Beamforming Research for Near-field Linear Sparse Array Based on Unmanned Aerial Vehicle Swarm
-
摘要: 无人机集群构成的天线阵列常呈现近场、稀疏特性，经典波束形成理论无法适配。为此，该文首先构建了近场均匀线阵信号模型，通过对信号相位差函数进行泰勒展开近似提出基于线性调频脉冲压缩处理的近场波束形成简化实现方法，并以此为基础在空间-频率2维域内对近场波束形成特性进行了分析：从空间频率偏移和带宽失配的角度，分析得到了近场波束的方位向增益变化特性和距离向增益变化特性；从空间欠采样的角度，研究提出了阵元稀疏分布条件下近场波束栅瓣分布的解析表达式。仿真证明了该文结论的有效性，为利用波束形成技术提高无人机集群的通信、电子侦察、干扰能力提供了理论支撑。Abstract: The antenna array composed of UAVs (Unmanned Aerial Vehicle Swarm) often presents near-field and sparse characteristics, which can not be adapted by the classical beamforming theory. Therefore, the near-field uniform linear array signal model is first constructed, and a simplified implementation method of near-field beamforming based on linear frequency modulation pulse compression by Taylor expansion of the signal phase difference function is proposed. Then the characteristics of near-field beamforming are analyzed in the two-dimensional space-frequency domain. From the perspective of spatial under sampling, the analytical expression of near-field beam grating lobe distribution under the condition of sparse array elements is proposed. From the perspective of spatial frequency offset and bandwidth mismatch, the variation characteristics of azimuth gain and range gain of near-field beam are analyzed and obtained. Simulation results show the effectiveness of the conclusions, and provide a theoretical support for using beamforming technology to improve the communication, reconnaissance and jamming capabilities of UAVs.
-
1. 引言
有限元分析(Finite Element Analysis, FEA)是将连续介质离散成有限的单元，使无限自由度的问题转化成有限自由度的问题，再使用计算机进行计算[1]。在进行数据分析之前，需对待分析的物体做网格剖分，网格划分的质量直接影响到计算结果的好坏。一个高质量的网格剖分，要结合计算时间和工程精度要求，设定合理的网格数量和相对网格密度[2,3]。
有限元离散误差是评估有限元模型仿真精度的主要依据。误差估计方法可分为“前误差估计”和“后误差估计”[4]，关于后误差估计方法前人已经做了大量的研究，如文献[5]基于极小化总势能和极大化应变能等原理建立了基本框架对离散误差进行评估。文献[6]针对线性椭圆问题用局部误差指标定义了最优网格，并给出了误差的界限。文献[7]在误差估计方面做了大量富有成效的研究，并提出采用能量范数度量两应力场间的差值表示离散误差，文献[8]证明了这种方法的有效性。文献[9]提出有限元法通常在保证收敛性时是按能量收敛。
在有限元分析中网格尺寸大小的确定是一个较大的问题。本文通过在高压输电环境中建立不同复杂度的3维人体模型；对人体模型进行自适应剖分和不断细化网格单元大小的手动剖分的研究，以能量误差(EnergyError)为判据指导模型的建立和最佳剖分尺寸的设置。
2. 网格剖分
2.1 有限元网格自适应剖分
自适应网格剖分是一种场量计算方法，在生成的初始网格的基础上，通过自动估计网格剖分误差和网格细分得到合理的网格[10,11]。它是通过循环实现网格加密，如图1所示。
2.2 有限元离散误差的基本理论
有限元法中可用范数进行误差度量，其中能量范数的误差度量法是指对模型中的每个单元进行能量误差估计[12]。误差分为局部误差和全局误差[13]。每个单元的误差称为局部误差，将所有的单元误差求和即得到全局误差。
对于线弹性力学问题，令
Ω 为有界域，Γ=Γt∪Γμ 为其边界条件，则基本方程可表示为Lμ−f=STDSμ−f=0 (1) 其中，
σ=DSμ,在Ω区内 (2) n⋅σ=t,在边界Γt上μ=μ,在边界Γμ上} (3) 其中，L为线性微分算子，
L=STDS ;μ 为位移；f为体积力矢量；D为弹性常数矩阵；S为应变微分矩阵；σ 为应力。将式(1)离散后，有限元方程为
Kμ=R (4) 式中，K为总刚度矩阵；R为载荷列向量。
有限元单元i的能量误差为
ei=12∫Ω(σ∗−ˆσ)T[D]−1(σ∗−ˆσ)dΩi (5) 式中，
Ωi 为单元i的有界域体积；[D]表示弹性矩阵；(σ∗−ˆσ) 为有限元应力误差，ˆσ 为应力近似解，σ∗ 为ˆσ 修匀得到的改进应力解。将所有单元能量误差相加得单元总能量误差为
e=Nr∑i=1ei (6) 式中，
Nr 为总的单元数。在有限元软件中，采用全域能量误差作为有限元计算控制标准，计算公式为
E=(eU+e)12×100% (7) 式中，
U 为单元总应变能；e 为单元总能量误差。本文中，以式(7)计算得的能量误差作为精度评估依据，研究输电线路有限元模型在不同网格剖分方案下的能量误差，从而选择合适的网格剖分尺寸。
3. 仿真模型的建立
有限元分析的核心思想是结构的离散化，即有限元网格剖分。它是有限元分析中至关重要的一步，直接影响计算结构的精确度[14]。由此可见，建立高压输电线路系统模型，并进行合理的网格剖分是高压输电线路有限元分析中最重要的一步。
3.1 输电线路有限元模型
本文根据国家电网公司配电网工程典型设计中的Z1-2单回直线水泥单杆杆头示意图(其中L为0.8 m)，如图2(a)所示。采用Ansoft Maxwell仿真软件建立相应的输电线路有限元模型，如图2(b)所示。在Ansoft Maxwell中进行瞬态电场研究。
在无人情况下空间电场强度仿真结果分布图如图3所示，为了方便观察将立体图的场强最大值设置为30 kV/m，剖面图场强最大值设置为10 kV/m。从图中可以看出电场强度是从导线向四周不断减小的形式变化。
3.2 人体模型的建立
人体结构复杂，其内部含有大量可能受电场作用的带电粒子，这是因为人体内部有各种生物分子。在外加电场作用下，会使人体生物组织表现出传导性和介电性[15]。本文并不着眼于人体某个部位的具体分析，因此建立3种不同复杂程度3维简化人体模型，如图4所示。
其中人体模型的尺寸如表1所示。
表 1 人体模型尺寸(m)人体模型I 人体模型II 人体模型III 脚 身体 脖子 头 脚 身体 手臂 脖子 头 半径 0.28 0.19 0.24 0.10 0.17 0.05 0.12 0.03 0.04 0.20 高度 1.71 0.70 0.65 0.08 无 0.80 0.70 0.75 0.08 无 3.3 实际案例的有限元模型仿真
根据实际环境和对象参数，在Ansoft Maxwell中建立输电线路有限元模型。考虑到空间中人体可能带来的影响，加入人体模型进行仿真。仿真结果如图5所示。为了方便观察将立体图的场强最大值设置为102 kV/m，剖面图的场强最大值设置为10 kV/m。将仿真结果与图3对比，可知放入人体模型后空间电场的衰减比无人时更快。电场强度分布规律均由输电导线向四周不断减小，在人体附近空气场强要比无人体处的场强度大，在靠近导线一侧的人体头部尤为突出，这表明人体的加入使其周围空气中的电场发生严重畸变。这是因为人体的相对介电常数非常大，可近似为一接地导体，且感应电荷随人体与正极板距离的增加而减少。因此，在靠近导线一侧的人体头部离正极板较近，会聚集有大量感应电荷，场强增大；随着人体各个部分离正极板距离的增加，场强也会随之减小。
4. 网格剖分优化仿真
4.1 自适应网格剖分
对3种人体模型以身高为权重求半径的方差和进行自适应网格剖分仿真分析，得到不同人体模型的方差和能量误差，如表2所示。
表 2 不同人体模型的方差和自适应网格剖分能量误差人体模型类型 人体模型I 人体模型II 人体模型III 能量误差(%) 21.0735 22.4244 26.8348 方差(m2) 0 0.036 0.050 根据表2，可以拟合出能量误差随着人体模型方差的变化规律，如图6所示。
从图6中可知能量误差随着人体模型方差的增大而增大。因为人体模型方差越大表示建立的人体模型越复杂，在进行有限元网格剖分时模型越复杂产生的误差就越大。因此，可以根据人体模型能量误差来指导模型的选择。
4.2 手动网格剖分
对人体模型进行不同网格剖分设置，并仿真分析。从1.2节的有限元离散误差分析中可知，最大能量误差在一定程度上体现了计算结果的精度，因此本文选择最大的能量误差作为误差大小判断依据。本节仿真分析了3种人体模型进行手动网格剖分设置后的能量误差变化。如图7所示。从图中可知，电场中的能量误差随着计算部分网格剖分单元边长的增大而增大。
图7拟合的对数函数分别为
yI=0.928ln(x)+22.093yII=0.0875ln(x)+21.937yIII=0.3549ln(x)+24.625} (8) 分别对3个拟合的对数函数进行求导得
y′I=0.928xy′II=0.0875xy′III=0.3549x} (9) 从图7中可知能量误差越小，则模型的计算复杂度就越大，所占用的系统资源和分析时间越大。在实际中要结合计算时间、计算机内存和工程精度要求等因素，使得计算复杂度和能量误差达到一个均衡状态。因此，令
y′=1 为最佳网格剖分点，求得人体模型I、人体模型II和人体模型III的最佳剖分尺寸分别为0.928 m, 0.0875 m和0.3549 m。对3种模型选择相同的网格剖分尺寸，如选择网格尺寸为0.2 m和0.5 m。它们的网格数差，如表3所示。从表中看出，全局网格数变化及人体网格数变化最小的是人体模型II，其次为人体模型III，最后为人体模型I。使得人体模型II的仿真结果能量误差变化最小，其次为人体模型III，最后为人体模型I。从而求得的x为人体模型II最小，其次为人体模型III，最后为人体模型I。
表 3 网格尺寸0.2 m和0.5 m的模型网格数变化人体模型I 人体模型II 人体模型III 全局网格数 网格尺寸0.2 m 281086 282154 285858 网格尺寸0.5 m 277204 280179 283806 网格数差 全局网格数差 3882 1975 2052 人体网格数 网格尺寸0.2 m 2646 2769 4987 网格尺寸0.5 m 566 1579 3615 网格数差 人体网格数差 2080 1190 1372 5. 结束语
本文在分析了有限元网格自适应剖分及有限元离散误差的基础上，采用Ansoft Maxwell仿真软件，建立3种不同复杂程度的人体模型，并对3种人体模型进行自适应剖分和手动剖分的仿真，分析了能量误差的变化趋势，研究结果可用于对人体模型的选择提供参考和对不同模型的最佳网格剖分尺寸进行估计。本文的研究成果，对其它有限元网格剖分方案的研究也具有一定的参考价值。
-
[1] BARB G, OTESTEANU M, ALEXA F, et al. Digital beamforming techniques for future communications systems[C]. The 12th International Symposium on Communication Systems, Networks and Digital Signal Processing, Porto, Portugal, 2020: 1–4. [2] HAMID U, QAMAR R A, and WAQAS K. Performance comparison of time-domain and frequency-domain beamforming techniques for sensor array processing[C]. The 2014 11th International Bhurban Conference on Applied Sciences & Technology, Islamabad, Pakistan, 14th - 18th January, 2014, Islamabad, Pakistan, 2014: 379–385. [3] 张苗苗, 刘益嘉, 王梦玄, 等. 超声平面波同相正交信号频域波束形成算法[J]. 声学学报, 2021, 46(1): 121–129. doi: 10.15949/j.cnki.0371-0025.2021.01.012ZHANG Miaomiao, LIU Yijia, WANG Mengxuan, et al. Fourier-based ultrasound plane wave beamforming using in-phase and quadrature data[J]. Acta Acustica, 2021, 46(1): 121–129. doi: 10.15949/j.cnki.0371-0025.2021.01.012 [4] HUANG Hao, PENG Yang, YANG Jie, et al. Fast beamforming design via deep learning[J]. IEEE Transactions on Vehicular Technology, 2020, 69(1): 1065–1069. doi: 10.1109/TVT.2019.2949122 [5] ZURAKHOV G, FRIEDMAN Z, BLONDHEIM D S, et al. High-resolution fast ultrasound imaging with adaptive-lag filtered delay-multiply-and-sum beamforming and multiline acquisition[J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2019, 66(2): 348–358. doi: 10.1109/TUFFC.2018.2886182 [6] ZHU Lipeng, ZHANG Jun, XIAO Zhenyu, et al. 3-D beamforming for flexible coverage in millimeter-wave UAV communications[J]. IEEE Wireless Communications Letters, 2019, 8(3): 837–840. doi: 10.1109/LWC.2019.2895597 [7] XIAO Zhenyu, ZHU Lipeng, and XIA Xianggen. UAV communications with millimeter-wave beamforming: Potentials, scenarios, and challenges[J]. China Communications, 2020, 17(9): 147–166. doi: 10.23919/JCC.2020.09.012 [8] RAJAMÄKI R, CHEPURI S P, and KOIVUNEN V. Hybrid beamforming for active sensing using sparse arrays[J]. IEEE Transactions on Signal Processing, 2020, 68: 6402–6417. doi: 10.1109/TSP.2020.3032657 [9] 韩国栋, 贾春来, 高冲, 等. 一种基于无人机群的三维组阵天线[P]. 中国专利, 110635255A, 2019.HAN Guodong, JIA Chunlai, GAO Chong, et al. Three-dimensional array antenna based on unmanned aerial vehicle group[P]. China Patent, 110635255A, 2019. [10] BAO Chaoying, FARAG G, and PAN J. Comparison of the performance of time domain and time-frequency domain adaptive beamforming[C]. OCEANS'10 IEEE OCEANS, Sydney Australia, 2010: 1–4. [11] NGUYEN D, ZOMORRODI M, KARMAKAR N, et al. Efficient beamforming technique based on sparse MIMO array and spatial filter bank[J]. IEEE Antennas and Wireless Propagation Letters, 2020, 19(7): 1147–1151. doi: 10.1109/LAWP.2020.2991993 [12] DING Yipeng and LI Zhengmin. A blind beamforming algorithm based on time-frequency analysis technology[C]. The 2021 6th International Conference on Intelligent Computing and Signal Processing, Xi’an, China, 2021: 367–371. [13] 黄俊生, 苏洪涛. 二维相控阵-MIMO雷达联合发射子阵划分和波束形成设计方法[J]. 电子与信息学报, 2020, 42(7): 1557–1565. doi: 10.11999/JEIT190429HUANG Junsheng and SU Hongtao. Joint transmitting subarray partition and beamforming design method based on two-dimensional phased-MIMO radar[J]. Journal of Electronics &Information Technology, 2020, 42(7): 1557–1565. doi: 10.11999/JEIT190429 [14] 彭芳, 吴军, 王帅, 等. 基于SVRGD的机载预警雷达自适应波束形成算法[J]. 系统工程与电子技术, 2021, 43(1): 83–90. doi: 10.3969/j.issn.1001-506X.2021.01.11PENG Fang, WU Jun, WANG Shuai, et al. Adaptive beamforming algorithm for airborne early warning radar based on SVRGD[J]. Systems Engineering and Electronics, 2021, 43(1): 83–90. doi: 10.3969/j.issn.1001-506X.2021.01.11 [15] 吕岩, 曹菲. 基于线性约束最小方差的稳健波束形成算法[J/OL]. 北京航空航天大学学报, 2022: 1–12. https://doi.org/10.13700/j.bh.1001-5965.2021.0280, 2022LYU Yan and CAO Fei. Robust beamforming based on linear constraint minimum variance algorithm[J/OL]. Journal of Beijing University of Aeronautics and Astronautics, 2022: 1–12. https://doi.org/10.13700/j.bh.1001-5965.2021.0280, 2022 [16] LIU Shuai, CAO Yunhe, YEO T S, et al. Range sidelobe suppression for randomized stepped-frequency chirp radar[J]. IEEE Transactions on Aerospace and Electronic Systems, 2021, 57(6): 3874–3885. doi: 10.1109/TAES.2021.3082670 [17] JIA Fengde, SUN Guohao, HE Zishu, et al. Grating-lobe clutter suppression in uniform subarray for airborne radar STAP[J]. IEEE Sensors Journal, 2019, 19(16): 6956–6965. doi: 10.1109/JSEN.2019.2912827 [18] ZHU Rongqiang, ZHOU Jianxiong, JIANG Ge, et al. Grating lobe suppression in near range MIMO array imaging using zero migration[J]. IEEE Transactions on Microwave Theory and Techniques, 2020, 68(1): 387–397. doi: 10.1109/TMTT.2019.2941188 [19] HU Cheng, CHEN Zhiyang, DONG Xichao, et al. Multistatic geosynchronous SAR resolution analysis and grating lobe suppression based on array spatial ambiguity function[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(9): 6020–6038. doi: 10.1109/TGRS.2020.2969573 [20] 刘雄厚, 孙超, 杨益新, 等. 利用发射栅瓣的成像方法[P]. 中国专利, 201510209224.8, 2015.LIU Xionghou, SUN Chao, YANG Yixin, et al. Imaging method through transmitting grating lobes[P]. China Patent, 201510209224.8, 2015. [21] 张嘉焱. 高功率微波空间功率合成的初步研究[D]. [硕士论文]. 国防科学技术大学, 2006.ZHANG Jiayan. Primary study on spatial powers combining of high power microwave[D]. [Master dissertation]. National University of Defense Technology, 2006. [22] 傅文斌. 微波技术与天线[M]. 2版. 北京: 机械工业出版社, 2013: 203–205.FU Wenbin. Microwave Technology and Antenna[M]. 2nd ed. Beijing: China Machine Press, 2013: 203–205. 期刊类型引用(2)
1. 程姣，王利刚，高文斌，陶婷. 基于元分析模型的师生动机感染仿真研究. 现代电子技术. 2022(15): 109-112 . 
百度学术2. 闻小龙，杨鹏飞，储昭志，彭春荣，刘宇涛，吴双. 基于MEMS的距离自适应型非接触静电仪. 电子与信息学报. 2021(10): 3068-3074 . 
本站查看其他类型引用(2)
-
下载:
下载:
百度学术
计量
- 文章访问数: 1071
- HTML全文浏览量: 370
- PDF下载量: 304
- 被引次数: 4
下载:
