基于CST相控阵天线快速设计方法

分享到:

在上世纪三十年代,相控阵技术就已经出现在军事领域的雷达应用中。近年来随着模拟微波/毫米波集成电路(MMIC)技术、数字波束形成技术、计算机及信号处理技术突飞猛进的发展,相控阵理论也得到了长足的发展,结合相控阵理论的天线技术也成为天线领域里的一个热门话题。相控阵雷达成为近几年快速发展的一种新型雷达,主要的优点在于其搜索跟踪目标时,阵列天线是固定的,只要改变天线阵元间的相位差,即可达到使天线方向图进行无惯性扫描的目的,避免了使阵列天线做机械转动时的一系列问题。并且通过改变天线阵元馈电幅度的 大小,也可以使天线阵方向图的形状进行一定的改变,以便应对不同的需求。目前,相控阵雷达已经成为一个具有多目标搜索跟踪、高自适应能力的先进检测系统。
 
当前计算机技术和各种三维电磁软件的发展,为天线设计提供了强大的辅助,目前使用较多的有FEKO,HFSS,CST等软件,本文采用CST设计一款相控阵天线,实现波束扫描,相对于传统方法,大大节省计算资源和时间。
 
1、单元设计
 
这里方便起见,采用背馈的微带天线,模型如下
 
CST相控阵天线
CST相控阵天线
 
本文设计在73.5GHZ左右,经过不断优化仿真,得到回拨损耗如下图
 
CST相控阵天线
 
上图可知,-10db带宽为71GHz---76.5GHz。
 
天线单元的增益比较重要,太小的话会影响天线阵列的性能,根据相关理论,天线单元没翻倍,增益将增加3dB左右,当然这是在理想情况下,也就是耦合很小情况。
 
CST相控阵天线
 
上图可知,微带单元的最大辐射方向垂直于贴片,最大增益为7.64dB,符合常规要求。
 
2、阵列快速建立
 
接下来打开CST阵列快速建模功能如下如,这里采用椭圆形,单元个数在x方向为30个,y方向为20个。间隔3mm。
 
CST相控阵天线
 
为了有效减低副瓣,采用泰勒综合功能
 
CST相控阵天线
 
上图可知,在周边幅度尽量小,中心大,这样可以有效得到低副瓣。
 
CST相控阵天线
 
生成阵列模型,运行仿真。
 
CST相控阵天线
CST相控阵天线
 
有源s11如下
 
CST相控阵天线
 
副瓣电平-29.8dB,3db波束宽度为4.8deg。
 
3、实现波束扫描
 
接下来进行30度扫描只需在参数指定最大方向theta为30deg即可。
 
CST相控阵天线
CST相控阵天线
CST相控阵天线
 
上图可知最大方向为30deg 。
 
CST相控阵天线
 
CST相对于HFSS软件来说,占用内存相对较小,上图是整个模拟情况的日志,仿真总的占用内存约3.2G,网格数量为8864208,仿真总的耗时为1小时6分5秒,使用的是i5的5代4核笔记本。
 
继续阅读
一文讲解无线通信领域的混频器和调制器

在所有的无线设计中,混频器和调制器都支持变频并实现通信。它们确定整个信号链的基本规格。它们的接收信号链具有最高功率,对来自发射通路中的数模转换器(DAC)的信号进行上变频,并实现数字预失真(DPD)系统,从而影响整个通信系统的性能。那么,基本混频器的工作原理如何?有哪些重要规格要考虑?目前有哪些混频器和调制器方案可用来改进和简化系统设计?

存储器技术发展概述

半导体存储技术在电子设计中占有重要的地位,在几乎任何包含处理器的系统中都会用到各种各样的存储器。 随着处理器的进化和发展,存储技术也跟随着不断进步。 另外,随着处理器和计算机系统而不断复杂的软件系统,也对存储技术提出越来越高的要求,新型的存储技术因此不断涌现。 然而,当今的主流存储技术在可预见的将来仍然会被大量应用在计算机系统、数码相机、智能手机等电子设备当中。

I2C总线的工作原理

I2C总线是一种十分流行并且强大的总线,其多用于一个(或多个)主机与单个或多个从设备通讯的场景。图1表明了多种不同的外设可以共享这种只需要两根线便可以连接到处理器的总线,相对于其他接口来说,这也是I2C总线可以提供的最大优势之一。这篇应用笔记的目标是帮助大家理解I2C总线是如何工作的。

引线键合和倒装焊封装制程工艺详解

系统级封装技术已经成为电子技术研究新热点和技术应用的主要方向之一,SIP封装工艺作为SIP封装技术的重要组成部分,值得从事相关技术行业的技术人员和学者进行研究和学习,引线键合和倒装焊作为系统级封装的两种工艺,各有其特点和优势,需要根据具体生产要求进行选择。

机器视觉的三种种目标识别方法讲解

随着机器视觉技术的快速发展,传统很多需要人工来手动操作的工作,渐渐地被机器所替代。传统方法做目标识别大多都是靠人工实现,从形状、颜色、长度、宽度、长宽比来确定被识别的目标是否符合标准,最终定义出一系列的规则来进行目标识别。这样的方法当然在一些简单的案例中已经应用的很好,唯一的缺点是随着被识别物体的变动,所有的规则和算法都要重新设计和开发,即使是同样的产品,不同批次的变化都会造成不能重用的现实。而随着机器学习,深度学习的发展,很多肉眼很难去直接量化的特征,深度学习可以自动学习这些特征,这就是深度学习