top of page

RF 功率放大器 (PA) 測試:效率、線性度與 ACLR 的核心權衡

  • 作家相片: Sonya
    Sonya
  • 11月6日
  • 讀畢需時 6 分鐘

在任何無線發射系統中,功率放大器 (Power Amplifier, PA) 都扮演著如同「引擎」般的關鍵角色,它是 RF 鏈路中將直流電源轉換為射頻能量的最後一級,也是系統中最大的單一功耗來源;因此,PA 的性能直接決定了兩個最關鍵的系統指標:終端設備的電池續航力(效率),以及訊號對鄰近頻道的干擾程度(線性度)。


不幸的是,這兩個目標——追求極致的效率和完美的線性度——在物理上是根本對立的,RF 測試工程的核心任務之一,就是精確地量化這場「博弈」的結果。


ree

理想與現實:放大器的物理特性


一個「理想」的放大器是一個完美的線性元件,輸入訊號無論大小,其輸出都應是輸入訊號的精確、等比例放大,若增益為 10 倍,1 毫瓦 (mW) 的輸入應變為 10 mW,5 mW 的輸入應變為 50 mW。


然而,現實中的放大器(由電晶體構成)有其物理極限,這個極限稱為飽和點 (Saturation Point),當輸入訊號的功率持續增大,放大器最終會達到其最大的能量輸出能力,一旦接近這個飽和點,放大器的「增益 (Gain)」便不再是恆定的。


這種現象稱為增益壓縮 (Gain Compression)



效率的驅動:為何要「擁抱」飽和


PA 的效率(通常用功率附加效率, PAE 來衡量)是衡量其將直流電源(來自電池或電源供應器)轉換為有效 RF 訊號能量的能力,一個效率為 30% 的 PA,意味著其消耗的 10 瓦 (W) 直流電中,只有 3W 成為了射頻訊號,而高達 7W 的能量則以「熱」的形式被浪費掉。


在物理層面,電晶體作為一個開關元件,其最高效率的運作區間,恰恰位於其完全導通(飽和區)或完全截止的狀態;相反地,當它工作在「線性區」(即輸入和輸出成完美比例的區域)時,它更像一個可變電阻,會消耗大量能量並產生巨額廢熱。


這就產生了第一個核心驅動:


  • 對於手持設備(手機):為了最大化電池續航力,PA 必須盡可能高效地運作。

  • 對於基地台:為了降低營運成本 (OPEX) 和解決龐大的散熱問題,PA 同樣必須追求高效率。


結論是:系統設計的強烈需求,迫使 PA 必須被驅動到盡可能接近其飽和點的狀態下運作。


飽和的代價:非線性失真及其「產物」


當 PA 為了效率而被迫在增益壓縮區(即非線性區)運作時,它便不再能「忠實」地放大訊號。


想像一個完美的正弦波訊號被輸入到一個處於壓縮狀態的 PA,當正弦波的波峰試圖要求 PA 輸出超過其飽和點的功率時,PA「無能為力」,只能輸出其最大功率,結果是,輸出的波形頂部被「削平」了 (Clipped)。


這種時域 (Time Domain) 上的「削波」,在頻域 (Frequency Domain) 上會產生災難性的後果;根據傅立葉變換的基本原理,一個被削平的波形,在數學上等同於在原始單一頻率訊號的基礎上,增加了許多新的、原本不存在的諧波 (Harmonics) 和交互調變產物 (Intermodulation Products)


這就是非線性失真,這種失真在測試儀器上會以兩種主要的「產物」形式出現。


產物一:頻譜再生 (Spectral Regrowth) 與 ACLR


在現代通訊中,訊號並非簡單的正弦波,而是由數千個子載波疊加而成的複雜波形(如 5G NR 使用的 OFDM),當這種複雜訊號被 PA「削波」時,產生的失真不再是簡單的諧波,而是一種更為複雜、看似雜訊的能量擴散。


這種失真能量會「濺灑」或「再生」到訊號原始頻寬之外、緊鄰主通道的區域,這就是頻譜再生 (Spectral Regrowth)


這種「濺灑」的能量,對於使用鄰近頻道的其他用戶或系統而言,就是純粹的「干擾」,

為了量化這種干擾的嚴重程度,業界定義了關鍵的測試指標:鄰近通道洩漏比 (Adjacent Channel Leakage Ratio, ACLR)


ACLR 量測的是主通道內的總功率,與洩漏到鄰近通道內的總功率之間的比值,這個比值越低(例如 -45 dBc),代表洩漏越少,線性度越好;反之,一個高效率但處於深度壓縮的 PA,其 ACLR 結果會非常差(例如 -30 dBc),這意味著它正在向鄰居頻道「大聲吶喊」,造成嚴重干擾。


因此,ACLR 測試成為了量化「線性度」最直接、最重要的法規指標。


產物二:帶內失真 (In-Band Distortion) 與 EVM


失真產物並非「只」濺灑到通道之外,同樣的非線性效應,也會對通道「內部」的訊號品質造成破壞。


在數位調變中,資訊被承載在星座圖 (Constellation Diagram) 上每個點的精確幅度和相位上,當 PA 發生增益壓縮時,它會「壓縮」星座圖上那些代表高功率的、最外圍的點,它們的實際幅度會小於理想值,導致它們向星座圖中心「塌陷」。


這種幅度壓縮(以及伴隨的相位扭曲, AM-PM)被一個綜合指標所捕捉:誤差向量幅度 (Error Vector Magnitude, EVM)


因此,一個處於壓縮狀態的 PA,不僅會導致 ACLR 變差(干擾鄰居),也會直接導致 EVM 惡化(破壞自身訊號品質)。


5G 訊號的挑戰:高峰均功率比 (PAPR) 的「暴政」


在 2G/3G 時代,訊號相對簡單,PA 的線性度挑戰還算可控;然而,4G (LTE) 和 5G (NR) 所採用的 OFDM/OFDMA 技術,將這個問題推向了極致。


OFDM 訊號的本質,是數千個獨立的子載波訊號在時域上的疊加,在極罕見的瞬間,所有子載波可能同相疊加,產生一個瞬時的、功率極高的「峰值」;而在其他大多數時間,它們相互抵消,維持在一個相對較低的「平均功率」。


這就產生了高峰均功率比 (Peak-to-Average Power Ratio, PAPR) 的特性。


5G 訊號就像一個「喜怒無常」的訊號:它 99% 的時間都處於低平均功率,但會隨機爆發出比平均功率高 10 到 14 dB 的巨大峰值。


這給 PA 設計帶來了終極的兩難困境:


  1. 若為「平均功率」優化:PA 會被設定在一個較高的工作點以獲取高效率,但當那 14 dB 的「巨峰」訊號突然到來時,PA 會被瞬間推入深度飽和,產生嚴重的削波,這會導致災難性的頻譜再生,使 ACLR 測試徹底失敗。

  2. 若為「峰值功率」優化:為了「容納」那個罕見的 14 dB 巨峰而不產生削波(即保持線性),PA 必須將其工作點設置得「極低」,這就是功率回退 (Power Back-off)


「功率回退」:以效率為代價的妥協


功率回退(例如 10 dB 的回退)意味著 PA 的平均工作功率,遠遠低於其能夠高效運作的飽和點。


PA 被迫在其最沒有效率的線性區域深處運作,其結果是:


  • 線性度極佳:巨峰訊號有足夠的「淨空」(Headroom),ACLR 測試結果非常漂亮。

  • 效率極差:PA 的效率可能從 50% 驟降至 10% 以下,這意味著 90% 的能量(來自電池)被直接轉化為廢熱。


這就是 RF 系統中最核心的權衡:在面對高 PAPR 訊號時,良好的 ACLR(線性度)是以犧牲 PA 效率為直接代價換來的。


量測策略:解讀這場博弈


作為測試工程師,職責不僅是報告「通過」或「失敗」,更是要精確地量化這場權衡。


  1. 量測「壓力源」:CCDF 在評估 PA 之前,首先要量化訊號本身的「壓力」有多大,互補累積分布函數 (Complementary Cumulative Distribution Function, CCDF) 是用於此目的的關鍵工具,CCDF 曲線回答了一個問題:「訊號功率超過其平均功率 X dB 的機率有多大?」這條曲線精確地定義了訊號的 PAPR 特性,也決定了 PA 需要多少「回退」才能保持線性。

  2. 量測「外部干擾」:ACLR 這是最重要的法規測試,在量測 5G 這種「類雜訊」訊號的 ACLR 時,儀器設定至關重要,必須使用均方根 (RMS) 檢波器 (Detector),若錯用「峰值 (Peak)」檢波器,儀器只會抓取雜訊的瞬時峰值,導致 ACLR 讀數「看起來」比實際情況好上 5-10 dB,這是一個會導致災難性干擾的虛假結果,RMS 檢波器能正確積分鄰近通道內的「真實平均功率」,是唯一準確的量測方法。

  3. 量測「內部品質」:EVM EVM 提供了 PA 非線性對訊號本身影響的精確診斷,透過觀察星座圖(例如外圍點的「壓縮」),可以直觀地將 EVM 的惡化歸因於 PA 的增益壓縮。


量化「妥協」的藝術


功率放大器的測試,本質上不是在尋找一個「完美」的元件,而是在量化一個多維度的「妥協」


系統設計者永遠在 PA 的效率(電池壽命)、線性度(ACLR 干擾)和成本之間走鋼索。而高 PAPR 訊號,就是那條使鋼索繃緊的外力。


為了打破這種「回退詛咒」,業界發展出了如數位預失真 (Digital Pre-Distortion, DPD) 這樣的先進技術——在訊號進入 PA 之前,就對其進行精確的「反向扭曲」,以抵銷 PA 即將產生的失真,這使得 PA 可以被推向更接近飽和的高效率區域,同時仍維持可接受的 ACLR。


但無論技術如何演進,效率與線性度之間的物理衝突始終存在。RF 測試的核心價值,就是提供精確、可靠的數據(特別是準確的 ACLR 和 EVM 量測),使設計者能夠在這場永恆的博弈中,做出最明智的工程決策。

Subscribe to AmiNext Newsletter

Thanks for submitting!

  • LinkedIn
  • Facebook

© 2024 by AmiNext 金融與科技筆記

bottom of page