如何建置實用且有效的數位預失真解決方案

作者:ADI 演算法建置總監Steve Summerfield 及系統架構總監Frank Kearney


摘要

根據許多推廣素材對數位預失真(DPD)的介紹,其性能是基於靜態定量資料。通常,這些材料會顯示DPD頻譜並引用鄰道洩漏比(ACLR)數字。這種方法雖然解決了基本需求,但卻沒有掌握實際部署中出現的諸多挑戰、風險和性能權衡。向5G的快速轉變帶來了大量新的挑戰和場景,演算法開發人員和設備供應商需要給予更多關注。要支撐靜態性能,必須具備在有許多元素處於變化狀態的複雜環境中保持性能和穩定性的能力。

簡介

在理想世界中,功率放大器的輸出是輸入的比例放大,除此之外與輸入完全相同,放大器使用的大部分功率貢獻在輸出訊號中。因此,其效率最大且沒有失真。但現實世界卻並非如此:實際的線性放大器的效率往往非常差。例如,電纜分配系統中使用的放大器具有優異的線性度,但這是以效率為代價來實現的。在大多數情況下,效率勉強能超過6%,其餘功率(94%)則被浪費了。浪費的功率涉及經濟、環境和應用方面的成本。在蜂巢式基地台中,電力成本占營運成本(OPEX)的50%以上。浪費的功率會增加電力使用並產生溫室氣體,而未作為無線電波發射出去的大部分功率必須作為熱量消散,需要主動和被動的熱管理。

在過去的數十年間,行動通訊產業已將PA的效率提升至超過50%的性能水準。這是透過採用智慧架構(如Doherty)和高階製程技術(如GaN)而實現的。獲得效率的同時也付出了一定的代價——線性度。在蜂巢式系統中,線性度很差有兩個主要後果:頻內失真和頻外輻射。頻內失真會破壞所發射訊號的保真度,可以透過誤差向量調變(EVM)性能的降幅來表示。帶外需要主動和被動的熱管輻射會打破3GPP輻射遮罩,可能對佔用鄰道頻率分配的營運業者造成不希望的干擾。我們通常用ACLR來衡量這方面的性能。除此之外,GaN PA帶來了額外的挑戰,因為它的電荷捕捉效應也會產生帶內失真,而這些失真是動態的,與ACLR隱含的SNR無關。

Figure 1. PA dynamic transfer function with memory effects.
圖1.具有記憶效應的PA動態轉換函數 

校正PA非線性非常重要。如果知道PA的轉換函數,則對資料運用其反函數將能消除非線性,這是一個合理的假設。然而,PA的轉換函數是動態轉換函數,其輸出至輸入特性可以被認為處於連續變化之中。此外,該動態轉換函數與一系列PA特性(包括電源、電壓和溫度)、提供給PA的輸入訊號以及PA已處理的先前訊號(記憶效應)有關。PA的動態非線性行為需要先建模,然後才能校正,因此需要數位預失真(DPD),而DPD需要適應環境的動態變化。

Figure 2. Conceptual representation of a digital predistortion system.
圖2.數位預失真系統的概念表示

圖2顯示了許多DPD系統的核心元素:觀測、估算和驅動。圖2中的概念產生了一個追蹤PA預期響應的模型,如此便可產生適當的抵消訊號來消除預測的PA非線性行為。模型有很多,例如十分普遍的廣義記憶多項式(GMP)。

Figure 3. Adjacent channel leakage with and without digital predistortion.
圖3.有和無數位預失真兩種情況下的鄰道洩漏

在線性區域中工作的PA產生的帶外失真較少,而且洩漏到相鄰通道的雜訊明顯降低,如圖3所示。圖3顯示了典型DPD測試台上的頻譜分析儀的螢幕截圖,該測試台用來演示靜態DPD性能是否達到許多ACLR合規性測試所要求的標準。

市場演變、性能增強和移動目標

自20世紀90年代以來,DPD便已在蜂巢式基地台中商用,部署量超過800萬台。行動通訊市場的技術和代次需求不斷變化(2G、3G、4G,現在是5G),對DPD的要求也在與時俱進。這些挑戰包括但不限於:更寬的頻寬、更高的功率、載波數量、更高的峰均比,以及更多的基地台數量和密集化。

設備供應商急於差異化其產品,不斷增強效率方面(相對於相關3GPP規範)的性能,其中PA效率仍然是挑戰。驅動變革的傳統因素是營運成本和熱管理(包括與之相關的硬體/重量成本),但現在,環境考慮加速了這種變化。

PA和DPD具有某種共生關係。在有些情況下,這種關係很和諧,但在另一些情況下,這種關係很棘手。與某家供應商的DPD友好相處的PA,可能與另一家供應商的DPD水火不容。通常,當DPD和PA經配置和調整後與特定應用匹配時,性能最優。然而,為了滿足5G及後續技術的激進要求,PA設計在不斷發展。因此,DPD也必須不斷演進以滿足額外的需求。隨著寬頻和雙頻應用成為常態,PA開發人員面臨著在更高頻率下實現更寬頻寬,同時滿足性能期望的挑戰。開發頻寬能力為200 MHz及以上的PA是一個挑戰,同時要確保其也能滿足3GPP規範和效率,這帶來了進一步的挑戰,而這些挑戰最終都落在DPD開發人員肩上。

瞭解挑戰

量化DPD性能不是一項簡單的任務。有許多情況和場景需要考慮——除PA外,還有其他一些影響因素。考慮性能時,需要清楚地定義測試條件的細節:在200 MHz的頻寬實現>50%的效率比在20 MHz的工作頻寬實現相同效率的挑戰要大得多。當考慮所分配頻譜內的載波放置時,情況變得更加複雜:它可能是連續的訊號,也可能是分段的載波分配,即部分頻譜被佔用。

在較高層次上,DPD性能有幾個定量指標——主要由3GPP規範或營運業者要求所定義的資料點:ACLR、EVM和效率。滿足這些要求僅僅是DPD性能冰山的一角。將穩定性和穩固性增加到需求矩陣中後,挑戰之巨大開始顯現。DPD性能有兩個關鍵方面:靜態基準性能和實際的運行動態性能。

為了刻畫動態特性的挑戰,圖4顯示了動態環境中的訊號演變,並展示了ACLR如何用連續適應的DPD加以回應。圖中的數字是名義上的。曲線提供了訊號突然變化的影響的例子,雖然極端但合法。隨著訊號變化,DPD模型要適應變化。適應事件用點表示。在訊號變化與下一自我調整之間的轉換時間中,模型和訊號存在不匹配,因此ACLR值可能上升,在瞬態期間內超過輻射規範的風險會增加。

Figure 4. Dynamic cell loading, DPD adaption, and ACLR transients.
圖4.動態單元載入、DPD適應和ACLR瞬態

適應需要一定的時間,因此始終存在瞬態。高性能DPD的挑戰在於將該模型不匹配時間減少到最小,同時確保兩個狀態之間平滑轉換。需要管理該過程,使得適應速度和對ACLR的中斷均得到考慮。重要的是要瞭解模型不匹配與訊號轉換的性質的相關性。當不匹配度很高時,DPD存在性能降低的風險,更糟糕的是無線電的穩定性降低。如果發生不穩定,DPD演算法可能會像滾雪球一樣失控,打破輻射遮罩,在最壞情況下可能損壞無線電硬體。在性能和穩定性的蹺蹺板上,穩定性始終是更重要的設計考慮因素。DPD設計必須穩固,確保在正常和異常工作條件下都能保持穩定,並能從錯誤中恢復。

高性能實用DPD解決方案的挑戰可以概括為如下要求:

  • 靜態性能(合規性測試或BTS流量負載接近恆定)
  • ACLR
  • EVM(包括作為特例的GaN)
  • 動態特性
  • 穩固性

此外,由於ADI是DPD的協力廠商供應商,因此還必須考慮以下因素:

  • 維護
  • 我們的客戶(OEM)將產品交付給其客戶(營運商)之後,解決現場出現的性能問題。
  • 進化
  • 在現場使用期間,PA技術和訊號空間應用可能改變。
  • 泛化
  • OEM可以針對每個產品精細調整DPD。我們沒有這種奢侈資源。我們必須滿足許多應用的需求,同時使可配置性和冗餘最小化。

提升DPD性能以應對挑戰

僅考慮靜態性能的話,DPD開發有一個線性漸進的因素。如果提供更多資源,我們就能提高性能。例如,更多GMP係數有助於更準確地模擬PA行為。因此,隨著頻寬加寬,這成為維持(如果不能改進)性能的一種策略。然而,這種方法有其侷限性,最終會達到一個收益遞減點——投入更多資源卻不產生收益或收益很少。DPD演算法開發人員需要採取更多創造性方法來實現進一步增強。ADI的辦法是用更一般的基礎函數和更高階Volterra產品來補充基本演算法的廣義記憶多項式。開發人員試圖創建一個能準確預測PA行為的模型,因此資料累積和資料操縱是核心基本要素。在連續時間和功率水準下捕捉資料,開發人員便有更全面的手段來進行評估和塑造模型行為。圖5是採用這種方法的系統的概念圖。請注意,更廣泛的資料捕捉/觀測節點與數位電源監控耦合。電源監控有助於動態運行。先前儲存的模型可以透過多種方式發揮作用,以減輕上面討論的動態瞬變。

Figure 5. DPD implementation with more extensive data capturing/observation.
圖5.使用更廣泛的捕獲/觀測實現DPD

近年來,GaN PA技術為DPD開發人員帶來了新的挑戰:長期記憶效應。GaN製程技術在效率、頻寬和工作頻率方面具備許多特有的優勢。然而,它存在所謂的電荷捕捉效應。GaN的電荷捕捉是一種長期記憶效應,先有捕捉,然後是熱解除捕捉。基於GMP的DPD糾正了一些誤差,但仍有殘餘誤差會繼續影響訊號品質。這種失真引起EVM的相應升高。圖6提供了該現象的圖形表示。注意PA增益波動和這些波動的時間性。另請注意捕捉和解除捕捉狀態,解除捕捉發生在較低功率符號上。

Figure 6. Long-term gain errors introduced by GaN PA charge trapping.
圖6.GaN PA電荷捕捉引入的長期增益誤差

時間效應是長期的,傳統方法表示要採集大量的樣本點,因而需要儲存和處理大量資料。記憶體成本、矽片面積和處理成本使得這種方法不是商業DPD部署的可行選擇。DPD開發人員必須以有利於高效實現和運行的方式消除電荷捕捉的影響。電荷捕捉校正(CTC)是我們的 ADRV9029 收發器支援的一項特性,其功耗和計算時間成本均很低。已經證明,EVM能恢復到EVM 3GPP規範內的水準。下一代收發器(即將到來的ADRV9040)擁有更精密的解決方案,預計它能在動態場景中提供增強的性能,並且覆蓋數量越來越多、電荷捕捉特性各不相同的GaN PA應用。

Figure 7. Balancing all the elements of DPD performance with the challenges.
圖7.平衡DPD性能的所有要素和挑戰

如上所述,DPD實現的穩定性非常重要。穩固性透過不斷監測內部狀態並提供對異常狀況的快速回應來實現。

ADI解決方案的泛化透過測試許多供應商的廣泛PA樣品來實現,我們和很多供應商建立了共生的技術關係。

結論

介紹DPD性能時,重點往往是性能的靜態方面。雖然EVM和ACLR的衡量標準仍然有效,但必須更多地關注限定這些測量的運行條件和要求的組合。5G NR的需求繼續推動應用要求的提高,再加上對更高PA效率的渴望,導致DPD演算法開發的挑戰進一步加大。

當我們開始評判DPD性能時,我們需要一個整體方法來處理:

  • 靜態性能
  • 動態性能
  • 穩固性
  • 穩定性

勉強符合規範的DPD可能不受歡迎,會造成暫時不合規範的情況出現的DPD可能令營運業者不安。更災難性的是,DPD會變得不穩定並導致非法輻射和PA的失效。不應將DPD演算法視為現成的東西。根據PA和應用的具體情況調整DPD才能實現優化性能,但演算法敏捷性和開發/現場支援也是重要的考慮因素。有效的DPD演算法可以為系統帶來相當大的好處。不應低估需求和性能評估的複雜性。