Test & Måling:

RF-målinger med innebygd KI

Anritsu vil bruke European Microwave Week (EuMW) 2026 i London til å demonstrere sin nylig lanserte Tensor, som selskapet beskriver som verdens første AI-baserte vektornettverksanalysator (VNA).

Publisert

Plattformen er utviklet for å forenkle karakterisering av RF-, mikrobølge-, mmWave- og optiske komponenter ved hjelp av kunstig intelligens.

Under messen vil Anritsu vise hvordan Tensor kan redusere tiden fra oppsett til måleresultater gjennom KI-assisterte arbeidsflyter. Ifølge selskapet skal den innebygde KI-assistenten fungere som en «målepartner» som veileder brukeren gjennom komplekse oppgaver ved hjelp av naturlig språk. Dette omfatter blant annet målinger på forsterkere og miksere, S-parameteranalyse, kalibrering, SCPI-programmering og rapportering.

Et av demonstrasjonstemaene på EuMW blir karakterisering av RF-forsterkere. Tensor skal kunne gjennomføre målinger som gain, kompresjonspunkt, AM/AM, AM/PM, total harmonisk forvrengning (THD) og to-tone intermodulasjonsforvrengning (IMD) i én samlet oppsettprosess uten behov for omfattende rekonfigurering av instrumenteringen. Dette skal redusere nedetid og måleusikkerhet.

Anritsu vil også demonstrere målinger på miksere, både skalar- og vektorbaserte. Plattformen støtter blant annet måling av konverteringstap, isolasjon, fasesynkronisering, gruppeløpetid og gain-kompresjon. Med fire interne kilder, åtte mottakere og støtte for flere frekvensplaner er løsningen beregnet på komplekse mikserarkitekturer.

Innen mmWave-testing skal Tensor bidra til enklere måleoppsett ved å kunne kobles direkte til både Anritsus egne og tredjeparts mmWave-moduler. Dermed reduseres behovet for ekstra testutstyr samtidig som plattformen støtter bred frekvensdekning og fleksibel kildekontroll for blant annet harmoniske miksere og multiplikatorkjeder.

Anritsu opplyser at selskapet i tillegg til Tensor vil vise flere testløsninger rettet mot utfordringer innen RF-, mikrobølge-, mmWave- og høyhastighetsmålinger under EuMW 2026.

 

Powered by Labrador CMS