基于卷积神经网络的平面相控阵辐射图案故障补偿

让无线信号保持正轨

从卫星互联网到机场雷达，许多当今最重要的系统都依赖由众多微小辐射单元组成的平面天线面板。当其中哪怕一个单元失效时，精心塑形的无线能量波束就会发生畸变，导致链路变弱或雷达图像变模糊。本研究探讨了一种人工智能方法——卷积神经网络——如何在软件中快速“修复”这些受损波束，帮助关键系统在无需物理修复的情况下继续工作。

为何损坏的天线单元很重要

现代相控阵天线有点像演唱会上的观众齐声鼓掌。每个小天线单元在恰当的时刻叠加其信号，使得总体上能量在选定方向上被加强并在其他方向被相互抵消。如果某个单元突然失效，这种精确的时序就会被打乱。主波束可能偏离目标、波束宽度增大，旁瓣增强，导致能量浪费和干扰。在难以或无法进行硬件维修的场景中，例如在轨卫星或偏远雷达站，从地面以智能方式补偿这些故障非常可取。

教神经网络识别波束形状

作者聚焦于一个小而现实的测试案例：一个 4×4 的贴片天线方形面板，工作在新通信系统中使用的频率。假定其中一个单元失效，一个单元作为固定参考，其余十四个单元仍可通过相位调整（即波峰的时序）来控制。团队不是通过缓慢的试错来设计这些单元的新设置，而是训练一个神经网络，直接查看空间中波束的二维图像，并预测哪些相位值能够用剩余的硬件尽可能地重现目标图案。

构建学习引擎

为训练网络，研究人员使用专业电磁仿真软件生成了 8000 个故障面板的模拟样本。对于每个案例，他们为十四个可控单元随机选择相位设置，计算由此产生的波束图案，并保存该图案的“图像”及其对应的相位值。然后将这些图像—相位对输入到卷积神经网络中——这类模型在图像识别中被广泛使用。网络逐层学习识别当相位变化时留在波束中的微妙空间指纹，并将这些指纹映射回产生它们的精确相位设置。

在一瞬间恢复清晰波束

训练完成后，模型用于反向操作：不是观察故障图案，而是给它看阵列应产生的完整目标图案。网络立即输出一组新的十四个相位，部分失效的阵列可使用这些相位来模拟该目标。在测试中，预测的相位对每个单元的误差远小于一度。当这些相位在仿真中应用时，重构的波束与原始波束高度一致，在大量测试案例中平均将图案误差缩小了约三分之一。关键的天线参数如波束指向、宽度和旁瓣电平都更接近健康状态，同时处理时间从传统搜索方法的数分钟降至在普通图形处理器上约 0.2 秒。

这对实际系统意味着什么

目前，这种方法仍是概念验证。它假设特定的阵列尺寸、单个失效单元以及可获得干净、详细的波束测量——这些条件在软件仿真中比在卫星上更易满足。尽管如此，研究清楚地表明神经网络可以学习受损天线的辐射特性与修复波束所需相位调整之间的映射。通过未来工作来处理多重故障、不同面板设计和更现实的测量环境，类似方法有望为通信和雷达系统提供一种强大的自愈控制能力，在无需动手更换硬件的情况下提高可靠性。

引用: Djassem, B.M., Challal, M., Staraj, R. et al. CNN-based compensation of faulty planar phased-array radiation patterns. Sci Rep 16, 15528 (2026). https://doi.org/10.1038/s41598-026-46345-9

关键词: 相控阵天线, 波束形成, 故障补偿, 卷积神经网络, 辐射图案