何發(fā)瑛 黃峻健 趙毓斌 須成忠

1(中國科學院深圳先進技術研究院 深圳 518055)2(中國科學院大學 北京 100049)3(中山大學微電子科學與技術學院 珠海 519082)4(澳門大學智慧城市物聯(lián)網國家重點實驗室 澳門 999078)

1 引 言

信息科學技術的高速發(fā)展，為在深度與廣度兩個維度的海洋研究拓展提供了有力的支撐。其中，水下設備的能量供給和數(shù)據傳輸具有巨大和迫切的需求，如可以持續(xù)水下作業(yè)的水下機器人、水下傳感器等。但在能量供給方面，因為水下設備防水的緣故，需要采用防水電纜或頻繁更換電池，這樣大大影響了水下設備單次作業(yè)的時間以及可移動范圍。

無線充電技術可以協(xié)助水下設備擺脫電池壽命的局限，支持水下設備長時間大范圍的持續(xù)作業(yè)。當前主流的無線充電技術有磁感應式和磁耦合諧振式兩種。麻省理工學院與伍茲霍爾海洋研究所共同研發(fā)的水下無線充電平臺、及德國 MESA 公司設計的水下無線充電裝置，均使用了基于電磁感應的無線充電技術[1-2]。其中電磁感應方式對收發(fā)設備之間的距離以及穩(wěn)定性要求非常高。另有一些研究表明，采用磁共振無線充電技術方案，具有充電效率較高、自由度大和距離遠的優(yōu)勢。早期的研究證明，基于磁共振耦合的水下無線充電可在 15 cm 的距離下，實現(xiàn) 1 kW級別的能量傳輸[3]。日本電氣股份有限公司(NEC)研制的水下無線充電(WPT)系統(tǒng)，在間距 5 cm 時工作效率達到 50%[4]。葡萄牙學者通過對諧振結構進行改進，可在 4 cm 距離下輸出 35 W 的直流電[5]。

此外，在一定距離內的磁通信也是一種良好的水下通信方式，具有穿透力強、不易受干擾且穩(wěn)定[6-7]等優(yōu)點。這種通訊技術與利用電磁感應原理的無線充電技術結合，是一種新型的通信技術——無線攜能傳輸技術(Simultaneous Wireless Information and Power Transfer，SWIPT)，區(qū)別于傳統(tǒng)的信息傳輸僅僅傳輸數(shù)據，其可以在設備進行供電的同時提供信息傳輸。與水聲通信、激光通信以及水下量子通信[8-10]的水下通信技術相比，水下無線攜能傳輸技術還具有速率高和信道相對穩(wěn)定的優(yōu)點[11-12]。這無疑是給一些可穿戴和便攜式設備的電池使用壽命問題帶來了解決方案[13-15]。

無線攜能傳輸解決技術主要有分離式機制和綜合式機制，二者主要區(qū)別為在結構上能量收集(Energy Harvesting，EH)和信息解碼(Information Decoding，ID)是否共信道傳輸[16-17]。其中，綜合式機制共有 3 種，分別為時間切換方式、功率分割方式和聯(lián)合方式[18-20]。時間切換技術通過時分復用分別傳輸用于 ID 和 EH 的信號，按時間周期 T 進行分割，βT 時間內進行能量傳輸，(1－β)T 時間內進行數(shù)據傳輸。功率分割技術則按傳輸功率 P 進行分割，αP 的功率分配到能量傳輸，(1－α)P 的功率分配到數(shù)據傳輸。以上兩種方式在系統(tǒng)設計上都需要較復雜的電路輔助和算法實現(xiàn)，增大了發(fā)射端的設計難度。聯(lián)合方式則是在同一時間內，既傳輸數(shù)據也傳輸能量，并不需要過多的電路和算法的系統(tǒng)設計，是比較容易實現(xiàn)的方式。

水下磁耦合無線攜能傳輸技術的主要難點在于，水下設備自身的移動特性導致信道仍然會隨著時間變化[6]。此外，磁耦合諧振技術自身的頻率分裂和阻抗匹配等問題使得信號傳輸具有明顯的頻率選擇特性，表現(xiàn)為不同載波頻率下的攜能信號在較遠的傳輸距離下不再是等幅度的信號，使得信號發(fā)生了非線性的形變[21]。而傳統(tǒng)的解調和均衡方式很難提取高可靠的信息。

但在外部環(huán)境不改變的情況下，頻率的特性能夠保持短時的一致性——同一距離下同一頻率的信號經過耦合線圈后，其信號發(fā)生的形變特征是不變的。這種短時的特征不變性可以采用機器學習算法進行有效的分析和建模，并可通過其學習的模型對信號進行解調。針對水下設備對于遠距離無線能量和高速數(shù)據傳輸?shù)男枨?，本文提出基于磁耦合諧振的無線攜能傳輸技術，使用機器學習替換傳統(tǒng)的解調方式，采用現(xiàn)場可編程邏輯門陣列(FPGA)開發(fā)板設計了原型系統(tǒng)，利用頻移鍵控(FSK)調制方式實現(xiàn) 1 Mbps 的數(shù)據傳輸速率。同時針對水下信道的可變性和頻率選擇性，基于支持向量機(Support Vector Machine，SVM)的在線訓練和解調算法，通過對信號采樣和數(shù)據幀的分割，提取不同頻率下的信號特征，構建了信號解調模型。實驗驗證結果表明，系統(tǒng)在較低的功率損失下通過訓練模型獲得的解調誤碼率降低到 0.1% 以下。

2 系統(tǒng)結構和模型

2.1 系統(tǒng)框架設計

本文設計的攜能無線充電系統(tǒng)主要由硬件電路部分和算法解碼部分組成。硬件使用 FPGA 芯片實現(xiàn)了無線充電系統(tǒng)的基本功能和攜能信號的產生和處理，包括發(fā)射端的諧振信號產生、調制以及接收端的信號采集。系統(tǒng)框架如圖 1 所示。

圖1 系統(tǒng)框架圖Fig. 1 System frame diagram

其中，發(fā)射端主要由信號處理芯片(SPC)、數(shù)模轉換器(D/AC)、功率放大器和耦合線圈組成。信號處理芯片使用 FPGA 內部的數(shù)控振蕩器(Numerically Controlled Oscillator，NCO)和鎖相環(huán)(Phase Locked Loop，PLL)IP 核資源實現(xiàn)信號的產生和調制。調制信號經由 D/AC 輸出到功率放大器后，通過耦合線圈把信號轉變?yōu)榇判盘?。接收端有兩條電路：EH 電路和 ID 電路。EH 鏈路負責把攜能信號進行電路處理轉換為電能輸送到設備；ID 鏈路負責信息解調，其中使用機器學習的支持向量機作為解調算法，這是一種可對數(shù)據進行二元分類的監(jiān)督學習廣義線性分類器。而攜能信號是一種二進制調制信號，適合使用該算法進行二分類任務。

圖2 發(fā)射端設計Fig. 2 Transmitter design

圖3 數(shù)控振蕩器(NCO)工作原理Fig. 3 Numerically controlled oscillator working principle

2.2 硬件設計

2.2.1 發(fā)射端設計

2.3 攜能信號

圖4 接收端設計Fig. 4 Receiver design

容抗；f 為信號頻率；Z 為電路總阻抗。

圖5 磁信號的采集Fig. 5 Magnetic signal acquisition

3 水下攜能信息的解調

3.1 非相干解調

二進制頻移鍵控(2FSK)信號的非相干解調實現(xiàn)主要有：包絡檢波法和過零點檢測法。本文使用的是前者，不需要載波提取的步驟，電路簡單容易實現(xiàn)。該解調方法主要利用帶通濾波器和低通濾波器，把信號過濾成兩條支路，其解調流程如圖 6 所示。信號通過兩個不同的帶通濾波器，把不同數(shù)據“1”和“0”頻率分離。隨后每條支路都經過整流和低通濾波器，就可以得到光滑的基帶波形，上下支路相減抵消直流分量。此時，利用門限判決器和定時脈沖就能恢復原始數(shù)據。

濾波器的設計基于 Matlab 的 Fdatool 工具，可以直觀地生成所需要的濾波器。濾波器的性能會影響最后的解調性能，因此需要考慮好濾波器的階數(shù)以及通頻帶等參數(shù)，抑制其他無需的頻率。濾波器設計完成后生成抽頭系數(shù)并導入到 FPGA 內部的 FIR II 內核進行設置和實例化。

本文系統(tǒng)設置 FSK 的中心頻率為 9 MHz、調制系數(shù)為 4，則需要設計一個中心頻率為7 MHz 和 11 MHz 的帶通濾波器，把信號分成兩個只包含一種頻率的信道。因為在 FPGA 中，Digital Signal Processing(DSP)資源有限，所以系統(tǒng)設計要盡可能用更少的資源實現(xiàn)更好的濾波器。本系統(tǒng)指定濾波器的階數(shù)為 50 階，使用漢明窗，濾波器的通帶帶寬為 3 MHz。設計的帶通濾波器如圖 7 所示，其中圖 7(a)為 7 MHz 的帶通濾波器，上頻帶為 5.5 MHz，下頻帶為 8.5 MHz；圖 7(b)為 11 MHz 的帶通濾波器，上頻帶為9.5 MHz，下頻帶為 12.5 MHz。

圖6 FSK 非相干解調Fig. 6 FSK noncoherent demodulation

圖7 濾波器設計Fig. 7 High-pass filter design

低通濾波器的作用就是平滑兩路整流后的信號，除去信號毛刺生成兩路互為相反的信號。兩路光滑的信號相減就是濾去直流分量的基帶波形。低通濾波器的設計，與碼元速率有關，信號截止頻率一般為碼率的兩倍。本文的碼元速率設為 1 MHz，則低通濾波器的截止頻率為 2 MHz。為節(jié)省 DSP 資源，低通濾波器的階數(shù)被適當?shù)亟档停鐖D 8 所示。

3.2 基于機器學習的解調方法

從圖 5 分析可知，水下攜能信號在遠距離時并不適合使用傳統(tǒng)非相干解調。雖然耦合線圈對不同頻率的信號具有選擇性，對信號的幅度存在非線性失真，但在相同距離時耦合線圈對同一頻率信號的影響是一致的。這是由于系統(tǒng)的結構是固定的，引起的阻抗變化是相同的。因此同一種信號在通過耦合線圈后，特征也是一樣的。信號解調可以抽象為一種對不同信號分類的問題。

圖8 低通濾波器Fig. 8 Low-pass filter design

機器學習在分類問題上有著一定的優(yōu)勢，它是一種對離散型隨機變量建?；蝾A測的監(jiān)督學習方法。通過從給定的人工標注的分類訓練樣本數(shù)據集中學習出一個函數(shù)或分類模型，即分類器，可以對新數(shù)據進行預測分類。因此，本文提出基于機器學習的解調方法。

3.2.1 信號采樣及切片

接收器中的信號處理芯片(SPC)通過 A/DC 將接收到的模擬信號轉換為數(shù)字信號并處理。當出現(xiàn)有效數(shù)據幀時，SPC 通過一個時間窗口將數(shù)據幀同步劃分包含原始數(shù)據的“0”和“1”數(shù)據集。每個數(shù)據集包含一位符號信息，采樣的數(shù)據集如圖 5(a)方框所示，每個方框代表一個數(shù)據集。每個數(shù)據集的長度 L 根據 A/DC 的工作頻率 F 和數(shù)據速率 B 確定。它們的關系可以表示為：

在傳輸數(shù)據前，先傳輸一段已經預定好的、長度可設定的序列，使得分類器在線訓練好模型，以對后續(xù)的數(shù)據進行分類。本文對發(fā)射端(Tx)和接收端(Rx)線圈在不同距離(5 cm、7 cm、10 cm、12 cm 和 15 cm)下的攜能信號進行采樣。本文收集了多達 45 萬個數(shù)據，每個距離有 9 000 個數(shù)據，包括 3 個偏移距離(0 cm、1 cm 和 3 cm)，并將這些數(shù)據分為訓練樣本和測試樣本。

3.2.2 SVM 分類器

SVM 在高維中表現(xiàn)良好，如在圖像數(shù)據、基因數(shù)據、醫(yī)學數(shù)據等具有更高的維數(shù)。若當前特征向量的分類器輸出僅僅和當前的特征輸入向量相關，SVM 是一個好的選擇。本系統(tǒng)的 FSK 信號類似于醫(yī)學中的心電信號，因此系統(tǒng)的解碼模塊運用了 SVM 算法。它是一種監(jiān)督學習方法對數(shù)據進行二分類的廣義線性分離器[23]，也是一種基于統(tǒng)計線性理論和風險最小化的機器學習算法。SVM 通常用于解決線性二分類問題——使用算法找到一個最佳的超平面，使兩種類型的樣本之間的距離最大化。同時 SVM 也可以用于非線性二進制分類問題——通過使用內核技術將低維數(shù)據映射到高維空間， 在新的高維空間中計算得出的一個平面，并分離兩種類型的數(shù)據。

4 實驗結果分析

圖9 實驗裝置Fig. 9 Experiment platform

本文實現(xiàn)了一個基于 FPGA 的平臺來評估所提出的方案，具體如圖 9(a)所示。其中，使用兩個不同的 FPGA 板分別作為發(fā)射機和接收機。圖 9(b)顯示在水下作業(yè)時，手機在接收到系統(tǒng)提供的能量的同時，信息也能被系統(tǒng)所解調。

在電子設備方面，A/DC 模塊的采樣頻率設置為 50 MHz，D/AC 模塊的采樣頻率設置為 100 MHz，F(xiàn)PGA 工作頻率為 50 MHz。因此，根據公式(2)，每含有一位符號信息的信號經特征提取后具有 51 維數(shù)據。

能量傳輸方面，本文實驗對不同負載在不同距離下的能量傳輸和無線攜能傳輸?shù)墓β式邮涨闆r進行記錄。在實驗過程中，保持了功率放大器的輸入功率不變，表 1 記錄了在沒有任何阻抗匹配優(yōu)化下陸地實驗和水下實驗的功率損失。從結果可以看出，本文方案在解調通道上并沒有占用過多的有效功率，而且通用性很強。實驗中利用不同的電阻和設備模擬超低功耗(LED)、普通電子產品(手機)和一些阻值較大的設備，實驗數(shù)據表明，本方案能適應不同的負載。

數(shù)據傳輸方面，系統(tǒng)的 SVM 算法分類器由 Python 3.0 實現(xiàn)。本實驗分別對線性內核、多項式內核和高斯徑向基(Radial Basis Function，RBF)內核 3 個 SVM 內核函數(shù)進行以誤碼率作為評判的解碼性能比較[24]。本實驗先使用 100 位數(shù)據進行在線訓練，并更改 Tx 和 Rx 線圈之間的距離。誤碼率(BER)結果如圖 10 所示，其中多項式內核函數(shù)的性能優(yōu)于其他兩個函數(shù)，尤其是當度數(shù)(Degree)參數(shù)設置為 2 時。

此外，本實驗還評估度數(shù)(Degree)參數(shù)對系統(tǒng)性能的影響。其中，度數(shù)參數(shù)是多項式內核函數(shù)中最主要的參量，是多項式的冪。在本實驗中，通過調整不同數(shù)量的訓練樣本進行評估。圖 11 為具有不同程度參數(shù)的誤碼率。

圖10 不同核函數(shù)的誤碼率Fig. 10 BREs of diあerent kernel functions

圖11 不同多項式內核參數(shù)的誤碼率Fig. 11 BERs of diあerent polynomial kernel parameters

表1 水下實驗功率損失Table 1 Underwater power loss

除距離變化外，線圈未對準也會導致通道產生變化，加大解調難度。但本系統(tǒng)的解調是基于機器學習的解調算法，通過特征工程，在此種復雜情況下的解碼也有較高的準確率。在本實驗中，將 Tx 和 Rx 線圈之間的垂直距離保持在10 cm，并調整水平距離。訓練集的位數(shù)從 50 位調整為 1 000 位。如圖 12 所示，當訓練比特大于 50 時，誤碼率可以達到 5% 以下，并隨著更多的訓練比特而接近 0。

圖12 不同偏移距離下的誤碼率Fig. 12 BERs under diあerent oあset distance

5 討論與分析

現(xiàn)有的分離式攜能信息傳輸系統(tǒng)存在兩種不同功能的線圈，可以看作是兩個子系統(tǒng)，線圈間的相互干擾變得更為復雜，使得阻抗匹配更難分析。耦合線圈具有固定諧振頻率，在不同的距離下或不同頻率的信號都會導致頻率分裂，即頻率諧振點發(fā)生偏移，信號發(fā)生非線性失真。傳統(tǒng)解調方法的效果比較差，在濾波的過程中無法獲取正常波形的幅度和頻率，導致解碼錯誤，且在高比特率的通訊中的影響尤為嚴重。

現(xiàn)有的 SWIPT 研究中，利用機器學習方法進行信息分類來解調的研究仍相對較少，更多的重點在于優(yōu)化綜合式機制下的時間切換模式和功率分割模式下的能效和可達率等。使用“無線攜能傳輸(SWIPT)、機器學習(Machine Learning)和解調(Modulation/Coding)”等關鍵詞在 IEEE 數(shù)據庫檢索可知，相關較新的文獻為利用機器學習、深度學習和神經網絡等算法計算最優(yōu)的功分因子 α、時分因子 β 和發(fā)射功率，優(yōu)化計算時間和提高系統(tǒng)能效；使用 k-means 和 k-medoids 算法，根據接收設備位置建模用于聚類的目標函數(shù)并仿真得出最優(yōu)功率分配方法[25-26]；使用深度學習技術代替?zhèn)鹘y(tǒng)計算方法，得到功率分配和時間切換問題的最優(yōu)近似解并提出一種資源管理策略[27-28]，或基于強化學習達到自適應速率和能量收集間隔控制和中繼的選擇，最大限度提高吞吐量[29-32]；也有利用深度學習分析 SWIPT 被竊聽者攔截的概率，并優(yōu)化通訊的保密性[33]。 但在上述的研究與仿真結果中，發(fā)射端在產生信號前都需要大量的計算，接收端也需要根據算法不斷地調整進行切換選擇。還有一些研究利用深度學習遞歸神經網絡決定通信模式[34]。本研究提出一種可以適用于水下較遠距離的、基于磁共振耦合無線攜能傳輸系統(tǒng)，重點把機器學習應用到信息解調，注重接收端獲取的信號，并不需要在發(fā)射端設計算法和控制，這是一種相對較新的嘗試。通過結合 FPGA 的高速處理能力和機器學習實現(xiàn)水下磁耦合攜能信號傳輸?shù)南到y(tǒng)，聯(lián)合方式的傳輸可以通過減少耦合線圈之間因互感而產生的阻抗問題，同時在機器學習的支持下，通過對接收信號進行特征工程并分類，不僅減輕了系統(tǒng)電路的復雜度，還提升了解調的準確率。

基于磁耦合的水下無線攜能通信具有傳輸距離遠、穿透性強和穩(wěn)定性高的特點[35]，對海洋環(huán)境監(jiān)測以及探索有一定的優(yōu)勢與幫助。具體地，能解決水下設備電源的問題，不需要頻繁地上浮或工程師下潛更換電池[36-37]。

6 結論與展望

本文提出一種可用于水下的基于磁共振的無線攜能通信系統(tǒng)并開發(fā)了一個原型機，其中傳輸數(shù)據速率達到 1 Mbps。不需要電路上的改進控制，使得在信號傳輸?shù)耐瑫r，進行能量與數(shù)據的低損耗傳輸。接收端只需把攜能信號采集起來并進行數(shù)據段分割，通過引入了基于 SVM 的在線訓練和解碼方案，該系統(tǒng)可以在頻率變化和選擇性信道中實現(xiàn)高可靠性解碼。實驗結果表明，采用 100 個符號進行實時訓練獲得的 SVM 模型，誤碼率幾乎接近 0。表明該系統(tǒng)用于水下設備提供遠距離高效率的能量供給以及高速穩(wěn)定的數(shù)據傳輸?shù)目尚行浴?/p>

目前已知的無線攜能傳輸技術中，關于信息解碼的研究都側重于電路上和信號上的改進。信息解調其實可以轉化為信號分類問題，尤其是二進制調制的信號。本研究表明機器學習可以為未來無線攜能通訊提供一個可靠的技術方案。但為進一步優(yōu)化設計方法，后續(xù)還應該結合一些電路、材料、算法進行改進。