基于磁耦合的水下无线携能通信系统

何发瑛 黄峻健 赵毓斌 须成忠

1(中国科学院深圳先进技术研究院 深圳 518055)2(中国科学院大学 北京 100049)3(中山大学微电子科学与技术学院 珠海 519082)4(澳门大学智慧城市物联网国家重点实验室 澳门 999078)

1 引 言

信息科学技术的高速发展，为在深度与广度两个维度的海洋研究拓展提供了有力的支撑。其中，水下设备的能量供给和数据传输具有巨大和迫切的需求，如可以持续水下作业的水下机器人、水下传感器等。但在能量供给方面，因为水下设备防水的缘故，需要采用防水电缆或频繁更换电池，这样大大影响了水下设备单次作业的时间以及可移动范围。

无线充电技术可以协助水下设备摆脱电池寿命的局限，支持水下设备长时间大范围的持续作业。当前主流的无线充电技术有磁感应式和磁耦合谐振式两种。麻省理工学院与伍兹霍尔海洋研究所共同研发的水下无线充电平台、及德国 MESA 公司设计的水下无线充电装置，均使用了基于电磁感应的无线充电技术[1-2]。其中电磁感应方式对收发设备之间的距离以及稳定性要求非常高。另有一些研究表明，采用磁共振无线充电技术方案，具有充电效率较高、自由度大和距离远的优势。早期的研究证明，基于磁共振耦合的水下无线充电可在 15 cm 的距离下，实现 1 kW级别的能量传输[3]。日本电气股份有限公司(NEC)研制的水下无线充电(WPT)系统，在间距 5 cm 时工作效率达到 50%[4]。葡萄牙学者通过对谐振结构进行改进，可在 4 cm 距离下输出 35 W 的直流电[5]。

此外，在一定距离内的磁通信也是一种良好的水下通信方式，具有穿透力强、不易受干扰且稳定[6-7]等优点。这种通讯技术与利用电磁感应原理的无线充电技术结合，是一种新型的通信技术——无线携能传输技术(Simultaneous Wireless Information and Power Transfer，SWIPT)，区别于传统的信息传输仅仅传输数据，其可以在设备进行供电的同时提供信息传输。与水声通信、激光通信以及水下量子通信[8-10]的水下通信技术相比，水下无线携能传输技术还具有速率高和信道相对稳定的优点[11-12]。这无疑是给一些可穿戴和便携式设备的电池使用寿命问题带来了解决方案[13-15]。

无线携能传输解决技术主要有分离式机制和综合式机制，二者主要区别为在结构上能量收集(Energy Harvesting，EH)和信息解码(Information Decoding，ID)是否共信道传输[16-17]。其中，综合式机制共有 3 种，分别为时间切换方式、功率分割方式和联合方式[18-20]。时间切换技术通过时分复用分别传输用于 ID 和 EH 的信号，按时间周期 T 进行分割，βT 时间内进行能量传输，(1－β)T 时间内进行数据传输。功率分割技术则按传输功率 P 进行分割，αP 的功率分配到能量传输，(1－α)P 的功率分配到数据传输。以上两种方式在系统设计上都需要较复杂的电路辅助和算法实现，增大了发射端的设计难度。联合方式则是在同一时间内，既传输数据也传输能量，并不需要过多的电路和算法的系统设计，是比较容易实现的方式。

水下磁耦合无线携能传输技术的主要难点在于，水下设备自身的移动特性导致信道仍然会随着时间变化[6]。此外，磁耦合谐振技术自身的频率分裂和阻抗匹配等问题使得信号传输具有明显的频率选择特性，表现为不同载波频率下的携能信号在较远的传输距离下不再是等幅度的信号，使得信号发生了非线性的形变[21]。而传统的解调和均衡方式很难提取高可靠的信息。

但在外部环境不改变的情况下，频率的特性能够保持短时的一致性——同一距离下同一频率的信号经过耦合线圈后，其信号发生的形变特征是不变的。这种短时的特征不变性可以采用机器学习算法进行有效的分析和建模，并可通过其学习的模型对信号进行解调。针对水下设备对于远距离无线能量和高速数据传输的需求，本文提出基于磁耦合谐振的无线携能传输技术，使用机器学习替换传统的解调方式，采用现场可编程逻辑门阵列(FPGA)开发板设计了原型系统，利用频移键控(FSK)调制方式实现 1 Mbps 的数据传输速率。同时针对水下信道的可变性和频率选择性，基于支持向量机(Support Vector Machine，SVM)的在线训练和解调算法，通过对信号采样和数据帧的分割，提取不同频率下的信号特征，构建了信号解调模型。实验验证结果表明，系统在较低的功率损失下通过训练模型获得的解调误码率降低到 0.1% 以下。

2 系统结构和模型

2.1 系统框架设计

本文设计的携能无线充电系统主要由硬件电路部分和算法解码部分组成。硬件使用 FPGA 芯片实现了无线充电系统的基本功能和携能信号的产生和处理，包括发射端的谐振信号产生、调制以及接收端的信号采集。系统框架如图 1 所示。

图1 系统框架图Fig. 1 System frame diagram

其中，发射端主要由信号处理芯片(SPC)、数模转换器(D/AC)、功率放大器和耦合线圈组成。信号处理芯片使用 FPGA 内部的数控振荡器(Numerically Controlled Oscillator，NCO)和锁相环(Phase Locked Loop，PLL)IP 核资源实现信号的产生和调制。调制信号经由 D/AC 输出到功率放大器后，通过耦合线圈把信号转变为磁信号。接收端有两条电路：EH 电路和 ID 电路。EH 链路负责把携能信号进行电路处理转换为电能输送到设备；ID 链路负责信息解调，其中使用机器学习的支持向量机作为解调算法，这是一种可对数据进行二元分类的监督学习广义线性分类器。而携能信号是一种二进制调制信号，适合使用该算法进行二分类任务。

图2 发射端设计Fig. 2 Transmitter design

图3 数控振荡器(NCO)工作原理Fig. 3 Numerically controlled oscillator working principle

2.2 硬件设计

2.2.1 发射端设计

2.3 携能信号

图4 接收端设计Fig. 4 Receiver design

容抗；f 为信号频率；Z 为电路总阻抗。

图5 磁信号的采集Fig. 5 Magnetic signal acquisition

3 水下携能信息的解调

3.1 非相干解调

二进制频移键控(2FSK)信号的非相干解调实现主要有：包络检波法和过零点检测法。本文使用的是前者，不需要载波提取的步骤，电路简单容易实现。该解调方法主要利用带通滤波器和低通滤波器，把信号过滤成两条支路，其解调流程如图 6 所示。信号通过两个不同的带通滤波器，把不同数据“1”和“0”频率分离。随后每条支路都经过整流和低通滤波器，就可以得到光滑的基带波形，上下支路相减抵消直流分量。此时，利用门限判决器和定时脉冲就能恢复原始数据。

滤波器的设计基于 Matlab 的 Fdatool 工具，可以直观地生成所需要的滤波器。滤波器的性能会影响最后的解调性能，因此需要考虑好滤波器的阶数以及通频带等参数，抑制其他无需的频率。滤波器设计完成后生成抽头系数并导入到 FPGA 内部的 FIR II 内核进行设置和实例化。

本文系统设置 FSK 的中心频率为 9 MHz、调制系数为 4，则需要设计一个中心频率为7 MHz 和 11 MHz 的带通滤波器，把信号分成两个只包含一种频率的信道。因为在 FPGA 中，Digital Signal Processing(DSP)资源有限，所以系统设计要尽可能用更少的资源实现更好的滤波器。本系统指定滤波器的阶数为 50 阶，使用汉明窗，滤波器的通带带宽为 3 MHz。设计的带通滤波器如图 7 所示，其中图 7(a)为 7 MHz 的带通滤波器，上频带为 5.5 MHz，下频带为 8.5 MHz；图 7(b)为 11 MHz 的带通滤波器，上频带为9.5 MHz，下频带为 12.5 MHz。

图6 FSK 非相干解调Fig. 6 FSK noncoherent demodulation

图7 滤波器设计Fig. 7 High-pass filter design

低通滤波器的作用就是平滑两路整流后的信号，除去信号毛刺生成两路互为相反的信号。两路光滑的信号相减就是滤去直流分量的基带波形。低通滤波器的设计，与码元速率有关，信号截止频率一般为码率的两倍。本文的码元速率设为 1 MHz，则低通滤波器的截止频率为 2 MHz。为节省 DSP 资源，低通滤波器的阶数被适当地降低，如图 8 所示。

3.2 基于机器学习的解调方法

从图 5 分析可知，水下携能信号在远距离时并不适合使用传统非相干解调。虽然耦合线圈对不同频率的信号具有选择性，对信号的幅度存在非线性失真，但在相同距离时耦合线圈对同一频率信号的影响是一致的。这是由于系统的结构是固定的，引起的阻抗变化是相同的。因此同一种信号在通过耦合线圈后，特征也是一样的。信号解调可以抽象为一种对不同信号分类的问题。

图8 低通滤波器Fig. 8 Low-pass filter design

机器学习在分类问题上有着一定的优势，它是一种对离散型随机变量建模或预测的监督学习方法。通过从给定的人工标注的分类训练样本数据集中学习出一个函数或分类模型，即分类器，可以对新数据进行预测分类。因此，本文提出基于机器学习的解调方法。

3.2.1 信号采样及切片

接收器中的信号处理芯片(SPC)通过 A/DC 将接收到的模拟信号转换为数字信号并处理。当出现有效数据帧时，SPC 通过一个时间窗口将数据帧同步划分包含原始数据的“0”和“1”数据集。每个数据集包含一位符号信息，采样的数据集如图 5(a)方框所示，每个方框代表一个数据集。每个数据集的长度 L 根据 A/DC 的工作频率 F 和数据速率 B 确定。它们的关系可以表示为：

在传输数据前，先传输一段已经预定好的、长度可设定的序列，使得分类器在线训练好模型，以对后续的数据进行分类。本文对发射端(Tx)和接收端(Rx)线圈在不同距离(5 cm、7 cm、10 cm、12 cm 和 15 cm)下的携能信号进行采样。本文收集了多达 45 万个数据，每个距离有 9 000 个数据，包括 3 个偏移距离(0 cm、1 cm 和 3 cm)，并将这些数据分为训练样本和测试样本。

3.2.2 SVM 分类器

SVM 在高维中表现良好，如在图像数据、基因数据、医学数据等具有更高的维数。若当前特征向量的分类器输出仅仅和当前的特征输入向量相关，SVM 是一个好的选择。本系统的 FSK 信号类似于医学中的心电信号，因此系统的解码模块运用了 SVM 算法。它是一种监督学习方法对数据进行二分类的广义线性分离器[23]，也是一种基于统计线性理论和风险最小化的机器学习算法。SVM 通常用于解决线性二分类问题——使用算法找到一个最佳的超平面，使两种类型的样本之间的距离最大化。同时 SVM 也可以用于非线性二进制分类问题——通过使用内核技术将低维数据映射到高维空间， 在新的高维空间中计算得出的一个平面，并分离两种类型的数据。

4 实验结果分析

图9 实验装置Fig. 9 Experiment platform

本文实现了一个基于 FPGA 的平台来评估所提出的方案，具体如图 9(a)所示。其中，使用两个不同的 FPGA 板分别作为发射机和接收机。图 9(b)显示在水下作业时，手机在接收到系统提供的能量的同时，信息也能被系统所解调。

在电子设备方面，A/DC 模块的采样频率设置为 50 MHz，D/AC 模块的采样频率设置为 100 MHz，FPGA 工作频率为 50 MHz。因此，根据公式(2)，每含有一位符号信息的信号经特征提取后具有 51 维数据。

能量传输方面，本文实验对不同负载在不同距离下的能量传输和无线携能传输的功率接收情况进行记录。在实验过程中，保持了功率放大器的输入功率不变，表 1 记录了在没有任何阻抗匹配优化下陆地实验和水下实验的功率损失。从结果可以看出，本文方案在解调通道上并没有占用过多的有效功率，而且通用性很强。实验中利用不同的电阻和设备模拟超低功耗(LED)、普通电子产品(手机)和一些阻值较大的设备，实验数据表明，本方案能适应不同的负载。

数据传输方面，系统的 SVM 算法分类器由 Python 3.0 实现。本实验分别对线性内核、多项式内核和高斯径向基(Radial Basis Function，RBF)内核 3 个 SVM 内核函数进行以误码率作为评判的解码性能比较[24]。本实验先使用 100 位数据进行在线训练，并更改 Tx 和 Rx 线圈之间的距离。误码率(BER)结果如图 10 所示，其中多项式内核函数的性能优于其他两个函数，尤其是当度数(Degree)参数设置为 2 时。

此外，本实验还评估度数(Degree)参数对系统性能的影响。其中，度数参数是多项式内核函数中最主要的参量，是多项式的幂。在本实验中，通过调整不同数量的训练样本进行评估。图 11 为具有不同程度参数的误码率。

图10 不同核函数的误码率Fig. 10 BREs of diあerent kernel functions

图11 不同多项式内核参数的误码率Fig. 11 BERs of diあerent polynomial kernel parameters

表1 水下实验功率损失Table 1 Underwater power loss

除距离变化外，线圈未对准也会导致通道产生变化，加大解调难度。但本系统的解调是基于机器学习的解调算法，通过特征工程，在此种复杂情况下的解码也有较高的准确率。在本实验中，将 Tx 和 Rx 线圈之间的垂直距离保持在10 cm，并调整水平距离。训练集的位数从 50 位调整为 1 000 位。如图 12 所示，当训练比特大于 50 时，误码率可以达到 5% 以下，并随着更多的训练比特而接近 0。

图12 不同偏移距离下的误码率Fig. 12 BERs under diあerent oあset distance

5 讨论与分析

现有的分离式携能信息传输系统存在两种不同功能的线圈，可以看作是两个子系统，线圈间的相互干扰变得更为复杂，使得阻抗匹配更难分析。耦合线圈具有固定谐振频率，在不同的距离下或不同频率的信号都会导致频率分裂，即频率谐振点发生偏移，信号发生非线性失真。传统解调方法的效果比较差，在滤波的过程中无法获取正常波形的幅度和频率，导致解码错误，且在高比特率的通讯中的影响尤为严重。

现有的 SWIPT 研究中，利用机器学习方法进行信息分类来解调的研究仍相对较少，更多的重点在于优化综合式机制下的时间切换模式和功率分割模式下的能效和可达率等。使用“无线携能传输(SWIPT)、机器学习(Machine Learning)和解调(Modulation/Coding)”等关键词在 IEEE 数据库检索可知，相关较新的文献为利用机器学习、深度学习和神经网络等算法计算最优的功分因子 α、时分因子 β 和发射功率，优化计算时间和提高系统能效；使用 k-means 和 k-medoids 算法，根据接收设备位置建模用于聚类的目标函数并仿真得出最优功率分配方法[25-26]；使用深度学习技术代替传统计算方法，得到功率分配和时间切换问题的最优近似解并提出一种资源管理策略[27-28]，或基于强化学习达到自适应速率和能量收集间隔控制和中继的选择，最大限度提高吞吐量[29-32]；也有利用深度学习分析 SWIPT 被窃听者拦截的概率，并优化通讯的保密性[33]。 但在上述的研究与仿真结果中，发射端在产生信号前都需要大量的计算，接收端也需要根据算法不断地调整进行切换选择。还有一些研究利用深度学习递归神经网络决定通信模式[34]。本研究提出一种可以适用于水下较远距离的、基于磁共振耦合无线携能传输系统，重点把机器学习应用到信息解调，注重接收端获取的信号，并不需要在发射端设计算法和控制，这是一种相对较新的尝试。通过结合 FPGA 的高速处理能力和机器学习实现水下磁耦合携能信号传输的系统，联合方式的传输可以通过减少耦合线圈之间因互感而产生的阻抗问题，同时在机器学习的支持下，通过对接收信号进行特征工程并分类，不仅减轻了系统电路的复杂度，还提升了解调的准确率。

基于磁耦合的水下无线携能通信具有传输距离远、穿透性强和稳定性高的特点[35]，对海洋环境监测以及探索有一定的优势与帮助。具体地，能解决水下设备电源的问题，不需要频繁地上浮或工程师下潜更换电池[36-37]。

6 结论与展望

本文提出一种可用于水下的基于磁共振的无线携能通信系统并开发了一个原型机，其中传输数据速率达到 1 Mbps。不需要电路上的改进控制，使得在信号传输的同时，进行能量与数据的低损耗传输。接收端只需把携能信号采集起来并进行数据段分割，通过引入了基于 SVM 的在线训练和解码方案，该系统可以在频率变化和选择性信道中实现高可靠性解码。实验结果表明，采用 100 个符号进行实时训练获得的 SVM 模型，误码率几乎接近 0。表明该系统用于水下设备提供远距离高效率的能量供给以及高速稳定的数据传输的可行性。

目前已知的无线携能传输技术中，关于信息解码的研究都侧重于电路上和信号上的改进。信息解调其实可以转化为信号分类问题，尤其是二进制调制的信号。本研究表明机器学习可以为未来无线携能通讯提供一个可靠的技术方案。但为进一步优化设计方法，后续还应该结合一些电路、材料、算法进行改进。