Ինչպե՞ս կարող է ռադիոապարատուրան բարելավել հիմնական ընդունիչ-հաղորդիչ կայանների սիգնալի ծածկույթը

Ռադիոապարատուրայի դերը BTS-ի սիգնալի հաղորդման և ցանցի հուսալիության ապահովման մեջ

Բազային հաղորդարվելու կայանները, կամ կարճ՝ BTS-ները, միավորում են մի քանի կարևոր մասեր, ներառյալ ընդունիչ-հաղորդիչները, հզոր համարձակիչները և անտենները: Դրանք համատեղ աշխատում են՝ ձայնային զանգերն ու տվյալները վերածելով ռադիոալիքների, որոնք տարածվում են բջջային ցանցերով: Ժամանակակից BTS համակարգերի մեծամասնության սիրտը այն է, ինչը մենք անվանում ենք բաշխված կառուցվածք: Ահա թե ինչպես է այն աշխատում. Բազային շերտի միավորները (BBU-ները) կատարում են ազդանշանի մշակման բոլոր գործառույթները, իսկ Հեռացված Ռադիո Միավորները (RRU-ները) իրականում հաղորդում են հաճախականությունները: Այս բաղադրիչները միացված են արագ մանրաթելային կաբելներով՝ ապահովելով հարթ և արագ աշխատանք ուշացումներ չլինելու պայմաններում (համաձայն անցյալ տարվա Fibconet հետազոտության): RRU-ները տեղադրելով անմիջապես անտենների կողքին՝ ցանցի մատակարարները կարող են զգալիորեն կրճատել ազդանշանի կորուստը հեռավորության վրա: Լավ կապ պահպանելու համար ինժեներները հիմնվում են օֆդմ մոդուլացիայի նման բարդ մեթոդների վրա՝ հսկայական սխալների ուղղման ռազմավարությունների հետ միասին: Այս տեխնոլոգիաները օգնում են պայքարել ազդանշանի մեկուսացման խնդիրների դեմ, որոնք հատկապես ակնառու են խիտ բնակեցված քաղաքային շրջաններում, որտեղ շատ սարքեր մրցում են նույն հաճախականությունների վրա տեղ զբաղեցնելու համար:

Ռադիոմոդուլների հուսալիությունը շատ կարևոր է, քանի որ այն թույլ է տալիս ցանցերին անխափան աշխատել իրենց ռեզերվային հնարավորությունների շնորհիվ: Ամենատարածված խնդիրները, որոնք մենք հանդիպում ենք, առաջանում են ավտոմատ անջատիչների միացման պատճառով, երբ սիգնալները դուրս են գալիս հետևած ուղղությունից: Ըստ Hebeimailing-ի 2024 թվականի արդյունքներով, ցանցերի գրեթե բոլոր անջատումները պայմանավորված են RF կեբլների կամ կապող մասերի վնասվածքներով: Ուստի շատ օպերատորներ նախապատվություն են տալիս էկրանավորված կոաքսիալ կեբլների օգտագործմանը և պարբերաբար ստուգում են սիգնալի ուժն իրենց համակարգերում: Երբ ամեն ինչ ճիշտ է աշխատում, այսօրվա բազային կայանները կարող են ապահովել գրեթե իդեալական սպասարկման մակարդակ՝ 99,99 տոկոս հասանելիությամբ, նույնիսկ երբ պահանջարկը սրվում է բարձր բեռնվածության ժամերին:

Անտենային համակարգեր և ռադիոյով հզորված սիգնալի բաշխում

Անտենային համակարգեր և դրանց դերը ծածկույթի ընդլայնման մեջ

Այսօրվա հիմքի տրանսլացիոն կայանները, կամ BTS միավորները, շատ կախված են ինտելեկտուալ անտենաների կառուցվածքներից՝ հաղթահարելու համար այն անհարմար ծածկույթի դադարները, որոնց մասին մենք բոլորս էլ լավ գիտենք: Ուղղությունների շուրջ ամեն կողմ տարածվող սիգնալներ ապահովող օմնիուղղության մոդելները ծածկում են հիմնականում ամեն ինչ իրենց տիրույթում: Ուղղության անտենաները աշխատում են այլ կերպ՝ կենտրոնանալով հզորությունը որոշակի տարածքների վրա: Անցյալ տարվա տեսական փորձարկումները ցույց տվեցին, որ այս ուղղության մոտեցումները բջջային եզրերի սիգնալի ուժն ավելացրել են 35-ից մինչև 50 տոկոսով արվարձանային շրջաններում՝ ըստ որոշ արդյունաբերական զեկույցների: Ճիշտ տիպի անտենան ճիշտ տեղադրելը շատ կարևոր է՝ վերացնելու այն անճոռնի մեռած գոտիները, որտեղ սպասարկումը պարզապես անհետանում է:

Բիմֆորմինգ և MIMO տեխնոլոգիաները ժամանակակից ռադիոյի հետ աշխատող BTS-երում

Լույսի ձևավորումը կատարվում է ռադիոսիգնալների փուլը և ուժն փոխելով, որպեսզի կենտրոնացվեն կոնկրետ սարքերի վրա: Սա կարող է զգալիորեն բարելավել սիգնալի որակը՝ երբեմն այն դարձնելով մոտ 12 դԲ-ով ուժեղ, քան ինչը տալիս են ստատիկ անտենները: Լույսի ձևավորումը MIMO տեխնոլոգիայի հետ միասին օգտագործելը բացում է նոր հնարավորություններ: Բազմաթիվ մուտքերն ու ելքերը թույլ են տալիս միաժամանակ մի քանի տվյալների հոսքեր, ինչը նշանակում է, որ ցանցերը կարող են մշակել երեք անգամ ավելի շատ երթևեկություն՝ առանց լրացուցիչ սպեկտրային տարածքի կարիք ունենալու: Անցյալ տարվա տեղադրված փորձարկումները ցույց տվեցին նաև մի հետաքրքիր փաստ. երբ ինժեներները ռադիոհանգույցները ռազմավարականորեն տեղադրեցին ստադիոններում, նրանք կեսով կրճատեցին այդ խզումները պատճառող կոաքսիալ կաբելների կորուստները: Նույնիսկ ավելի լավ, նրանց հաջողվեց պահել լատենտությունը 2 միլիվայրկյանից ցածր մեծ միջոցառումների ընթացքում, երբ հազարավոր մարդիկ միաժամանակ միացված էին:

Ռադիոծածկույթի օպտիմալ կարգավորման համար գնահատվում է անտենայի բարձրությունը, թեքությունը և բևեռացումը

Ցանցի պլանավորողները օպտիմալացնում են ծածկույթը երեք հիմնական անտենայի պարամետրերի միջոցով.

• Բարձրության կարգավորումներ (30–50 մ սովորաբար) հավասարակշռված սիգնալի տիրողություն՝ մեկուսացման կառավարմամբ
• Էլեկտրական թեքություն (4–10°) ճշգրտում է ուղղահայաց ծածկույթի ձևը՝ հարմարեցնելով տեղանքին
• Խաչաձև պոլյարիզացված անտեններ (±45°) պայքարում է սիգնալի թուլացման դեմ քաղաքային բազմաթիվ անդրադարձման միջավայրում

Այս գործոնների ճիշտ հարմարեցումը ապահովում է 98% տեղադրումային հասանելիություն 4G/5G ծառայությունների համար՝ համաձայն 3GPP-ի քաղաքային տարածման մոդելների

Ռադիոհամակարգերի վրա հիմնված սիգնալի տարածման մոդելավորում և ծածկույթի պլանավորում

Ռադիոմիջավայրի տվյալների օգտագործմամբ սիգնալի տարածման մոդելավորում

Ռադիո ազդանշանների տարբեր միջավայրերում տարածման մոդելավորումը ներառում է այնպիսի բաներ, ինչպիսիք են տեղանքի բարձրությունը, որոշակի տարածքներում միասին փակված շենքերը եւ ծառերի խտության աճը: Երբ խոսքը ազդանշանի վարքագծի մասին է, մասնագետները այժմ օգտագործում են այնպիսի մեթոդներ, ինչպիսիք են ճառագայթների հետքորոշումը եւ մեքենայական ուսուցման ալգորիթմները: Այս գործիքները օգնում են հայտնաբերել ազդանշանների ուղիների հետ կապված խնդիրները եւ կարող են մեզ շատ ճշգրիտ տեղեկացնել ծածկագրության խոռոչների մասին: Որոշ հետազոտություններ ցույց են տվել, որ այս մոդելները մոտ 3.5 դեբիլ ճշգրտության շեմ են ունեցել, երբ 2023 թվականին փորձարկվել են արվարձաններում, ըստ Ponemon ինստիտուտի հետազոտությունների: Օրինակ, վերջին աշխատանքները, որտեղ հետազոտողները մարզել են կաշառքային նյարդային ցանցերը քաղաքային տեսարանների վրա: Նրանք կարողացան կանխատեսել մլմ ալիքների ազդանշանի կորուստների հաջողության 89 տոկոս տարբեր քաղաքային վայրերում: Այս ամենը նշանակում է, որ ցանցի դիզայներները ստիպված չեն լինի կառուցել աշտարակներ միայն այն բանի համար, որ տեսնեն, թե արդյոք դրանք աշխատում են նախ: Փոխարենը, նրանք կարող են համակարգչային մոդելներով սիմուլյացիաներ իրականացնել, ինչը ընկերություններին խնայում է մոտավորապես 740 հազար դոլար ամեն անգամ, երբ նրանք սկսում են նոր ցանցի գործարկման պլանավորում:

Բացվածքի պլանավորում և կայանի ընտրություն՝ կանխատեսողական ռադիո անալիտիկայի միջոցով

Երբ խոսքը լինում է ԲԹՍ-ի տեղադրման համար լավագույն վայրերի մասին, կանխատեսող անալիտիկան միավորում է տարածման մոդելներ, քարտեզներ, որոնք ցույց են տալիս բաժանորդների կենտրոնացման վայրերը, և կանխատեսումներ ցանցի կողմից սպասարկվող երթևեկության չափի մասին: Օպերատորները, որպես կանոն, հետևում են չորս փուլային գործընթացի՝ նախ շրջակա միջավայրի վերլուծություն, ապա ծածկույթի պլանավորում, հետո պարամետրերի կարգավորում և, վերջապես, չափանիշների որոշում: Այս մոտեցումը երկարորոշ ցանցերում հզորության հետ կապված խնդիրները կրճատում է մոտավորապես երկու երրորդով: Նոր գործիքները, որոնք օգտագործում են այդ գեղեցիկ 3D ռադիո ջերմային քարտեզները, նույնպես ապացուցվել են շատ արդյունավետ, ինչը համեմատության մեջ դնելով հին ձևով իրականացվող սիգնալի ուժի ստուգումների հետ, տեղադրման ընտրության ընթացքում սխալները կրճատում է ավելի քան 40%-ով: Վերցրեք, օրինակ, կապի բյուջեի սիմուլյացիաները՝ այս հաշվարկները դիտարկում են ինչպես վերելային, այնպես էլ իջեցման ուղղությամբ հզորության մակարդակները և գյուղական շրջաններում իրականում կարող են ընդլայնել ծածկույթի տարածքները գրեթե մեկ քառորդով՝ առանց նոր սարքավորումների ներդրման անհրաժեշտության:

Քաղաքային և գյուղական ռադիո տարածման մարտահրավերները ԲԹՍ-ի տեղադրման ընթացքում

Քաղաքային տարածքներում ազդանշանի մարժանը պետք է 7–9 դԲ-ով բարձր լինի՝ երկնաքերների կողմից ստվերացման հետևանքները չեզոքացնելու համար, իսկ գյուղական ցանցերը կարող են բախվել 12–18% ավելի լայն ծածկույթի տատանումների՝ անհավասար ռելիեֆի պատճառով: ԱԻ-վրա հիմնված նախագծման գործիքները լուծում են այս խնդիրները՝ հիբրիդ տարածքներում առաջին փորձի ժամանակ 91% ճշգրտությամբ ապահովելով ծածկույթը:

Ռադիոտեխնոլոգիաների օգտագործմամբ 5G BTS ծածկույթի օպտիմալացում

միլիմետրային ալիքների ռադիոհամակարգերի միջոցով 5G բազային կայանների ծածկույթի օպտիմալացում

MmWave ռադիոհամակարգերը, ըստ նախորդ տարվա Nature-ի հետազոտության, 5G տեխնոլոգիայում ծածկույթի և հզորության միջև բարդ հավասարակշռությունը լուծում են 28-ից 47 ԳՀց բարձր հաճախականությունների սահմաններում աշխատելով: Այդ համակարգերը կարող են ապահովել մի քանի գիգահերց շառավիղների վրա հիմնված շառավիղ, ինչը տվյալների արագությունը դարձնում է մոտ տասն անգամ ավելի բարձր՝ համեմատած նախկին 6 ԳՀց-ից ցածր ցանցերի հետ, որոնք մենք օգտագործել ենք: Սակայն այստեղ կա մի խնդիր. ազդանշանը շատ կարճ հեռավորության վրա է տարածվում՝ ընդամենը 300-ից 500 մետր, ինչից հետո սկսում է թուլանալ: Դա նշանակում է, որ օպերատորները պետք է ուշադիր մտածեն այդ համակարգերի տեղադրման վայրերի մասին՝ հաճախ հիմնվելով ազդանշանները ճիշտ կենտրոնացնելու համար անհրաժեշտ տեխնիկաների վրա, ինչպիսիք են ազդանշանի ուղղորդումը (beamforming) և Massive MIMO տեխնոլոգիան: 2023 թվականին հրապարակված որոշ հետազոտություններ ցույց տվեցին հետաքրքիր արդյունքներ mmWave տեխնոլոգիան ավանդական 6 ԳՀց-ից ցածր հաճախականությունների հետ համակցելիս: Շենքերով լի քաղաքներում ցանցի ծածկույթի խցիկները նկատաբար բարելավվեցին՝ փաստացի 41%-ով կրճատմամբ, ինչը այդ հիբրիդային մոտեցումներին դարձնում է շատ հ promising քաղաքային շրջակայքերում կապի խնդիրներ լուծելու համար:

Փոքր բջիջներ և Տարածված ռադիոյի միավորներ 5G ծածկույթի ընդլայնման համար

Երբ տարածված ռադիոյի միավորները (DRU) համատեղ աշխատում են փոքր բջիջների տեղադրման հետ, նրանք իրականում հաղթահարում են mmWave տեխնոլոգիային բնորոշ տարածման խնդիրները՝ ստեղծելով այսպիսի հզոր խտությամբ ցանցեր: Օպերատորները պարզել են, որ յուրաքանչյուր քառակուսի կիլոմետրում տեղադրելով մոտ 120-ից 150 հանգույց, կարող են զգալիորեն բարելավել շենքերի ներսում սիգնալի ընդունումը՝ ավելացնելով ներթափանցման տոկոսը մոտ 60%: Այսինքն նվազեցվում է հիմնական մակրո BTS համակարգերի բեռը: Սեուլում անցկացված փորձարկումների ընթացքում համակարգը հասել է մոտ 98%-ի հուսալի ծածկույթի բարձրաշեն շենքերում: Դա իրականացվել է այն մտքով, որ իրական ժամանակում տրաֆիկը փոխանցվում էր 28 ԳՀց և 3.5 ԳՀց հաճախականության միջակայքերի միջև՝ կախված նրանից, թե որն էր ավելի հարմար տվյալ պահին:

Դինամիկ սպեկտրի կիսում և դրա ազդեցությունը ռադիոհաղորդակցման տիրույթի վրա

Դինամիկ սպեկտրի կիսումը (DSS) թույլ է տալիս 4G և 5G ցանցերին միաժամանակ աշխատել 1.8-ից մինչև 2.1 ԳՀց հաճախականության շերտերում: Այս խելամիտ մոտեցումը ցանցի օպերատորներին տալիս է մոտ մեկ երրորդով ավելի մեծ 5G ծածկույթ՝ ավելացված սպեկտրային լիցենզիաների անհրաժեշտություն չունենալով: Համակարգը ավտոմատ կերպով կարգավորում է մոդուլյացիայի մեթոդները՝ անցնելով QPSK-ից 256-QAM ռեժիմին՝ կախված սիգնալների պահանջներից, ինչը կապի կայունությունն ապահովում է նաև այն դեպքում, երբ օգտատերը գտնվում է սելի եզրագլխին՝ ընդամենը 65 դԲմ սիգնալի ուժով: Օդային փորձարկումները ցույց են տվել, որ DSS իրականացնող ցանցի մատակարարները տեսնում են մոտ հինգերորդ մասով կրճատված զանգերի ընդհատումներ այն տեղերում, որտեղ սովորական մակրո սելերը հանդիպում են mmWave բարձր արագության տիրույթներին: Իրականում դա տրամաբանական է, քանի որ այդ անցման գոտիները միշտ խնդրահարույց են եղել կայուն սպասարկման համար:

Ռադիոծածկույթի հսկումն ու օպտիմալացումը տվյալների հիման վրա հիմնված մեթոդներով

Ռադիոսիգնալի ուժի գնահատման մեթոդներ իրական ժամանակում հսկելու համար

Սիգնալի ուժի հսկումը դարձել է ցանցի օպերատորների համար ստանդարտ պրակտիկա, ովքեր հետևում են բիթի սխալման հաճախադեպությանը (BER) և սիգնալ/աղմուկ հարաբերակցությանը (SNR): Երբ ցանցերը իրական ժամանակում վերլուծում են BER-ը, դա հնարավորություն է տալիս զբաղված ժամերին կամ շահագործման գագաթնակետին մոտ մեկ երրորդով կրճատել ծածկույթի խնդիրները: Միևնույն ժամանակ՝ մանրամասն SNR քարտեզները օգնում են հայտնաբերել այն տարածքները, որտեղ սիգնալները առաջացնում են խնդիրներ, հաճախ՝ մոտ 200 մետր իրարից հեռավորության վրա: Այսօրվա համակարգերը փաստորեն միավորում են BER և SNR տվյալները տեղական եղանակային պայմանների և շենքերի դասավորության հետ: Սա թույլ է տալիս ինժեներներին դինամիկորեն կարգավորել հզորության մակարդակները ռադիոհաճախականության ենթակառուցվածքի տարբեր մասերում, չնայած այս ամենն արդյունավետ կերպով իրականացնելը շարունակում է մնալ մարտահրավեր բարդ քաղաքային միջավայրերում աշխատող շատ աստիճանական խմբերի համար:

Ռադիոկապի տվյալների վրա հիմնված անցումային փորձարկումների և հանրային տվյալների միջոցով ծածկույթի կույտերի հայտնաբերում

Սիգնալի խնդիրները հայտնաբերելու հիբրիդային մոտեցումը միավորում է երկու հիմնական բաղադրիչ. հատուկ փորձարկման ավտոմեքենաներ, որոնք շրջում են և տվյալներ են հավաքում, և միաժամանակ՝ միացված սարքերի անանուն տվյալներ, որոնք, հավանաբար, ընդգրկում են դրանց մոտ 85%-ը: Երբ այս փորձարկման ավտոմեքենաները ճանապարհին են, նրանք հետևում են ազդանշանի ուժին խոշոր մայրուղիների տարբեր հատվածներում՝ նշելով այն տեղերը, որտեղ ընդունման մակարդակը իջնում է ընդունելի սահմանից ներքև (-90 dBm-ն է սահմանափակումը): Սակայն սա ոչ միայն խոշորամասշտաբ փորձարկումների մասին է: Իրական հրաշքը տեղի է ունենում, երբ ամենօրյա օգտատերերը նաև իրենց սարքերի տվյալներն են ներդրում: Այս հանրային տվյալները ցույց են տալիս փոքր մահացած գոտիներ, երբեմն 50 մետրից ոչ ավելի լայնությամբ, որոնք թաքնված են շենքերի միջև քաղաքային կենտրոններում: Ըստ արդյունաբերական զեկույցների՝ այս համակցված մեթոդը խնդիրներ է հայտնաբերում մոտ 40%-ով ավելի հաճախ, քան ավանդական մեթոդները անցյալում:

Կանխատեսող ծածկույթի սպասարկման համար արհեստական ինտելեկտով ազդանշանային անալիտիկա

Վերահսկելով նախորդ աշխատանքի ցուցանիշները՝ մեքենայական ուսուցման մոդելները կարող են կանխատեսել, թե երբ է ծածկույթը սկսում վատանալ մոտավորապես երեք օր առաջ։ Շերտերով աշխատող մի կոնկրետ ԱԻ համակարգ մոտ 98,6% ճշգրտության հասավ՝ որոշելով լավագույն մոդուլյացիայի կարգավորումները։ Բնական միջավայրում կատարված փորձարկումները ցույց տվեցին, որ դա իրականում նվազեցրեց զանգերի ընդհատումները մոտ 20-25%-ով, ինչպես նշված էր Nature հրատարակության մեջ անցյալ տարի։ Այս համակարգերի իսկական օգտակարությունն այն է, որ դրանք աշխատում են փոփոխվող սպեկտրային կանոնների հետ միասին։ Երբ մի տարածաշրջանում ցանցի ծանրաբեռնվածությունը չափազանց մեծ է, այն ավտոմատ կերպով մաս է տեղափոխում այն հաճախականություններին, որոնք ավելի քիչ են օգտագործվում։ Սա օգնում է պահպանել սպասարկման որակը կայուն մեծամասնության համար՝ մոտ 95% օգտատերեր հաղորդելով, որ նույնիսկ գագաթնակետի ժամանակներում նրանք խնդիրներ չեն ունենում։