámetros X-reside no sólo en la formulación del modelo, pero que los datos que están construidos a partir de puede medir usando off-the-shelf equipo, tal como el Agilent ® PNA-X no lineal analizador de red vectorial. Este instrumento también puede crear un archivo de modelo X-parámetros que es compatible con el Agilent ADS simulador. De alta potencia AP requieren de cuidados adicionales en el establecimiento de un sistema de medición externo alrededor de la PNA-X, pero esto se puede ampliar la capacidad del instrumento para medir los parámetros X sobre Áreas Protegidas de más de 100 W de potencia de salida [12]. También puede generar una descripción X-parámetro de un circuito de simulación. Esto significa que podemos crear un modelo no lineal de nuestro circuito o un subsistema de una manera bastante sencilla, aunque muy pronto en el proceso de diseño, para su uso en un sistema de simulación de nivel superior.

Un inconveniente con el método X-parámetros es que estos modelos son sin memoria por la construcción, aunque ha habido informes recientes sobre la manera de incluir los efectos de memoria a corto y largo plazo en la estructura del modelo X-parámetros utilizando un enfoque de series de Volterra basado en la Modelo Integral no lineal [13]. Los efectos de memoria se puede medir usando técnicas de impulsos para observar el comportamiento transitorio, y los parámetros del modelo de memoria extraído por medio de métodos de NIM se describe en [5], Capítulo 3. El componente de memoria se incluye en la formulación X-parámetros a través de un término de producto. Dado que los efectos de la memoria a largo plazo son a menudo el resultado de los componentes de polarización de suministro y de diseño de la línea de polarización en el accesorio PA, esto sugiere que puede ser posible para modelar estos efectos de circuito como un componente del modelo separado que podría ser "añadido en "al modelo X-parámetros del transistor para obtener el completo modelo PA.

El dominio del tiempo Modelos

El hogar natural de fenómenos dinámicos no lineales es el dominio del tiempo, debido a que puede capturar los transitorios, y por lo tanto el almacenamiento de energía o efectos de memoria, así como el comportamiento de estado estable. Un inconveniente significativo para el uso histórico de dominio de tiempo de datos de RF y los circuitos de microondas es que la tasa de muestreo para la medición debe ser extremadamente alta, lo que resulta ya sea en submuestreo o corto lapso de tiempo de los conjuntos de datos. Un problema similar surge en la simulación: el paso de tiempo para la simulación transitoria debe ser muy corto, lo que resulta en tiempos de simulación muy largos. Estos problemas han sido ampliamente superada en la actualidad. Recientemente, en tiempo real osciloscopios de muestreo con ancho de banda superior a 60 GHz, lo que permite caracterizar con señales de hasta 50 Gbps se han anunciado [14]. Y el desarrollo de técnicas de simulación de transitorios envolvente ha permitido la simulación de circuitos de RF modulada y con señales de microondas en un tiempo razonable.

El PAS utilizado en comunicaciones celulares suelen banda bastante estrecha, y la red de adaptación de salida de filtro atenúa las armónicas.Cuando tales APs se maneja en compresión, es la envolvente de la señal que se comprime, no la señal portadora, que sigue siendo sinusoidal (y no puede, de hecho, estar presente de forma explícita). Esto significa que las características no lineales de la PA puede ser completamente descrito por el comportamiento sobre. Podemos usar el sobre, o más precisamente, la señal de modulación para caracterizar la PA: las escalas de tiempo para la captura de datos se encuentran ahora en la frecuencia de modulación. También se puede utilizar sobre simulación transitoria para describir cómo la señal de modulación es afectado por las no linealidades PA. Por lo tanto, nuestro modelo de dominio de tiempo de la PA se pueden construir en la tasa de modulación, no en la frecuencia de microondas.

La modulación digital utilizado en las modernas comunicaciones celulares se crea normalmente en la forma de en fase (I) y en cuadraturacomponentes (Q). La I y Q se combinan para crear la señal de modulación deseado, usualmente alguna forma de fase en cuadratura cambio clave ( QPSK ) o modulación de amplitud ( QAM ). Los datos de dominio de tiempo I y Q puede ser medida o simulado en la entrada y salida de la PA, y el comportamiento no lineal y la memoria se observa en la AM a AM o aumentar de respuesta y el AM-a-PM (fase) respuesta, como se muestra en la Figura 2 . ¿Qué se puede ver en estas figuras son las tendencias generales de la compresión de ganancia y distorsión de fase, pero también que las respuestas están en la forma de una "nube" en torno a algún tipo de respuesta promedio. Es esta nube que indica la presencia de efectos de memoria. Si no hay efectos de memoria estuvieron presentes, estas dos respuestas serían las líneas individuales-la "instantánea" de respuesta. Lo que las nubes nos dicen es que la ganancia en una potencia de salida dada depende no sólo de la potencia de entrada en ese instante, sino también en lo que el valor de la señal era en épocas anteriores: su historia. No todos los puntos de la nube tendrá exactamente la misma historia.

Figura 2. AM a AM y AM a PM parcelas de la magnitud y la fase de los datos IQ de entrada-salida para un amplificador de potencia. Los puntos azules son los datos medidos, los puntos rojos son las predicciones de reducción de Volterra modelo.

Podemos construir un modelo de la PA mediante el ajuste de una curva a través de la AM-a-AM y AM-PM a las características, utilizando datos conocidos-o no-lineales técnicas de montaje de función. Esencialmente se trata de encajar una función conocida a los datos. Quizá la técnica más popular y más simple es un ajuste polinómico a los datos. En la práctica, esto se suele hacer uso de "mínimos cuadrados" métodos que reduzcan al mínimo la distancia euclidiana promedio entre la función y los datos. Al construir el modelo polinomial, que son, básicamente ajuste de una expansión en serie de Taylor a los datos.

Pero este procedimiento produciría un modelo instantáneo, al no capturar los efectos de memoria. Necesitamos una función de modelo que incluye la historia de la señal de dominio de tiempo explícitamente en su formulación. La serie de Volterra viene al rescate. Volterra serie puede ser utilizada para modelar un sistema invariante en el tiempo no lineal dinámica, es decir, un sistema no lineal con la memoria. La serie de Volterra puede ser pensado como una serie de Taylor con memoria, y una breve descripción se proporciona en el Apéndice B: Volterra Series como un desarrollo de una serie de Taylor . Puesto que la serie de Volterra está relacionada con la serie de Taylor-ambos son funciones polinómicas, entonces la serie de Volterra sufre de limitaciones similares [15]. Principalmente, las no linealidades en el sistema no debe ser "fuerte". En el contexto de modelado de PA, un "fuerte" no linealidad sería una discontinuidad en la respuesta de la señal de entrada, causada por el recorte de la forma de onda, por ejemplo. Con frecuencia se dice que el sistema (PA) debe ser débilmente no lineal para que sea susceptible de Volterra análisis: lo que esto significa es que la respuesta del sistema debe ser continua, y por lo tanto puede ser representado por una serie finita de términos que contribuyen. A veces, "débilmente no lineal" se interpreta como un pequeño número de términos-no más de cúbico!-Pero esto es innecesariamente artificial y constrictiva.

La precisión de la serie de Volterra se puede mejorar aumentando el número de términos de la serie polinomio. En otras palabras, el modelo se aproxima a los datos reales a una tolerancia más pequeña. Considerando que el aumento del número de términos en una serie de Taylor es un ejercicio sencillo, con una serie de Volterra los términos cruzados y términos de memoria hacer que el número de términos en la serie para aumentar dramáticamente a medida que el grado del polinomio y la profundidad de memoria se incrementan. Esta es quizás una de las razones por qué Volterra serie modelado históricamente ha visto sólo una aplicación limitada. Con la potencia de cálculo disponible en los ordenadores portátiles modernos, tales limitaciones en el grado del polinomio Volterra serie son una cosa del pasado.

Además, "poda" sofisticadas técnicas se pueden utilizar para limitar el número de coeficientes en el polinomio a un nivel manejable, sin ninguna pérdida significativa de modelo de fidelidad. Estas técnicas fueron iniciados por Filicori, Ngoya y compañeros de trabajo [16, 17], utilizando una técnica conocida como desviación dinámica. En este método, la serie de Volterra está expandido de forma explícita en la desviación de la señal desde un cierto punto de funcionamiento, o bien la condición de CC [16] o la potencia media de la señal de la PA [17]. Truncar la serie resultante de primer orden en la desviación dinámica ha demostrado producir resultados satisfactorios. Desafortunadamente, la reescritura de la serie de Volterra de este modo significa que estándar de mínimos cuadrados técnicas para la identificación de los coeficientes multinomiales ya no podía ser utilizado, por lo que los parámetros del modelo eran difíciles de extraer. Por la refundición de las expresiones dinámicas de desviación, Zhu recuperado la estructura lineal en los parámetros de la serie de Volterra, lo que permite la extracción de parámetros sencilla mediante técnicas matemáticas. Este enfoque también permite el control explícito del nivel de la dinámica utilizados en el modelo [18]. Esta técnica se conoce como reducción de desviación dinámica, y que puede producir modelos precisos de amplificador de potencia con un número relativamente pequeño de coeficientes, típicamente alrededor de 30 a 50 siendo suficiente.

El modelo Power Amplifier

El amplificador de potencia es generalmente el mayor contribuyente a la no linealidad en el transmisor, y los efectos de memoria asociados con su respuesta en frecuencia sobre el ancho de banda amplio exigido para predistorsión digital de hoy en día requieren sofisticados modelos no lineales para describir el comportamiento de PA con precisión suficiente para DPD. Por lo general, un polinomio (Volterra)-basada en el enfoque utilizado, aunque hay excepciones notables a esta en el mercado. Simple polinómicas memoria-modelos utilizados para señales de banda estrecha se han sustituido por los modelos reducidos serie de Volterra que incluyen algunos de acoplamiento cruzado entre los términos memoria de la serie-los términos cruzados. Estos modelos se construyen generalmente a partir de los datos IQ demoduladas, y por lo tanto sonde banda base los modelos del PA RF. A menudo están construidos como un modelo matemático en un entorno tal como MATLAB. La AM-a-AM y AM-PM-a características de un PA y modelo de comportamiento se muestran en la Figura 2. Estos son gráficos de la magnitud y la fase de la salida de IQ contra la entrada IQ de dominio de tiempo de datos. Tal modelo puede ser utilizado fácilmente en una simulación del sistema.

Modelado del Sistema DPD

La función de predistorsión es una función no lineal, que compensa la compresión de ganancia PA, característica de transferencia de fase, y los efectos de memoria, para producir la salida lineal desde el PA. Como se señaló anteriormente, una función de Volterra basada a menudo se utiliza en esta aplicación.

Los algoritmos de DPD para resolver el modelo Volterra suelen ser desarrollados en un lenguaje matemático tal como MATLAB, que proporciona un conjunto de herramientas y funciones para la resolución de las ecuaciones no lineales, la optimización de los coeficientes de la función, y así sucesivamente. Dos enfoques comúnmente utilizados DPD para linealización de adaptación son adaptación directa e indirecta de aprendizaje, que se muestra esquemáticamente en la Figura 3 . Adaptación directa es un método de control clásico, sino que compara la señal de entrada y (en escala) de la señal de salida PA directamente y utiliza el error para conducir los cambios en los parámetros de la función de DPD para minimizar el error en el cálculo siguiente. Aprendizaje indirecta es un proceso matemático un poco más complejo, pero puede aparecer a ser más fácil de implementar. Aquí se compara la señal de entrada con el predistorsionada postdistorted salida PA, utilizamos la misma función predistorsión no lineal. Se ha demostrado matemáticamente para series de Volterra que pre-y post-distorsión producir el mismo comportamiento, dentro de ciertos límites. Una vez más se utiliza el error para impulsar cambios en los parámetros de predistorsión función.Esto parece más fácil de aplicar debido a que los parámetros de la función de DPD se utilizan en el cálculo de las dos señales que se utilizan para el error (costo) la función, y los parámetros actualizados son el resultado directo de la rutina de minimización.

La rutina de adaptación utilizado para estimar el nuevo conjunto de coeficientes de la función de DPD es generalmente un programa de solución de mínimos cuadrados. El método de mínimos cuadrados se puede utilizar desde el modelo no lineal de Volterra utilizado para la DPD se configura como una expresión lineal en los parámetros, como se señaló anteriormente. Mínimos cuadrados rutinas tales como minimización de mínimos cuadrados promedio (LMS) son de uso frecuente, y varios miles de datos (IQ) se toman muestras para solucionar este conjunto sobredeterminado de ecuaciones. La rutina de LMS es generalmente bastante estable, aunque puede ser lento a converger. Técnicas de minimización más agresivos, como los mínimos cuadrados recursivos (RLS) y de proyección afín (AP) se ha demostrado [19], que ofrece una convergencia más rápida, aunque pueden ser más propensos a la inestabilidad provocada por el ruido en los datos de entrada. Esto se puede superar con cuidado en la aplicación.

Figura 3. Representaciones esquemáticas de las funciones de DPD: (a) es el control adaptativo, (b) es el aprendizaje indirecto.

Una vez que los algoritmos de DPD se han demostrado en el entorno de MATLAB, el modelo DPD luego se pueden importar en el simulador del sistema, y ​​la linealización de la PA en un entorno multisimulator más compleja, puede ser simulado. Después de que el rendimiento del sistema se ha verificado, el modelo de código de MATLAB se pueden descargar directamente en una FPGA software de desarrollo utilizando proporcionados por los fabricantes de FPGA Xilinx y como Altera. El modelo matemático se puede ejecutar en hardware, en tiempo real, y los errores de la aplicación práctica de un modo más rápido.

Mixed-Signal Modelos y Simulación

Ahora nos quedamos con el modelado y la simulación de los "pegamento" circuitos que conectan el digital piezas-la-predistorsionador al amplificador de potencia RF. A menudo, estos circuitos y componentes son omitidos de la especificación del sistema, con la verificación del funcionamiento linealizado centrándose solamente en los modelos PA y DPD. Pero, en realidad, estos componentes hacen algo más que actúan como pegamento. Como mencionamos anteriormente, el camino observación DPD es un componente crítico de este sistema de transmisión lineal, y su rendimiento puede tener un impacto importante en el funcionamiento general y la capacidad del transmisor.

Con modelos adecuados para los convertidores de datos, moduladores y demoduladores (mod / demodulación), y los componentes de RF tales como amplificadores de conductor y de bajo ruido, se puede simular el comportamiento del transmisor completo en detalle. Podemos utilizar la simulación para estudiar el impacto de las especificaciones de estos componentes sobre el rendimiento general de la emisora ​​linealizada. Por ejemplo, se pueden estudiar los efectos de la ejecución del ruido de fase del oscilador local en el mod / circuito de demodulación de la exactitud y rango dinámico de la trayectoria de observación, y por lo tanto a prueba los límites de la capacidad de la linealización del sistema completo.Los modelos que elegimos para estos componentes y circuitos dependerá en gran medida de cuán sofisticado queremos que el comportamiento simulado ser, y lo importante que son los impedimentos para la linealizado.

Los convertidores de datos

Los modelos de los convertidores de digital a analógico (DAC) y analógica-digital gama convertidores (ADCs) de simple entrada / salida de los modelos, a través de descripciones Verilog de ​​la conducta funcional, a los sofisticados modelos no lineales que el enfoque (o incluso superar) el complejidad de los modelos no lineales PA. Los convertidores de datos son dispositivos no lineales. En un nivel alto, la no linealidad puede ser modelado como la generación de armónicos en el dominio de la frecuencia. Los modelos más sofisticados se utilizará un polinomio o enfoque Volterra. En la descripción a nivel de sistema para el transmisor, puede ser suficiente para incluir una no linealidad simple y la figura de ruido, en particular para el ADC en la ruta de observación, para modelar e investigar las limitaciones en la capacidad de linealización derivados de bajas potencias distorsión de la señal.

A nivel del sistema de herramientas de simulación tales como SystemVue de Agilent y Simulador de Sistema Virtual de AWR (VSS) vienen con una función de modelo para muchos conversores de datos comerciales. Aunque esto es útil para la verificación del sistema final, utilizando los más genéricos convertidor de datos de los modelos disponibles en estas herramientas nos permite investigar algunas de las limitaciones más sencillos de estos componentes, tales como el número de bits de datos, figura de ruido, la frecuencia de reloj y la respuesta de frecuencia, y así sucesivamente. Estas investigaciones nos puede dar una mejor comprensión de la naturaleza de las limitaciones de estos factores o impedimentos en el rendimiento global del sistema.

El IQ Modulador / Demodulador Circuitos

En nuestra simulación, podemos utilizar modelos ideales para la modulación IQ y las funciones de demodulación o analógicas descripciones de circuitos o macromodelos que incluyen muchos comportamientos físicos que contribuyen al funcionamiento y las limitaciones de rendimiento de estos dispositivos. Nuestras preocupaciones principales es probable que sean los efectos de estas alteraciones en el comportamiento demodulador ideal en el rendimiento de la trayectoria de observación. Tales deficiencias incluyen la inyección de ruido procedente del oscilador local (LO), de modo que el rendimiento de ruido de fase LO es de interés, y la introducción de la diafonía entre las trayectorias I y Q en el demodulador.

Estas imperfecciones demodulador IQ puede ser modelado utilizando un modelo simple circuito analítico descrito por Cavers [20] y se muestra en la Figura 4 . La salida del demodulador ideal, que generalmente está disponible como un modelo integrado en el simulador de RF o de nivel de sistema, se alimenta a través de los dos amplificadores lineales, lo que permite una ganancia de desequilibrio a modelar. El desequilibrio de fase, Φ, o la diferencia de fase en cuadratura entre las trayectorias I y Q, se modela mediante la diafonía y en línea amplificadores en pecado (Φ) y cos (Φ), respectivamente. La salida de este modelo analítico permite la inclusión de compensaciones de CC en la salida del modulador. Esto es importante para las arquitecturas de conversión descendente cero-IF.

Figura 4. Modelo de circuito analítico para IQ demodulador impedimentos.

Los amplificadores de RF y filtros

Los amplificadores de PA en el trayecto de transmisión no están por lo general impulsada demasiado duro, por lo que su comportamiento no lineal es una preocupación menor que la de la propia AP. Esto significa que se puede utilizar cualquiera de los modelos más simples de comportamiento de estos componentes, o los modelos no lineales que son proporcionados por los proveedores de componentes para su uso en el simulador del circuito de RF. Estos modelos se debe comprobar que se pueden usar en una simulación transitoria antes de su uso, sin embargo, ya que el sistema de simulación se utiliza un tiempo de paso a paso (transitoria) algoritmo. Cualquier distorsión producida por las no linealidades de los amplificadores de conducir se incluirán en el resultado neto de la Autoridad Palestina, y en la práctica, ser alojados por el predistorsionador. Nuestra preocupación principal en la simulación a nivel de sistema es que estas no linealidades son capturados suficientemente bien y que su impacto en el comportamiento general no lineal del transmisor se describe. Como se señaló anteriormente, la principal fuente de comportamiento no lineal es la misma PA. Por lo tanto, es más importante que no lineal comportamiento dinámico de la AP está adecuadamente descrita.

El amplificador de bajo ruido ( LNA ) en la ruta de observación juega un papel importante en la determinación del nivel de ruido o sensibilidad del sistema de predistorsión. Una vez más, por lo general es suficiente utilizar un modelo de nivel de sistema disponible en el sistema o simulador de RF, y ajustar la ganancia, figura de ruido, y la respuesta de frecuencia de este componente, a entender y finalmente controlar las contribuciones de estas especificaciones de rendimiento sobre el total rendimiento del sistema linealizado.

Los caminos de transmisión y observación también contendrá componentes pasivos tales como filtros y atenuadores, para controlar la respuesta de frecuencia y los niveles de señal en las entradas a las partes principales del sistema: los controladores de PA y LNA el. Podemos utilizar las descripciones de parámetros S de estos componentes, siempre que no haya dispersión demasiado, directamente en el simulador del sistema. El modelo S-parámetro será objeto de convolución para producir una descripción de dominio de tiempo.

Poniendo todo junto

Ahora tenemos un conjunto de modelos, en una variedad de herramientas de simulación, que óptimamente describen los componentes del sistema transmisor. A continuación, se suele recurrir a una herramienta de simulación comercial a nivel de sistema, tales como SystemVue de Agilent y el AWR ® VSS para proporcionar el marco, y algunos de los modelos, para poner la descripción del sistema en conjunto y gestionar la simulación. He usado la palabra "manejar" aquí, sino que da una agradable sensación de cómo procede la simulación. El simulador del sistema suele ser un simulador de tiempo de paso a paso, y así vemos los datos proceden a través de nuestro sistema paso a paso. Debido a que no todos los modelos que desee utilizar el trabajo de esta manera, o no se puede describir en el idioma nativo del simulador de sistema, existe una disposición para "cosimulación".

Figura 5. Captura de pantalla de Agilent SystemVue proyecto de ejemplo software DPD indica la construcción de un algoritmo polinómico memoria DPD de la PA AM a AM característico. © 2011 Agilent Technologies, Inc. Usado con permiso.

Por cosimulación, queremos decir que el simulador de sistema anfitrión se iniciará y control, otro motor de simulador, tales como MATLAB o ADS equilibrio armónico o sobres de circuito, por ejemplo, se va a realizar la simulación del modelo de PA o algoritmo de DPD para obtener el apropiado datos para el próximo paso del tiempo en la simulación del sistema. Descrito de esta manera, parece que la simulación del sistema tomaría una enorme cantidad de tiempo. Pero esto no es necesariamente así. El secreto es la forma en la cosimulación una gestión eficaz y que los datos pertinentes se pueden transferir en el momento adecuado. Simulación del sistema puede ser muy rápido en comparación con la simulación de circuitos, como se puede "agrupar" los principales no linealidades en tan sólo unos pocos componentes, mientras que en una simulación de circuitos con más de unos pocos transistores, la convergencia de la simulación que contiene varios modelos no lineales puede ser lenta . Estos motores de simulación de otros se ejecutan "en el fondo", sin necesidad de un control explícito por parte del usuario.

Figura 6. Captura de pantalla de proyección AWR VSS cómo las herramientas de National Instruments LabVIEW puede ser utilizado para importar datos en tiempo real medidos de un PA en la simulación del sistema. © 2012 National Instruments, que se utilizan con permiso.

¿Qué pasa si no tenemos los modelos que necesitamos? Esto no es una excusa válida para no llevar a cabo la simulación del sistema y la verificación de su diseño. Por ejemplo, puede importar los datos de medición, por ejemplo, de la Autoridad Palestina, directamente en la simulación del sistema, y tener una idea de cómo funciona el sistema completo funciona. Esto se ilustra en la Figura 6 , usando National Instruments ® LabVIEW ® herramientas con el AWR VSS como un ejemplo. Esta es una forma muy útil de comprobar cómo el sistema se pueden poner juntos, ya que permite cambios a realizar en las diferentes partes del sistema para dar cabida a efectos reales, medidos. Este puede ser el caso si usted está desarrollando un sistema de DPD que debe ser lo suficientemente generales como para trabajar con varios APs objetivo diferente, como suele ser el caso. Los modelos de las áreas protegidas no siempre están disponibles o precisa, y cosimulación y caracterización proporciona un camino a seguir.

Observaciones finales

En este tutorial, pero hemos tenido un vistazo de cómo un sistema de simulación se pueden juntar, utilizando modelos, y de hecho la medida, a partir de diferentes fuentes. Estos modelos pueden combinarse entre sí y el simulador de sistema gestiona la cosimulación de los modelos en sus ambientes nativos, de forma rápida y eficiente. Hemos descrito cómo algunos de estos modelos se pueden construir, y se utiliza a nivel de sistema para investigar cómo las especificaciones se puede establecer, mediante el estudio de las alteraciones en el rendimiento ideal de los componentes cruciales del sistema.

Agradecimientos

Gracias a Profesor delgado Boumaiza y el Sr. Farouk Mkadem de la Universidad de Waterloo para proporcionar las mediciones de CI LTE señal utilizada para la extracción del modelo Volterra muestra en la Figura 2. Gracias a Nilesh Kamdar de Agilent Technologies para proporcionar la imagen de la pantalla utilizada en la figura 5. Gracias a la Sra. Maegan Quejada de National Instruments para proporcionar la imagen de la pantalla utilizada en la figura 6.

Referencias

1. Agilent EDA: 'SystemVue, "en www.agilent.com / find /-EEsof SystemVue .
2. Applied Wave Research: "Simulador de Sistema Virtual", en http://web.awrcorp.com/Usa/Products/Visual-System-Simulator/ .
3. McCune, E. Práctica Digital Wireless Signals , Cambridge University Press, 2010.
4. Wood, J. Comportamiento Modelado y linealización de amplificadores de potencia de RF , Artech House (en prensa).
5. Wood, J. and Root, DE, eds. Fundamentals of Behavioral Modeling no lineal de RF y Microondas Diseño , Artech House, 2005.
6. Pedro, JC y Maas, SA "Estudio comparativo de microondas y conexión inalámbrica amplificador de potencia enfoques de modelado de comportamiento," IEEE Trans. Microondas Teoría y Técnicas , vol 53 (4), pp 1150-1163 (2005).
7. Kurokawa, K. "ondas de energía y la matriz de dispersión", IEEE Trans. Microondas Teoría y Técnicas , vol 13 (2), pp 194-202 (1965).
8. Root, DE, Verspecht, J., Sharrit D., Wood, J., y Cognata, A. "Broad-Band Poly-Harmonic Distortion (PHD) Modelos de comportamiento de rápido simulaciones automatizadas y mediciones de gran señal vectorial de redes", IEEE Trans. Microondas Teoría y Técnicas , vol 53 (11), pp (2005).
9. Verbeyst, F. y Vanden Bossche, M. "La medición basada en el Modelo del Comportamiento bajo condiciones no coincidentes", Conf. 35a Microondas Europea , 5 de octubre de 2005.
10. Woodington, S., Williams, T., Qi, H., Williams, D., Pattison, L. Patterson, A., Lees, J., Benedikt, J., Tasker, PJ "Una novela basada en la medición método que permite extracción rápida de una forma de onda de RF tabla de consulta basada en el modelo de comportamiento, "IEEE MTT-S International Microwave Symposium Digest, 15 a 20 junio 2008 , (2008) 1453-1456.
11. Verspecht, J., Root, DE "Distorsión Modelado Polyharmonic", Revista IEEE Microwave , vol 7 (3), pp 44-57, (junio de 2006).
12. Wood, J., G. Collins "Investigación de X-parámetros de las mediciones de un amplificador de 100 W de potencia Doherty," Actas 75 Congreso ARFTG , Anaheim, CA, 28 (mayo de 2010).
13. Soury, A., Ngoya, E. "Manejo de efectos a largo plazo de la memoria en modelo X-parámetro," IEEE MTT-S International Microwave Symposium implícita , 18-23 de junio de 2012.
14. Agilent Infiniium 90000-Q series, en www.agilent.com/find/90000QSeries .
15. Aaen, P., Pla, J., Wood, J. Modelado y Caracterización de RF y microondas FET de potencia , Cambridge University Press, 2007.
16. Filicori, F., Vannini, G., Mónaco, VA "Modelo Integral no lineal de dispositivos electrónicos para el análisis de circuitos HB", IEEE Trans.Microondas Teoría y Técnicas , vol 40 (7), pp 1456-1464 (1992).
17. Soury, A., Ngoya, E., Nebus, JM, Reveyrand, T. "La medición basada en el modelado de amplificadores de potencia para el diseño fiable de los sistemas modernos de comunicación", IEEE MTT-S International Microwave Symposium implícita , junio 2003, pp 795-798 (2003).
18. Zhu, A., Pedro, JC, Brasil, TJ "desviación dinámica de reducción basada en el modelado del comportamiento de Volterra amplificadores de potencia RF," IEEE Trans. Microondas Teoría y Técnicas , vol 54 (12), pp 4323-32 (2006).
19. Zhou, D., Debrunner, VE "algoritmo de proyección afín basado adaptaciones directas de adaptación predistorters no lineales", 40a Conferencia de Asilomar en Señales, Sistemas y equipos de ACSSC06 , pp144-147 (2006).
20. Cavers, JK "El efecto de modulador de cuadratura y errores demodulador en predistorters adaptativos digitales para la linealización de amplificadores", IEEE Trans. Vehicular Technology , vol 46 (2), pp 456-466 (1997).

Apéndice A: efectos de memoria

"Efectos de memoria" es el término utilizado para describir la influencia de la historia de la señal en su valor actual. En otras palabras, los valores de la señal en instantes de tiempo anteriores contribuyen al valor presente. Este comportamiento no debería ser una sorpresa para un ingeniero eléctrico: un simple circuito RC en serie exposiciones de efectos de memoria, ya que la corriente que circula por el circuito depende de la cantidad de carga ya se ha acumulado en el condensador. Efectos de memoria son el resultado del almacenamiento de energía en el sistema. También son una manifestación del comportamiento dinámico del sistema, que para sistemas lineales puede ser descrito por la derivada en el tiempo o expresiones de retardo de tiempo. Para sistemas no lineales tales como un amplificador de potencia, la historia de la señal influye en la salida. Los efectos dinámicos de un PA puede ocurrir en un amplio intervalo de escalas de tiempo.

"A corto plazo" efectos de memoria ocurren aproximadamente en la tasa de portadores de RF. Ejemplos de colaboradores de memoria a corto plazo son las redes dependientes de la frecuencia coincidentes en el amplificador, y las capacitancias internas y el tiempo de tránsito cargo del propio transistor. Si estas capacitancias son también no lineal, como funciones de la fuente de tensión , por ejemplo, entonces el efecto de memoria es también no lineal.

"Largo plazo" efectos de memoria se producen a un ritmo mucho más lento, y puede afectar al comportamiento de la PA durante algún tiempo.Ejemplos de efectos de memoria a largo plazo incluyen el almacenamiento de energía en las líneas de polarización y el suministro a la PA, a través de la disociación de la capacitancia y la inductancia de línea impresa, y temperatura de los cambios causados ​​por el calentamiento y enfriamiento de la unidad de transistor bajo por señales moduladas; el tiempo térmico constante del semiconductor es mucho más largo que la frecuencia de modulación.

Apéndice B: Serie de Volterra como el desarrollo de una serie de Taylor

Una forma de construcción de una serie de Volterra expresión es como un desarrollo de un modelo no lineal instantánea que puede ser descrito por una expansión en serie de Taylor. Tomamos como nuestro prototipo de un modelo polinomial para describir un sistema no lineal instantáneo:

Los coeficientes de un polinomio _n se encuentran en la serie de Taylor de la relación insumo-producto, se expandió en torno a algún punto de operación, u ₀ :

Ahora, en lugar de la relación instantánea, consideremos la salida y (t) como una función de u (t) y los valores de u en algunas veces anteriores, describiendo así los efectos de memoria:

y (t) = f (u, u ₁ , u ₂ , ..., u _n )

donde

u = u (t), u ₁ = u (t - τ ₁ ), u ₂ = u (t - τ ₂ ), ...

El desarrollo en serie de Taylor para esto es:

que es un multinomial serie. Los términos de memoria en (u ₁ - u ₀ ) y los llamados Volterra términos cruzados en (U - U ₀ ) (u ₁ - u ₀ ) se puede observar fácilmente en esta expresión.

La serie de Volterra puede ser pensado como una serie de Taylor con memoria. Las no linealidades descritos por una serie deben satisfacer ciertos criterios de "suavidad" de la serie es convergente. Esta es otra forma de decir que la serie se aproximará al valor real de la función dentro de una cierta tolerancia especificada, es decir, el error de truncamiento se hace menor que este valor de tolerancia.

Agilent es una marca registrada y marca de servicio registrada de Agilent Technologies, Inc. AWR es una marca registrada de AWR Corporation. MATLAB es una marca registrada de The MathWorks Inc. Verilog es una marca registrada de la Corporación de puerta de enlace de automatización de diseño. X-parámetros es un marca registrada de Agilent Technologies, Inc.