Présentation

Les ingénieurs en RF et en micro-ondes se fient aux paramètres de diffusion (paramètres S) pour décrire la façon dont un réseau linéaire transmet et réfléchit les signaux à ses ports. Ces quantités de domaine de fréquence sont essentielles pour concevoir des amplificateurs, des filtres, des antennes et des interconnexions, et elles sont régulièrement mesurées avec des analyseurs de réseau vectoriel (ARN). Pourtant, dans de nombreuses situations pratiques, les données de mesure brutes apparaissent d'abord comme des échantillons de tension ou de champ dans le domaine temporel, soit parce qu'un instrument de domaine temporel (par exemple, un oscilloscope d'échantillonnage) a été utilisé, soit parce que le comportement transitoire de l'appareil est la quantité principale d'intérêt.

Les techniques classiques basées sur la transformation directe de Fourier sont simples à mettre en œuvre, mais souffrent de fuites spectrales, d'effets de tronquage finis et de sensibilité au bruit.Au cours des deux dernières décennies, des méthodes plus robustes ont émergé qui modélisent le système directement dans le domaine temporel, utilisent une déconvolution avancée ou utilisent des stratégies modernes d'identification et d'apprentissage des systèmes.

Principes fondamentaux: Du domaine temporel aux paramètres S

Un réseau linéaire d'invariant temporel de N-port est entièrement caractérisé par sa matrice de diffusion S(f), où chaque élément Sij(f) est le rapport complexe de l'onde sortante au port i à l'onde incidente au port j, tous les autres ports étant terminés dans des charges assorties. La réponse de fréquence S[ij(f) et la réponse d'impulsion correspondante hij(t) forment une paire de transformées de Fourier. En principe, la mesure h[ij(t) par une excitation de type impulsion et l'application d'une transformation de Fourier inverse donne S]ij(f).

La réflectométrie du domaine temporel (TDR) utilise généralement un signal d'impulsion ou d'étape rapide et enregistre la forme d'onde réfléchie d'un appareil soumis à l'essai (DUT). La transmission du domaine temporel (TDT) capte le signal transmis. Dans les deux cas, la forme d'onde mesurée est la convolution du stimulus, la réponse de l'impulsion DUT et la réponse parasite du système.

Défis de la conversion du temps à la fréquence conventionnelle

Un flux de travail typique numérise la forme d'onde du domaine temporel, isole la partie d'intérêt avec une porte de temps, applique une fonction de fenêtre, puis calcule la transformation discrète de Fourier (DFT). Plusieurs mécanismes de dégradation se présentent :

  • Praissement spécifique:[ Même avec une fonction de fenêtre, l'énergie d'un composant spectral puissant peut se propager dans des bacs adjacents, corrompant les détails du paramètre S de bas niveau. Ceci est particulièrement problématique lorsque des mesures à haute portée dynamique sont nécessaires, comme pour la caractérisation des bandes-filtres.
  • L'écartement des échos du domaine temporel: Si la longueur de l'enregistrement est trop courte pour capter toutes les réflexions multiples, la transformation représentera une réponse du système incomplète.Pour les longues lignes de transmission perdues, les échos peuvent persister pendant des dizaines de nanosecondes et nécessiter une mise en réseau attentive.
  • Amplification du bruit: L'extraction à base de transformation tend à distribuer le bruit de mesure à large bande sur toute la bande de fréquences, réduisant ainsi la plage dynamique efficace.
  • Les erreurs de phase du désalignement:[ Un décalage de temps entre l'incident et les formes d'onde réfléchies introduit une rampe de phase linéaire dans le domaine de fréquence qui est difficile à compenser sans déclenchement précis ou interpolation avancée.
  • Truncation de bande passante :[ La bande passante efficace d'une mesure du domaine temporel est limitée par le temps de montée ou la largeur de l'impulsion du stimulus et le taux d'échantillonnage.Toute teneur en fréquence au-dessus de la fréquence Nyquist est aliasée, ce qui fausse les estimations du paramètre S au sommet de la bande utilisable.
  • Fins non idéales:[ Dans une mesure réelle, l'impédance de référence est rarement exactement 50 ↓ sur toute la bande passante, provoquant des erreurs systématiques dans les paramètres S extraits si elles ne sont pas corrigées.

Ces limitations ont motivé le développement de techniques paramétriques et non paramétriques avancées qui contournent l'extraction directe à base de DFT en intégrant des contraintes physiques dans le processus d'estimation. Beaucoup de ces méthodes traitent l'extraction comme un problème d'identification du système, qui régularise naturellement l'inversion.

Modélisation avancée du temps-Domain pour l'extraction S-Paramètre

Au lieu de traiter les données mesurées comme une séquence d'échantillons indépendants, les méthodes avancées s'adaptent aux données d'un modèle motivé physiquement dont les paramètres se rapportent directement à la matrice S. La modélisation peut être effectuée dans le domaine temporel, et les paramètres S sont obtenus en évaluant la fonction de transfert rationnelle du modèle aux fréquences d'intérêt. Cette approche filtre intrinsèquement le bruit et peut intégrer a priori les connaissances sur l'appareil (p. ex., causalité, passivité, nombre de ports). Les sous-sections suivantes décrivent les techniques les plus utilisées dans l'industrie et le milieu universitaire.

Identification du système Time‐Domain et réalisation de l'espace public

L'identification du système construit un modèle d'espace ou de fonction de transfert qui reproduit le comportement d'entrée-sortie mesuré. Pour un appareil à port N, une représentation d'espace d'état de l'ordre n est :

-(t) = A x(t) + B u(t), y(t) = C x(t) + D u(t)

où u(t) et y(t) sont vecteurs d'ondes incidentes et réfléchies/transmises. Les matrices A, B, C, D peuvent être estimées à partir d'un ensemble de réponses par étapes ou impulsions mesurées à l'aide d'algorithmes subspatials tels que N4SID ou MOESP. Ces méthodes sont robustes au bruit et nécessitent peu d'entrées utilisateur au-delà de l'ordre d'état. Une fois les matrices déterminées, les paramètres de diffusion dans le domaine Laplace sont :

S(s) = D + C (sI – A)[‐1 B

Ce modèle paramétrique permet d'assurer la stabilité (valeurs propres de A dans le demi-plan gauche) et peut être facilement converti en une fonction rationnelle d'évaluation à des fréquences arbitraires.Les ingénieurs à Keysight ont démontré que l'identification sous-espace appliquée aux données TDR/TDT peut donner des paramètres S qui sont en accord avec les mesures VNA dans quelques centièmes d'un décibel sur une large bande passante. Le principal défi pratique consiste à choisir un ordre d'état approprié; trop faible un ordre sous-adapté, alors qu'un ordre trop élevé peut capter le bruit. La validation croisée à l'aide d'un ensemble de données de validation distinct aide à déterminer l'ordre optimal.

Rational Fixing avec raccord vectoriel (VF)

L'algorithme Vector Fixting, décrit à l'origine par Gustavsen et Semlyen, est devenu un cheval de bataille dans la modélisation électromagnétique. VF re-pondère de façon itérative une procédure de relocalisation des pôles pour adapter une somme de fractions partielles aux données de domaine de fréquence. Lorsque seules des réponses du domaine du temps sont disponibles, une étape intermédiaire convertit d'abord les données transitoires en une estimation grossière de domaine de fréquence (en utilisant une transformation rapide de Fourier avec un minimum de fenêtre) et raffine ensuite le modèle rationnel par VF. Le modèle final peut être évalué pour obtenir des paramètres S nuisamment nettoyés.

Analyse de Prony et méthodes de crayons à matrice

Ces techniques d'estimation spectrale à haute résolution modélisent une forme d'onde de réponse par impulsion comme une somme d'exponentiels complexes:

[FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:[FLT:][[F

La méthode Prony=2 résout un problème de prédiction linéaire pour extraire les pôles sk et les résidus Rk[. Bien que l'approche classique de Prony soit numériquement mal conditionnée et sensible au bruit. L'algorithme Matrix Pencil améliore la stabilité en exploitant une structure crayon-de-matrice. Ces deux méthodes sont particulièrement efficaces lorsque seules quelques résonances dominantes doivent être capturées, par exemple, dans la caractérisation de l'antenne ou la modélisation de paquets. Une fois les pôles et les résidus estimés, le paramètre S à la fréquence f est obtenu en évaluant la transformation Laplace de la forme d'onde ajustée, produisant essentiellement un modèle rationnel directement à partir des données temporelles.

Comparaison des méthodes d'extraction

Le choix de ces trois approches paramétriques dépend de l'application. L'identification de l'espace d'État est bien adaptée aux appareils multiports où un modèle compact est nécessaire pour la simulation de circuit. L'ajustement vectoriel offre la plus grande flexibilité dans la gestion des réponses arbitraires en fréquence et est largement utilisé dans les outils commerciaux de simulation EM. Les méthodes de crayons à matrice et prony sont plus rapides pour les petits modèles et excellents lorsque seules quelques résonances dominent. Pour une meilleure précision, une approche hybride peut être utilisée : appliquer l'identification subspatiale ou l'ajustement vectoriel pour obtenir un modèle rationnel, puis utiliser un crayon à matrice pour affiner les pôles de résonances critiques.

  • État-Espace (N4SID/MOESP):[ Robuste au bruit, gère plusieurs entrées/sorties, nécessite un ordre défini par l'utilisateur.
  • Vector Raccords: Le raffinement itératif des pôles, bon pour les grandes gammes de fréquences, peut imposer la passivité.
  • Prony/Matrix Pencil: Fixation directe du domaine temporel, le mieux pour quelques pôles, sensible à la sélection de commande.

Déconvolution et techniques d'étalonnage

Les mesures du domaine temporel sont rarement idéales, notamment la réponse impulsionnelle du générateur de stimulus, des câbles, des sondes et de l'échantillonneur. La déconvolution élimine ces distorsions systématiques, laissant la réponse DUT, à partir de laquelle les paramètres S peuvent être extraits plus proprement.

Filtrage inverse et déconvolution Wiener régularisée

Compte tenu d'une sortie mesurée y(t) = hsys(t) ∗ x(t) + n(t), où hsys(t) comprend la réponse de la DUT et de la système, le but est de récupérer l'impulsion de la DUTDUT[(t). Si une mesure de référence du système sans la DUT est disponible, un filtre Wiener minimise l'erreur carrée moyenne en présence de bruit. Le filtre dans le domaine de fréquence est :

HEnergure(f) = Href*(f) / (=H]ref(f)=2 + α)

Après avoir déconcentré, la réponse DUT peut être transformée en Fourier pour obtenir des paramètres S avec une bande passante significativement réduite et améliorée. Un traitement attentif de la régularisation empêche l'explosion du bruit aux fréquences où la fonction de transfert du système a des nuls profonds. Des approches plus avancées utilisent la régularisation Tikhonov ou la variation totale pour préserver des caractéristiques temporelles pointues tout en supprimant le bruit à haute fréquence. Le choix de α est souvent guidé par le critère de courbe L, qui équilibre la norme résiduelle et la norme de solution. En pratique, la forme d'onde de référence est obtenue en connectant une ligne passante ou une norme connue, et des moyennes multiples améliorent le rapport signal-bruit.

Étalonnage utilisant des normes connues

Tout comme un VNA est étalonné avec des normes de réflexion courtes-ouvertes-load-Thru (SOLT) ou Thru-Reflect-Line (TRL), une configuration de mesure du domaine temporel peut être étalonnée en mesurant trois ou plusieurs normes de réflexion connues. Les coefficients de boîte d'erreur sont résolus en appliquant une version du domaine temporel du modèle d'erreur à 12 termes. La réponse DUT étalonnée donne alors des paramètres S précis. Une procédure détaillée pour l'étalonnage des SOLT basés sur TDR est fournie dans les notes d'application . Cette calibration élimine les erreurs d'appariement, la perte et la dispersion des ports, poussant la gamme de fréquences utilisables au-delà de ce que les données brutes TDR permettraient.

Apprentissage automatique et approches fondées sur les données

Un réseau neuronal entièrement connecté ou convolutionnel peut être formé à des millions de paires simulées de (forme d'onde, S-matrix), après quoi l'inférence sur les données mesurées est presque instantanée. Une telle approche est particulièrement intéressante pour les essais de production où la même famille de DUT est mesurée à plusieurs reprises. Le réseau apprend implicitement à effectuer des désembudding, la réduction du bruit et l'interpolation, bien qu'une régularisation soigneuse soit nécessaire pour maintenir la cohérence physique (causalité, passivité). Les réseaux neuronaux informés en physique qui intègrent les relations Kramers-Kronig comme terme de perte ont montré une amélioration des performances sur l'extrapolation et les données bruyantes. Des méthodes hybrides combinant un modèle paramétrique (p. ex., un vecteur approprié) avec un réseau neuronal pour l'estimation des paramètres émergent également.

Mise en œuvre pratique et considérations relatives au traitement des signaux

Installation de mesure et acquisition de données

L'extraction de haute qualité commence par un enregistrement du domaine du temps propre. Utilisez un stimulus avec un temps de montée rapide (p. ex. < 20 ps pour des largeurs de bande allant jusqu'à 20 GHz) ou une impulsion de picoseconde qui couvre la bande passante désirée. Le taux d'échantillonnage doit être d'au moins 2,5× la fréquence maximale d'intérêt, et la longueur du disque doit saisir toutes les réflexions multiples significatives. La moyenne des acquisitions multiples réduit le bruit non corrélé; 16 à 64 moyennes sont courantes. Les mesures différentielles peuvent supprimer l'interférence en mode commun et améliorer l'intégrité du signal. Il est également essentiel de s'assurer que le DUT est dans un état cohérent (p. ex., conditions de biais pour les appareils actifs) pendant toute l'acquisition.

Pause temporelle et alignement des bords

Avant d'appliquer un algorithme d'extraction, on applique souvent une porte de temps pour isoler la réponse DUT=s des discontinuités de connecteurs et des réflexions de fixation. Cependant, le gage agressif introduit ses propres artefacts Gibbs‐phénomène. Des techniques avancées remplacent le gage dur par une fenêtre lisse et réglable (par exemple Kaiser‐Bessel) ou utilisent des schémas itératifs de pondération qui permettent d'estimer simultanément la forme de la porte et les paramètres S sous-jacents. L'alignement sous-picoseconde de l'incident et des bords réfléchis peut être obtenu par corrélation croisée ou en estimant le délai comme paramètre dans le modèle.

Sélection et sur-position des commandes

Les méthodes paramétriques nécessitent le choix d'un ordre de modèle (nombre de pôles). Un ordre trop bas sous-adapte les données; un ordre trop élevé sur-adapte, captant le bruit plutôt que le vrai comportement DUT. Des critères informatifs (AIC, MDL) ou une validation croisée sur plusieurs acquisitions peuvent guider la sélection. Les implémentations Vector Fixing comprennent souvent une étape de réduction automatique de l'ordre qui élimine les pôles avec des résidus négligeables, simplifie le modèle sans sacrifier la précision. Pour les méthodes Prony, la décomposition de valeur singulière de la matrice de données peut indiquer le rang effectif et donc le nombre optimal d'exponentiels.

Validation et analyse des erreurs

Pour les paramètres essentiels comme S]11, une erreur de 0,1 dB ou 1° est souvent ciblée. Les simulations de Monte-Carlo qui perturbent la forme brute d'onde dans son plancher de bruit donnent un intervalle de confiance pour les paramètres S extraits. De plus, vérifiez que le modèle final satisfait aux contraintes fondamentales : les matrices S doivent être causales (Kramers‐Kronig) et passives (valeurs propres de SHS ≤ 1). En outre, vérifiez que le modèle final satisfait aux contraintes fondamentales : les matrices S doivent être causales (Kramers‐Kronig) et passives (valeurs propres de SHS ≤ 1). En renforçant ces propriétés, par exemple par une étape de perturbation post-traitement, les vérifications de passivité automatisées peuvent être intégrées dans les résultats d'extraction de circuits.

Étude de cas : Extraire des paramètres S d'un connecteur à grande vitesse

Un raccord à carte de 40 Gb/s mesuré avec un module TDR à 35 points de montée et un oscilloscope à échantillonnage de 20 GHz permet de réaliser des résultats S[11 qui oscille de ±1,5 dB au-dessus de 15 GHz en raison de fuites spectrales. L'application d'un raccord vecteur à mémoire de temps (TD‐VF) avec un modèle à 18 pôles réduit l'oscillation à ±0,2 dB et correspond aux données VNA de référence jusqu'à 25 GHz. Le même modèle prévoit avec précision la perte d'insertion différentielle, permettant au concepteur de débrancher le connecteur des simulations de canaux avec confiance. Ce flux de travail a été validé dans plusieurs familles de connecteurs et est documenté dans des examens internes qui font référence à la méthode TD‐VF, qui permet au technicien de débrancher le connecteur à partir de simulations de canaux avec confiance.

Orientations futures

Les nouvelles applications à bande ultra large (110 GHz et au-delà) repoussent les limites des instruments de domaine temporel et des algorithmes d'extraction. L'échantillonnage assisté par photonique et les techniques électro-optiques produisent des enregistrements de domaine temporel avec une résolution de picoseconde, mais le plancher de mesure du bruit est plus élevé que celui d'un VNA. Des stratégies d'extraction hybride qui fusionnent quelques points d'ARN clairs avec des données TDR à haute résolution sont en cours d'étude. De plus, la disponibilité croissante de l'informatique accélérée GPU rend l'extraction paramétrique en temps réel possible pour les essais de ligne de production.

Conclusion

Bien que la simple transformation du temps vers la fréquence demeure un premier passage utile, elle est souvent inadéquate pour répondre aux exigences modernes en matière de haute fréquence et de bruit faible. Les techniques avancées, qui vont de l'identification des sous-espaces et de l'ajustement vectoriel au crayon à matrice et aux cartes à base d'apprentissage, dépassent les limites traditionnelles en modélisant directement la physique sous-jacente et en introduisant des étapes de déconvolution et d'étalonnage robustes. Lorsqu'elles sont mises en œuvre avec une attention particulière à la qualité d'acquisition, au choix des modèles et à l'application de la passivité, ces méthodes offrent des paramètres S qui rivalisent avec les mesures directes d'ARN.