基于机器学习的稀疏远场数据在主动相控阵中故障元件检测研究

《IEEE Open Journal of Antennas and Propagation》：Detection of Faulty Elements From Sparse Far-Field Data in Active Phased Arrays via Machine Learning

　　本文针对大规模主动相控阵天线实时故障检测难题，提出了一种基于阵列理论增强神经网络（NN）的机器学习（ML）方法。研究团队利用稀疏远场（FF）测量数据，成功解决了集成电路（IC）非线性效应和互耦效应对故障定位的影响。实验结果表明，在26 GHz的64单元平面相控阵原型上，该方法相比传统遗传算法（GA）在8单元、4单元和2单元故障检测中的准确率分别提升40%、25%和20%，为天线阵列在制造后及现场运维中的快速诊断提供了创新解决方案。

　　

在5G及下一代无线通信系统中，主动相控阵天线通过集成硅基多通道集成电路（IC）和大量天线单元，实现了灵活的波束成形功能，被广泛应用于蜂窝基站、卫星终端和汽车雷达等领域。然而，这类复杂天线系统在制造、组装或现场运行过程中，电磁辐射体、IC或IC通道可能发生随机故障，导致辐射方向图发生不良变化，严重影响增益、波束宽度、旁瓣电平（SLL）、零陷位置和深度等关键性能指标。在更换组件或采取补偿措施之前，快速准确地定位故障元件的位置至关重要。特别是在制造后和现场场景中，实现近实时诊断面临巨大挑战。此外，IC非线性特性以及IC-天线接口间的互耦效应，使得故障定位方法更加复杂。

传统的故障检测方法包括在IC级别集成温度传感器、红外热成像技术以及内置自测试（BIST）等，但这些方法往往增加了系统成本、复杂度和体积，或在高频天线中分辨率不足。另一种竞争性方案是通过空中（OTA）监测电磁场，如在阵列近场（NF）或远场（FF）进行测量。近场测量需要移动采样探头，数据采集时间可能长达数小时，且存在系统复杂、对准误差和探头耦合等问题。虽然稀疏源重建技术可减少采样点数，但测量系统复杂性和长时间数据处理仍是挑战。因此，利用远场测量进行高频天线诊断更具实用性，但传统优化算法如遗传算法（GA）在搜索空间大时收敛速度慢，难以满足实时性要求。

近年来，机器学习（ML）方法为实时天线阵列诊断提供了新的解决方案。然而，现有ML算法仅针对全波仿真和密集采样的远场数据开发，且只适用于小规模阵列（如3×3、4×4）。在实际阵列中，有源组件会引入非线性效应，如每个IC通道的负载牵引、制造公差和温度变化等，这些效应在ML故障诊断文献中尚未得到充分研究。此外，ML在大规模阵列（如8×8）诊断中的应用以及稀疏方向图采样的集成仍缺乏深入研究。

针对上述问题，荷兰代尔夫特理工大学的研究团队在《IEEE Open Journal of Antennas and Propagation》上发表了一项创新研究，提出了一种基于机器学习辅助的实时故障检测技术。该方法利用振幅-only稀疏远场采样数据，首次在逆问题建模和求解中考虑了IC非线性和互耦效应，并通过实验验证了其在64单元平面相控阵原型上的有效性。

本研究主要采用了几项关键技术方法：首先，利用由NXP和TNO开发的26 GHz 8×8主动毫米波相控阵作为天线 under test（AUT），该阵列采用腔背贴片元件和半波长间距设计，集成MMW9014K型4通道双极化模拟波束成形IC；其次，采用代尔夫特理工大学开发的Antenna Dome多探头方向图采集系统进行稀疏远场测量，该系统包含36个固定双极化传感节点，覆盖θ=0°至64°的角域，支持高速数据采集；第三，提出了一种阵列理论增强的神经网络（NN）模型，该模型将远场方程融入损失函数，采用全连接网络结构，通过TensorFlow框架实现，最终输出阵列元件的二进制权重（0表示故障，1表示工作）；最后，以遗传算法（GA）作为基准方法，通过均方误差（MSE）作为适应度函数进行性能比较。

II. 问题建模与故障定位方法

研究团队将故障检测问题建模为一个逆问题，旨在从测量的远场方向图中映射出故障元件的布局。考虑到实际测量中存在的非线性和误差，远场方向图表示为理论模型与由AUT和测量系统引入的噪声效应之和。为了平衡测量复杂性和方向图变化捕获能力，采用稀疏采样策略，节点分布基于六边形采样技术，确保覆盖旁瓣区域且避免与方向图零陷对齐。

III. 天线 under test（AUT）与方向图测量系统

AUT为8×8主动相控阵，工作频率26 GHz，采用腔背贴片元件和半波长间距。阵列集成MMW9014K型波束成形IC，每个通道可独立开关或设置增益-相位。通过启发式制造后近场校准技术均衡各通道响应。故障模拟通过随机关闭IC通道实现，并利用Antenna Dome系统采集稀疏功率方向图数据。该系统包含36个传感节点，每个节点集成宽带Vivaldi天线和RMS功率计，支持高速数据采集和局部信号处理。

IV. 结果

A. 基于阵列理论的训练与预测

首先基于全波仿真的嵌入元件方向图（EEP）数据，比较GA和NN方法的性能。NN模型采用10层全连接结构，使用ADAM优化器和二进制交叉熵（BCE）损失函数。在8元件故障案例中，NN平均正确预测数（μ_corr）达7.42，显著高于GA的3.78，且预测偏差（Δd）更小。随着故障元件数减少，NN性能保持稳定，而GA波动较大。

B. 阵列理论增强的学习与预测

针对实测数据中的非线性效应，研究团队采用物理信息神经网络（PINN）方法，将远场方程与数据驱动学习结合。NN架构稍作修改，使用GeLU激活函数以提高收敛平滑性。在5000组测量数据上训练后，NN在8元件、4元件和2元件故障案例中的平均正确预测数分别为6.51、2.95和1.02，虽略低于仿真数据，但显著优于GA。此外，NN能准确定位误预测元件的可能位置，平均偏差在1.5波长范围内。

研究还分析了探头数量对性能的影响。通过禁用Antenna Dome中的部分节点（如仅保留外环15个节点），NN性能仍与全探头配置相近，表明该方法在硬件复杂度降低的情况下仍保持高效。

结论与讨论

本研究提出了一种创新的ML辅助实时故障检测方法，成功解决了大规模天线阵列在实际应用中的故障诊断难题。通过阵列理论增强的神经网络模型，首次在逆问题求解中集成了IC非线性和互耦效应，显著提升了故障检测的准确性和鲁棒性。实验结果表明，该方法在64单元相控阵上实现了较传统GA方法高达40%的性能提升，且在不同故障规模下均表现稳定。此外，该方法对稀疏采样点数量不敏感，支持低硬件复杂度的现场方向图采样，为天线阵列的快速诊断提供了可行方案。

未来工作将考虑在波束扫描和机械运动下的数据采集，增强NN模型的实时方向图补偿功能，并扩展至更大规模天线阵列和近场稀疏采样方法的应用。这项研究为5G及下一代通信系统中的天线阵列可靠性维护奠定了重要基础，推动了ML在电磁场领域应用的进一步发展。