空间行波管智能调试系统分为软件和硬件两部分，如图1所示。其中，软件系统又由行波管多目标优化系统和行波管电参数自动测试系统组成，而硬件系统则包括程控高压电源、被测行波管及一体化测试平台。行波管多目标优化系统是智能调试系统的核心，主要起到多目标优化及驱动自动测试系统的作用。程控高压电源和一体化测试平台是实现智能调试的基础。前者能够通过软件调整行波管的工作电压，改变其工作状态；后者集成了信号源、功率计、频谱仪、矢量网络分析仪、矩阵开关等硬件设备，配合自动测试系统完成空间行波管电参数测试。

图  1  智能调试系统框图

由于空间行波管应用场景的特殊性，对其性能提出了极高的要求，任何一个参数指标，如输出功率、总效率、谐波输出比、群时延波动、非线性相移等^[5]，都非常重要。因此，调试过程就是要找到能够使各个参数同时达到较优的工作状态，本质是一个多目标优化问题(multi-objective optimization problem, MOP)。相比单目标优化问题，多目标优化问题的解之间无法直接对比，又可能存在矛盾冲突。因此，多目标优化不存在唯一的全局最优解，而是存在多个最优解的集合，也被称作非劣最优解集或帕累托最优解集。

行波管多目标优化系统的核心算法是带精英策略的第二代快速非支配排序遗传算法(NSGA-II)^[6]。该算法是模拟了生物在自然环境中的遗传和进化的过程而形成的一种自适应全局优化概率搜索算法。NSGA-II继承了前代遗传算法的优点，同时做了部分优化：降低了计算复杂度；种群分布更均匀，保证了种群的多样性；引入精英策略，扩大了搜索空间^[7]。它是近年来最优秀的多目标优化算法之一，被广泛应用于机械工程^[8]、系统设计^[9]、管理决策^[10]等领域。

空间行波管多目标优化系统分为两部分：通过遗传产生新的种群和利用自动测试系统获取优化目标数据，软件流程如图2所示。前者遵循了NSGA-II算法的一般流程，完成种群生成、变异、淘汰等过程。同时，前者通过文件(*.xml)驱动后者进行行波管电参数测试，也通过文件(*.ini)获取目标数据用以目标优化。

图  2  空间行波管多目标优化系统软件流程图

行波管电参数自动测试系统^[11-12]并不是完整的测试系统，它是由多个独立的电参数测试模块(*.exe)组成的集合，有以下优点：

1)可以根据用户的优化目标增减，保证了整个系统的灵活性，方便后续进行功能扩展。

2)每个测试模块都能独立完成特定参数测量，保证了每个模块的专一性，有利于系统维护。

3)每个测试模块都具有独立的用户界面、测试参数文件和测试数据文件，测试过程极尽优化，提高可靠性，减少测试时间。

本系统优化目标主要针对的是行波管各个电参数，但是每个电参数的测试方法不尽相同，需要用到多个不同的测试设备。因此，设计了行波管电参数测试一体化平台^[13]，如图3所示。通过不同的开关组合，无需人工参与就能够组合成不同的测试系统以满足相应的测试要求，再配合自动测试软件，即可轻松实现空间行波管各个电参数测试。

图  3  一体化测试平台

为了避免局部收敛，遗传算法需要种子具备多样性。但是，对于本系统而言，种子对应的是各极电压组合，与被测行波管的工作状态息息相关，所以不合理的电压组合可能会直接或间接地损害被测行波管或高压电源。因此，必须通过一定的措施，以保证系统的安全，提高可靠性。

为了降低程控高压电源在长时间优化调试过程中出现不稳定工作状态的风险，优先加载相对于前一次电源设置电压波动更小的电压组合。因此，每当加载新的电压组合之前，需要计算所有剩余电压组合相对上一次设置的电压组合的方差和。方差和更小的电压组合意味着整体电压波动更小，更加有利于电源稳定。此外，考虑到本系统中程控高压电源的升压过程快于降压过程，因此方差和相同的情况下电压组合中升压更多的组合优先级更高。

目前，行波管中普遍采用螺旋线慢波结构，该结构具有色散特性好、耦合阻抗高、结构简单等优点，但金属陶瓷的组合结构承受热容量受限，应避免电子的集中轰击，所以螺旋线电流不能过大。因此，如果在连续波状态直接加载新的电压组合至高压电源，可能会导致静态螺旋线电流过大而损坏行波管。人工调试的一般做法是：首先使行波管工作在较低占空比的脉冲状态，然后不断增加占空比，同时观察螺旋线电流的变化，直到行波管在连续波状态下也可以保证螺旋线电流在限定范围内。因此，借鉴上述方法，利用软件实时监控与预测螺旋线电流，保证其不会超过保护阈值，流程如下：根据被测行波管的工作状态，至少选择3个占空比，从低到高依次设置，并同时获取对应的螺旋线电流。该过程中一旦超过螺旋线保护阈值则立即停止，并舍弃当前电压组合。否则，根据已经得到的占空比与对应的电流作线性拟合，预测连续波工作状态下螺旋线电流是否超过阈值。

此外，行波管电参数测试经常需要被测行波管工作在饱和工作状态甚至过饱和状态下，而螺旋线电流会随着激励功率的增加而增加。为了保证动态测试的系统安全，行波管电参数自动测试软件系统针对各个测量特性都有相应的保护和校验功能^[11]。

阴极电压调整会影响电子注电流(对第一阳极压差)和所有互作用状态(对第二阳极压差)，对行波管电参数影响较大。收集级电压调整会影响电子回流及收集效率。前者会对行波管性能参数产生一定的影响，而后者对提高行波管总效率意义重大。因此，以Ku波段空间行波管为测试对象，分别选取阴极电压(${U_k}$)和4个收集极电压(${U_{c1}}$、${U_{c2}}$、${U_{c3}}$、${U_{c4}}$)作为决策变量，其调整范围如表1所示，表中所有电压均为绝对值，且收集极电压均为对阴极电压。

其中，标准值是指被测行波管标称值，是以仿真结果为参考、经过人工调试得到的电压组合，对现阶段研究智能调试系统具有重要的参考意义。因此，以标准值为基准、上下浮动一定范围的方法决定优化参数范围，可以有效缩小搜索范围、加快收敛速度。

首先，如前所述，效率是空间行波管非常重要的指标之一^[14]。其次，效率的测试要求比较简单、测量值比较稳定，有利于验证遗传算法的正确性。因此，选定Ku波段空间行波管低、中、高(${f_{\rm{L}}}$、${f_{\rm{O}}}$、${f_{\rm{H}}}$)3个频点的饱和总效率(${\eta _{\rm{L}}}$、${\eta _{\rm{O}}}$、${\eta _{\rm{H}}}$)为优化目标。

从图4中可以看出，3个频点的曲线都是随着迭代次数逐步上升，说明种群在进化过程中更优秀的个体在不断地产生。进一步分析，前4次迭代过程使得总效率的增长更快。原因是初始种群是随机生成的，分布比较均匀，种群中优秀个体占比小，所以在遗传算法的前期能够更容易得到优秀的个体；而到了遗传算法的后期由于全局最优解基本上都已经得到，继续进化并不能得到更多优秀的个体，效率值的增长自然会变得缓慢。

图  4  空间行波管低、中、高频效率随迭代次数变化

经过30次迭代计算得到的帕累托最优解集，如表2所示。5个最优解各有优劣，互不支配。与标准值相比，5个最优解均有不同程度的优化。

为了继续验证整个系统的功能，选择相同的决策变量及取值范围，优化目标选择中频点总效率${\eta _{\rm{O}}}$及饱和激励群时延波动最大值${\varDelta _{\max }}$。其优化过程及最终的优化结果分别如表3和图5所示。

需要额外说明的是本文所使用的Ku波段空间行波管属于早期产品，总体性能距离国内最高水平的产品有较大差距，例如目前Ku波段空间行波管总效率已经超过65%^[15]。本文中被测行波管主要是作为系统功能性验证的实验对象，探讨采用智能调试方法进一步提升产品性能的可能性。

图  5  空间行波管优化过程

本文介绍了一种用于空间行波管调试的智能系统。利用NSGA-II算法解决了空间行波管调试的多目标优化问题，实现智能化调试；配合自动测试系统及一体化平台可以实现无人工干预调试，自动化程度高；系统中增加了多层保护功能，可靠性得到保证。针对Ku波段空间行波管的多频点总效率及群时延特性进行了验证实验，验证了系统的功能。另外，与人工调试的标准值相比，被测行波管性能都有一定程度的提升，但是本系统对测试人员要求更低，有助于形成更加标准、规范的调试流程，特别适合于空间行波管研制和生产过程。