Die Herausforderung der Linearität in HF-Leistungsverstärkern

Moderne Kommunikationssysteme, von 5G-Basisstationen bis zu Satellitentranspondern, erfordern eine außergewöhnliche Signaltreue über große Bandbreiten. Das Herzstück dieser Sender liegt im HF-Leistungsverstärker (PA), einer Komponente, die von Natur aus die Effizienz gegen Linearität eintauscht. Da sich die Ausgangsleistung dem Sättigungsbereich des Verstärkers nähert, werden nichtlineare Effekte wie AM-AM-Komprimierung und AM-PM-Verzerrung ausgeprägt. Diese Verzerrungen verbreiten nicht nur das Signalspektrum in benachbarte Kanäle (spektrales Nachwachsen), sondern auch die Fehlervektorgröße (EVM), was es unmöglich macht, die strengen Anforderungen von Modulationsschemata höherer Ordnung wie 64-QAM und 256-QAM zu erfüllen. Vorverzerrungstechniken haben sich als die praktischste und kostengünstigste Möglichkeit herausgestellt, Verstärker unter Beibehaltung hoher Effizienz zu linearisieren. Dieser Artikel bietet eine tiefgründige, ingenieurorientierte Erforschung von Vorverzerrungsmethoden, von grundlegenden Prinzipien bis hin zu innovativen adaptiven digitalen Implementierungen.

RF-Verstärker-Nichtlinearität verstehen

Um eine effektive Vorverzerrung zu entwerfen, müssen Sie zuerst das nichtlineare Verhalten des Leistungsverstärkers charakterisieren. Nichtlinearitäten entstehen durch die inhärenten Eigenschaften aktiver Geräte (wie GaN HEMTs oder LDMOS-Transistoren) und durch die Vorspannung der Schaltungsdynamik. Die beiden dominanten Formen sind Amplitude-Amplitude-Wandlung (AM-AM) und Amplitude-Phase-Wandlung (AM-PM). AM-AM beschreibt, wie sich die Amplitude des Ausgangssignals relativ zum Eingang komprimiert, während AM-PM die unerwünschte Phasenverschiebung erfasst, die mit der Eingangshülle variiert.

Memory-Effekte und Breitband-Verzerrung

Bei modernen Breitbandsignalen (z. B. 100 MHz aggregierter Träger für 5G NR) werden Speichereffekte kritisch, die sich als historienabhängige Nichtlinearität manifestieren: Der Ausgang hängt zu jedem Zeitpunkt nicht nur vom momentanen Eingang ab, sondern auch von früheren Signalwerten. Speicher entsteht aus thermischen Zeitkonstanten, elektrischer Energiespeicherung in Bias-Netzwerken (insbesondere Drain-Bias-Entkopplung) und Transistor-Einklemmeffekten. Ein Vorverzerrer, der den Speicher ignoriert, wird nicht das spektrale Nachwachsen unterdrücken weit vom Träger entfernt - typischerweise der Bereich, in dem die regulatorischen Grenzen für die Nachbarkanalleistung (ACPR) am strengsten sind.

Grundsätze der Prädistortion

Die Vorverzerrung funktioniert, indem ein nichtlinearer Verarbeitungsblock vor dem Verstärker eingefügt wird. Die Charakteristik dieses Blocks ist so konzipiert, dass er die Umkehrung der Übertragungsfunktion des Verstärkers ist. In einem idealen Szenario ergibt die Kaskade von Vorverzerrung und PA ein vollkommen lineares System: Wenn der PA eine Verzerrung einführt D, führt der Vorverzerrung die entgegengesetzte Verzerrung ein y(t) = F[x(t)], wobei F ein nichtlinearer Operator ist, dann wendet der Vorverzerrungsfaktor eine Funktion G an, so dass F[G(x]] = K · xin, wobei K die gewünschte lineare Verstärkung ist.

In der Praxis ist die Inversion ungefähr und adaptiv, da die PA-Kennlinie mit der Temperatur, der Versorgungsspannung und der Alterung driftet. Erfolgreiche Vorverzerrung erfordert eine genaue Modellierung der PA, einschließlich Speicher, Echtzeitanpassung und robuste Implementierung im digitalen oder analogen Bereich.

Arten von Prädistortionstechniken

Die Vorverzerrung kann nach Hardware-Domäne (analog vs. digital) und nach Anpassungsmechanismus (Open-Loop vs. adaptive Closed-Loop) kategorisiert werden, wobei jeder Ansatz unterschiedliche Kompromisse in Bezug auf Linearisierungsbandbreite, Komplexität, Stromverbrauch und erreichbare Auslöschungstiefe bietet.

Analoge Vorverzerrung

Analoge Vorverzerrer waren die ersten eingesetzten Linearisierungsverfahren. Ein klassisches analoges Design verwendet einen kubischen Generator: Ein Schottky-Diodenpaar erzeugt eine Nichtlinearität dritter Ordnung, die die IM3-Produkte der PA auslöscht. Phasenausrichtung und Amplitudenpegel werden mit Vektormodulatoren eingestellt. Während analoge Vorverzerrer kompakt und niedriglatenzfähig sein können - ideal für Legacy-Schmalbandsysteme -, leiden sie unter begrenzten Korrekturfähigkeiten. Sie können Speichereffekte nicht kompensieren, sie bieten eine enge Korrekturbandbreite (normalerweise < 20 MHz) und sie driften mit der Temperatur, was eine manuelle Abstimmung erfordert. Fortschritte wie die Verwendung von ausgewogenen Topologien mit programmierbaren Abschwächern haben die Flexibilität verbessert, aber für Anforderungen an hochlineare Breitbandverbindungen ist die digitale Vorverzerrung zum Standard geworden.

Digitale Vorverzerrung (DPD)

Digitale Vorverzerrung nutzt die Leistung von FPGA, ASIC oder High-Speed-DSP, um ein vorverzerrtes Basisbandsignal vor der Hochkonversion in RF zu erzeugen. Der Vorverzerrer wird typischerweise unter Verwendung eines Polynommodells (gedächtnislos oder mit Speicher) implementiert, dessen Koeffizienten adaptiv unter Verwendung von Feedback vom PA-Ausgang geschätzt werden.

  • Memoryless Polynom (z. B. nur ungerade Ordnung): erfasst AM-AM/AM-PM, ignoriert jedoch den Speicher.
  • Gedächtnispolynom (z.B. "Hammerstein" oder "Wiener" Varianten): führt verzögerte Versionen des Eingangs ein, um Gedächtniseffekte zu berücksichtigen.
  • Generalisiertes Speicherpolynom (GMP) : schließt Querterme zwischen verschiedenen Verzögerungen und Hüllkurven ein und bietet eine höhere Genauigkeit für stark nichtlineare PAs mit signifikantem Speicher.
  • Volterra-Serie: das umfassendste Modell, aber mit hohen Rechenkosten. Beschnittene Volterra-Modelle (wie dynamische Abweichungsreduzierung) werden in der Forschung und in High-End-Systemen verwendet.

Die adaptive Koeffizientenschätzung erfolgt unter Verwendung von LS-Algorithmen (Least-Squares), rekursiven LRS-Algorithmen (Least-Squares) oder LMS-Algorithmen. Der Rückkopplungs-Beobachtungspfad erfasst den PA-Ausgang (nach Abwärtskonversion und ADC) und richtet ihn an das Eingangssignal aus; Restfehler werden minimiert, um die Vorverzerrungskoeffizienten zu aktualisieren. Moderne DPD-Systeme können eine Verbesserung von 20-30 dB bei ACPR erzielen, so dass PAs nahezu sättigungsfrei arbeiten können, während sie Spektralmasken erfüllen.

Adaptive Vorverzerrung

Adaptive Vorverzerrung kombiniert digitale Vorverzerrung mit kontinuierlicher Überwachung und Koeffizientenaktualisierung. Die Anpassung kann auf direktem Lernen (Minimierung des Ausgabefehlers) oder indirektem Lernen (Modellierung des PA-Inversen direkt) beruhen. Indirektes Lernen, das einen "Trainings"-Zweig verwendet, vermeidet die Notwendigkeit eines separaten Modells des PA und wird allgemein angenommen. Der Rückkopplungspfad muss sorgfältig gestaltet werden: Er erfordert einen hochgradig linearen Beobachtungsempfänger (oft mit einem Koppler und einem dedizierten ADC), Frequenzausrichtung und Verzögerungskompensation. Adaptive DPD kann Temperaturänderungen, Lastschwankungen und Komponentenalterung verfolgen, wodurch eine konsistente Linearität im Laufe der Zeit ohne Werkskalibrierung gewährleistet wird.

Implementieren von Vorverzerrungen für Ultra-Linear-Leistung

Die Bereitstellung von Vorverzerrungen in einem Produktionssystem umfasst mehrere disziplinierte Engineering-Schritte. Nachfolgend skizzieren wir einen typischen Workflow für DPD.

Schritt 1: Charakterisieren Sie den Verstärker

Die genaue Charakterisierung beginnt mit einem Vektorsignalgenerator und einem Vektorsignalanalysator (oder einem nichtlinearen Vektornetzwerkanalysator, NVNA), wobei der PA mit einem breitbandmodulierten Signal (z. B. einer 5G-NR 100 MHz-Wellenform) betrieben wird, während Eingangs- und Ausgangswellenformen synchron erfasst werden. Wichtige Metriken sind AM-AM- und AM-PM-Plots, das benachbarte Kanalleistungsverhältnis (ACPR) und das Leistungsspektrum. Für die Speichercharakterisierung zeigen Zweitonmessungen mit variablem Tonabstand Asymmetrie in Intermodulationsprodukten, ein Kennzeichen von Speichereffekten. Die Charakterisierung muss den vollen im Feld erwarteten Dynamik- und Temperaturbereich abdecken.

Schritt 2: Modellieren Sie die PA Nonlinearität

Rohe Zeitbereichsdaten werden verwendet, um ein Verhaltensmodell zu extrahieren. Für DPD hängt die Modellauswahl von der Speichertiefe und nichtlinearen Ordnung ab. Ein typischer Ansatz besteht darin, zuerst ein speicherloses Polynom (ungerade Ordnungen bis z.B. 9.) anzupassen und dann Speicherbegriffe hinzuzufügen, wenn der Restfehler über dem Ziel liegt. Modellextraktionswerkzeuge in MATLAB oder Python (unter Verwendung von Paketen wie Fit-Koeffizienten mit kleinsten Quadraten. Regularisierung (z.B. Ridge Regression) verhindert Überanpassung. Die Gültigkeit des Modells wird durch Vergleichen des vorverzerrten Signals ACPR und EVM mit Anforderungen bewertet. MathWorks bietet einen umfassenden DPD-Design-Workflow unter Verwendung von Simulink und der LTE/5G Toolbox.

Schritt 3: Implementieren Sie den Predistorter

Das geschätzte inverse Modell wird auf eine digitale Architektur abgebildet. Auf einem FPGA wird der Vorverzerrer typischerweise als Lookup-Tabelle (LUT) für die amplitudenabhängige Verstärkungs- und Phasenkorrektur implementiert, gefolgt von einem FIR-Filter (finite impulse response filter), um Speichereffekte zu verarbeiten. Die LUT-Adressen werden durch die momentane Hüllkurve des Basisbandsignals erzeugt. Für eine höhere Leistung ersetzt eine polynomielle Auswertemaschine (unter Verwendung des Horner-Formulars für Effizienz) die LUT. Die Implementierung muss die Latenzbedingungen erfüllen: Das vorverzerrte Signal muss innerhalb eines Bruchteils der Symbolperiode erzeugt werden, was typischerweise Pipeline-Stufen erfordert. High-Speed-ADCs (> 500 Msps) und DACs (> 1 Gsps) sind für die 100 MHz + -Bandbreite erforderlich. Keysight's Application Note on DPD test and measurement Details Hardwareanforderungen und Kalibriertechniken.

Schritt 4: Feedback und Anpassung integrieren

Der Rückkopplungspfad koppelt eine kleine Abtastung des PA-Ausgangs über einen Richtkoppler (typischerweise -30 dB-Kopplung) und führt sie dem Beobachtungsempfänger zu. Der Empfänger muss eine ausreichende Linearität aufweisen, um eine eigene Verzerrung zu vermeiden. Eine bekannte Technik ist die Verwendung eines Bandpassfilters zur Entfernung von weit entferntem Rauschen. Der erfasste Ausgang wird in ein niedriges ZF- oder Basisband herunterkonvertiert und digitalisiert. Die DPD-Adaptionsmaschine führt dann eine Zeitanpassung (Kreuzkorrelation), eine Phasen- und Verstärkungsausrichtung und eine Koeffizientenaktualisierung durch. Die Adaption kann kontinuierlich mit einer Rate von zehn kHz laufen oder nur ausgelöst werden, wenn der Fehler einen Schwellenwert überschreitet. Der Adaptionsalgorithmus muss numerisch stabil sein; RLS ist üblich für seine schnelle Konvergenz, während LMS einfacher, aber langsamer ist.

Vorteile von Predistortion Techniken

Die Implementierung von Vorverzerrungen (insbesondere adaptiver DPD) führt zu messbaren und signifikanten Verbesserungen der HF-Systemleistung:

  • Reduzierte Signalverzerrung: ACPR-Verbesserungen von 15–25 dB sind Routine, EVM sinkt bei komplexen Modulationen oft von >10% auf <2%.
  • Verbesserte Spektraleffizienz: Die Fähigkeit, Modulation höherer Ordnung (z.B. 1024-QAM) zu verwenden, wird möglich, ohne den Kanalabstand zu erweitern und den Datendurchsatz pro Hertz direkt zu erhöhen.
  • Höhere Leistungsabgabe: Die PA kann weniger von ihrem Sättigungspunkt abgesichert werden; eine Erhöhung der nutzbaren Ausgangsleistung um 3-6 dB ist typisch, was das Linkbudget und die Abdeckung direkt verbessert.
  • Verbesserte Systemzuverlässigkeit: Durch den Betrieb des PA an einem effizienteren Bias-Punkt (z. B. Klasse AB bei einem leichten Backoff) und unter Berufung auf DPD für Linearität, verringern sich die Verbindungstemperaturen, reduzieren die Gerätebelastung und verlängern die Lebensdauer.
  • Vereinfachtes analoges Design: Da der Vorverzerrer die Nichtlinearität korrigiert, kann der PA selbst für eine höhere Effizienz (z. B. Klasse F oder inverse Klasse F) und nicht für eine hohe Linearität ausgelegt werden, die oft eine Effizienz von 5-10% ausgleicht.

Praktische Überlegungen und Herausforderungen

Die Vorverzerrung ist zwar stark, aber kein Allheilmittel. Ingenieure müssen sich mit verschiedenen praktischen Zwängen auseinandersetzen.

Begrenzung der Bandbreite

Der DPD-Beobachtungspfad muss mindestens 3x bis 5x der Signalbandbreite erfassen, um die signifikanten Verzerrungsprodukte zu enthalten (z. B. für ein 100-MHz-Signal ist eine 500-MHz-Bandbreitenbeobachtungskette typisch), was sehr schnelle ADCs (1-3 Gsps) und FPGAs mit hoher Verarbeitungsrate erfordert, was den Stromverbrauch und die Kosten erhöht. Analoge Vorverzerrungen vermeiden dieses Problem, aber auf Kosten der Korrekturtiefe.

Komplexität vs. Korrekturtiefe

Tiefere Stornierung erfordert höhere Polynom-Orders und längere Speicher-Terms, die die Anzahl der Koeffizienten erhöhen – manchmal in die Hunderte. Overfitting kann zu Instabilität führen; außerdem muss das System wechselnde Bedingungen verfolgen. Adaptive Algorithmen wie RLS sind rechenintensiv; die Implementierung in einem FPGA erfordert ein sorgfältiges Dividierer- und Multiplikator-Ressourcenmanagement.

Spitzen-/Mittelleistungs-Verhältnis (PAPR)

Die Vorverzerrung kann für diese Spitzen korrigieren, aber das Korrektursignal selbst kann die Spitzenumhüllende erhöhen, was die PA möglicherweise weiter in die Sättigung treibt oder den linearen Bereich des Vorverzerrers überschreitet.

Rückkopplungspfadlinearität

Die Rauschzahl, Linearität und Dynamik des Beobachtungsempfängers begrenzen direkt die erreichbare Streichung. Eine suboptimale Rückkopplungskette führt ihre eigenen Verzerrungen ein, die der Anpassungsalgorithmus als PA-Nichtlinearitäten interpretiert, was zu falschen Vorverzerrungskoeffizienten führt. Die Kalibrierung des Rückkopplungspfads - einschließlich I / Q-Ungleichgewicht, DC-Offset und Verzögerung - ist wesentlich. A 2020 IEEE Paper on DPD for 5G diskutiert fortschrittliche Kalibrierungstechniken für FDD- und TDD-Systeme.

Da drahtlose Standards zu größeren Bandbreiten (bis zu 800 MHz für mmWave) und Carrier-Aggregation führen, entwickeln sich Vorverzerrungstechniken weiter.

Machine Learning DPD

Neuronale netzwerkbasierte Präditorter (z. B. unter Verwendung von LSTM- oder CNN-Architekturen) werden auf ihre Fähigkeit untersucht, komplexe Speichereffekte mit weniger Parametern als die Volterra-Serie zu modellieren. Praktische FPGA-Implementierungen solcher Netzwerke bleiben aufgrund von Latenz und Ressourcenbeschränkungen eine Herausforderung, aber spezialisierte Hardware (z. B. Xilinx AI Engine-Kacheln) macht Echtzeit-Inferenz möglich.

Hybridvorverzerrung

Die Kombination der Stärken der analogen und digitalen Vorverzerrung gewinnt an Interesse. Ein analoger Vorverzerrer kann eine grobe Korrektur von Intermodulationsprodukten dritter Ordnung (Verringerung des Dynamikbereichs des DPD) ermöglichen, während der DPD für Speicher- und übergeordnete Terme fein abgestimmt ist. Dieser Ansatz reduziert den Beobachtungsbandbreitenbedarf und senkt den ADC/DAC-Geschwindigkeitsbedarf.

Digital Envelope Tracking mit DPD

Die Umhüllende-Verfolgung (ET) passt die Versorgungsspannung der PA in Echtzeit an, um die Effizienz zu verbessern. Die ET führt jedoch zusätzliche Nichtlinearitäten ein, die vom Hüllkurvenpfad abhängig sind. Die Vorverzerrung kann erweitert werden, um das kombinierte ET + PA-System als dynamische nichtlineare 2-Eingangsfunktion (Signalhülle und Versorgungsspannung) zu modellieren, was neue Wege zu einer ultraeffizienten linearen Verstärkung bietet.

Schlussfolgerung

Vorverzerrung bleibt der Goldstandard für die Erreichung ultralinearer HF-Verstärkerleistung ohne Effizienzeinbußen. Von den frühen kubischen Dioden-Analogschaltungen bis zu den heutigen adaptiven digitalen Vorverzerrungen, die auf 100 MHz + Wellenformen arbeiten, ist die Technik zu einer Mainstream-Anforderung für alle fortschrittlichen Transceiver gereift. Ingenieure, die PA-Charakterisierung, Verhaltensmodellierung und adaptive Implementierung beherrschen, sind ausgestattet, um Systeme zu entwerfen, die die strengen Linearitätsanforderungen von 5G/6G, Satelliten und militärischer Kommunikation erfüllen. Da sich die Industrie in Richtung softwaredefinierter Funkgeräte und KI-gestützter Signalverarbeitung bewegt, wird Vorverzerrung sich weiterhin anpassen - immer intelligenter, effizienter und integraler in den HF-Designfluss.

Zum weiteren Lesen lesen Sie die praktischen Designbeispiele in Analog Devices’ series on DPD und die umfassende Umfrage in IET Microwaves, Antennas & Propagation