论文阅读——Compact Single-Feed Dual-Mode Antenna for Active RFID Tag Application

文章目录

论文来源:https://ieeexplore.ieee.org/document/7247651


摘要

文章提出了一种用于主动射频识别(RFID)标签应用的紧凑型单馈双模天线。该天线由一个位于FR4基板上的开槽贴片、一个馈电微带线和一个体积仅为60 mm × 50.3 mm × 6 mm(0.48λ₀ × 0.40λ₀ × 0.048λ₀,其中λ₀为中心频率的波长)的泡沫垫片组成。它在自由空间中表现为偶极子,在金属表面上则表现为贴片天线。

构建了一个原型,能够在自由空间中提供390 MHz(2.28-2.67 GHz)的阻抗带宽,在金属表面上提供470 MHz(2.32-2.79 GHz)的阻抗带宽,并进行了测量。提供了这两种情况下的辐射模式、峰值增益和辐射效率的测量结果。


一、天线设计

A. 天线结构

图1展示了所提天线的几何结构,该天线由馈电微带线、刻蚀在FR4基板上的开槽贴片和一个泡沫垫片组成。整体尺寸为60mm×50.3mm。FR4基板的厚度(H1)为1 mm,介电常数为4.4,损耗正切为0.02。图1(a)中,贴片上有两个垂直槽,槽宽(Ws)为2 mm。中间槽的长度(Ls1)为25 mm;开口槽的长度(Ls2)为15 mm。每个槽由一个开口端的50 Ω微带线馈电。两个微带线在馈电点合并,可以连接到一个主动RFID芯片或同轴电缆用于测量,如图1(a)所示。

图1 天线结构及样品.

所提天线具有两种工作模式。当放置在自由空间中时,天线工作在偶极子模式。在这种模式下,贴片由开口槽激励,主要的辐射电流水平定向。尽管中心槽中存在强电流,但这些电流对辐射的贡献很小,可以通过去除这些电流来验证。

当放置在金属表面上时,天线工作在贴片模式。这里使用了一个尺寸为120mm×120mm的方形接地平面用于设计目的;接地平面的影响在后续工作中以参数方式研究。在这种模式下,天线由中心槽激励,作为一个传统的5 mm厚的贴片天线工作。

B. 天线演进

首先,设计一个常规的5 mm厚的开槽贴片天线,放置在接地平面上。使用一个50 Ω微带线,称为线-1,通过槽激励贴片。然后,去除接地平面,这将导致天线阻抗失配。接着,调整线-1的长度;这条传输线可以在Smith Chart上旋转失配的天线阻抗。目标是将阻抗尽可能地接近开路点。

接下来,将天线放置在自由空间中,在现有贴片的边缘切割一个槽,并使用一个单独的50 Ω微带线,称为线-2,馈电槽。新槽可以激励偶极子模式。在这种模式下,可以通过槽的长度(Ls2)和开口微带线(L2)来调整天线。调整后,将偶极子模式天线放回到金属表面;线-2的天线阻抗将会失配。然后,调整线-2的长度,并将其阻抗尽可能接近开路点。

最后,合并线-1和线-2。在此阶段,必须保持两个线的绝对长度。当放置在金属表面上时,完成的天线的线-1侧将匹配,而线-2侧将处于开路状态;因此,只能激励贴片模式。在自由空间中,线-2侧将匹配,只能激励偶极子模式。

二、天线仿真与测试

所提天线的原型已制造完成,如图1(b)所示。为清晰展示同轴电缆与贴片的连接,泡沫垫片被去除。同轴电缆的内导体焊接到微带线上,外导体焊接到贴片上。

测试结果如下。




总结

提出了一种单馈双模主动RFID标签天线,该天线在微波频段工作。双模功能是通过使一种模式具有匹配的阻抗,而另一种模式在两种场景下具有无限输入阻抗来实现的。当在自由空间中使用时,天线作为偶极子工作;当应用于金属表面时,它作为贴片工作。与以往的双重应用RFID标签天线不同的是,所提天线的结构不包含接地平面。原型展示了所提设计的潜在应用和良好性能。

相关推荐
VVVVWeiYee19 小时前
Mesh路由组网
运维·网络·智能路由器·信息与通信
ianvtenr20 小时前
5G RedCap有哪些技术特点
5g·5g redcap·5g轻量化
宋发元1 天前
Preamble puncture 信号处理技术
网络·5g·信号处理
Bearnaise2 天前
GaussianDreamer: Fast Generation from Text to 3D Gaussians——点云论文阅读(11)
论文阅读·人工智能·python·深度学习·opencv·计算机视觉·3d
Fabarta技术团队2 天前
枫清科技亮相 2024 中国 5G+工业互联网大会,推动 AI 赋能新型工业化
人工智能·科技·5g
PD我是你的真爱粉2 天前
Quality minus junk论文阅读
论文阅读
亚辛的复仇2 天前
### 哋它亢在5G基站中的应用:新兴技术与未来通信的融合
5g
regret~2 天前
【论文笔记】LoFLAT: Local Feature Matching using Focused Linear Attention Transformer
论文阅读·深度学习·transformer
Maker~3 天前
23、论文阅读:基于多分辨率特征学习的层次注意力聚合GAN水下图像增强
论文阅读·学习·生成对抗网络
Q_yt3 天前
【图像压缩感知】论文阅读:Content-Aware Scalable Deep Compressed Sensing
论文阅读