Wie performt ein UAV-Erkennungsradar in Bergbauumgebungen?

Elektromagnetische Herausforderungen für die UAV-Erkennung in Bergwerken

Bodenstörungen, Mehrwegeverzerrungen und Effekte der thermischen Inversion

Bergbaustandorte erzeugen eine besonders feindliche elektromagnetische Umgebung für die UAV-Erkennung. Drei miteinander verbundene Phänomene – Bodenstörungen, Mehrwegeverzerrungen und thermische Inversion – beeinträchtigen die Radarleistung systematisch:

• Bodenstörungen dichte Konzentrationen von stationärer und beweglicher Ausrüstung – Bagger, Transportfahrzeuge, Brecher – in Kombination mit unregelmäßiger Topografie erzeugen anhaltende, dynamische Radarechos, die Signale von Drohnen mit geringem Radarquerschnitt (low-RCS) überlagern.
• Mehrwegeausbreitung radarsignale werden an steilen, senkrechten Hochwänden und Grubenwänden reflektiert und erzeugen dadurch Falschsignale, die sich als doppelte Ziele in Azimut- und Elevationsrichtung darstellen – was Verfolgung und Klassifizierung erschwert.
• Thermische Inversion in Schächten und tiefen Gruben brechen Temperaturgradienten Funkwellen von den Radarsensoren ab. Untersuchungen haben eine Signalabschwächung von bis zu 50 % in Tiefen über 200 Meter dokumentiert.

Diese Effekte verstärken sich während Staubstürme oder Niederschlägen und reduzieren die effektive Erkennungsreichweite um 30–60 % gegenüber den Referenzwerten für offenes Gelände.

Signale von Drohnen mit geringem Radarquerschnitt (low-RCS) und geringer Geschwindigkeit im Umfeld starken Maschinengeräusches

Moderne Mikro-Drohnen verschärfen die Erkennungsherausforderungen in aktiven Bergwerken durch physische und spektrale Tarnung:

• Ihre radarkreuzschnittflächen (RCS) liegen oft unter 0,01 m² – vergleichbar mit Vögeln – während schwere Transportfahrzeuge 100 m² überschreiten, was eine Differenz der Rückstreustärke um vier bis fünf Größenordnungen ergibt.
• Kreuzungsgeschwindigkeiten unter 15 m/s überlappen mit der Bewegung von Förderbändern und den Schwenkzyklen von Baggern, wodurch kinematische Unterscheidungsmerkmale verwischt werden. Mechanische Vibrationen erzeugen zudem harmonische Störungen, die sich nicht von den Mikro-Doppler-Signalen langsam fliegender UAVs unterscheiden lassen.
• Hochleistungs-HF-Emissionen von Abraumförderern, Bohrgeräten und Brechmaschinen saturieren kritische FMCW-Bänder und erfordern Signalverarbeitung, die in der Lage ist, Mikro-Doppler-Verschiebungen unterhalb von 5 Hz aufzulösen.

Ohne spezialisierte Clutter-Unterdrückung und adaptive Schwellenwertanpassung sinkt die Erkennungswahrscheinlichkeit für Drohnen, die innerhalb von 500 Metern aktiver Maschinen operieren, unter 40 %.

Anpassungen der Radartechnologie für zuverlässige UAV-Erkennung

Verbesserungen von Impuls-Doppler- und FMCW-Radarsystemen für bergbauspezifische Bedingungen

Um bergbauspezifische Störungen zu überwinden, kombinieren moderne Radarsysteme eine physikbasierte Architektur mit Mehrbandbetrieb:

Das Pulse-Doppler-Radarsystem arbeitet, indem es Signale anhand ihrer Geschwindigkeit in verschiedene Doppler-Bins sortiert. Dadurch können Störungen durch stehende Objekte und langsam bewegte Ausrüstung ausgefiltert werden, während die Signale der UAVs unverändert bleiben. Das FMCW-Radar (Frequenzmoduliertes Dauerstrichradar) fügt hier eine weitere Funktionalitätsebene hinzu und bietet äußerst präzise Entfernungsmessungen, die es ermöglichen, selbst winzige Mikro-UAVs zu detektieren – selbst dann, wenn deren Radarquerschnitt auf etwa 0,01 Quadratmeter absinkt. Wenn diese Technologien über mehrere Frequenzbänder hinweg kombiniert werden, ergeben sich interessante Möglichkeiten: L-/S-Band-Frequenzen gewährleisten eine bessere Leistung unter staubigen Umgebungsbedingungen und bei hoher Luftfeuchtigkeit, während das X-Band eine besonders scharfe Zielverfolgung ermöglicht. Diese Kombination erreicht eine Erfolgsquote von rund 93 % bei der Erkennung von Drohnen in Höhen unter 50 Metern in der Nähe von Förderbändern und Tagebauzonen, wo die Sichtverhältnisse erschwert sind. Ein weiterer Aspekt ist erwähnenswert: Durch hochentwickelte Signalverarbeitung lassen sich Probleme beheben, bei denen Ziele aufgrund von Reflexionen an Bergwerkswänden und anderen Strukturen fälschlicherweise als doppelte Objekte erscheinen.

KI-optimierte CFAR-Verarbeitung zur Unterdrückung falscher Alarme durch Förderbandharmonische und Hochwände

Die herkömmlichen CFAR-Algorithmen funktionieren in Bergbaubetrieben einfach nicht gut, da sie durch die zahlreichen sich wiederholenden, hochamplitudigen Harmonischen – etwa von Brechern, Förderbändern und Seilbaggern – stark beeinträchtigt werden. Dies führt zu vielen Fehlauslösungen, wodurch der Nachweis tatsächlicher UAV-Signale erschwert wird. Der neue Ansatz mit KI-verbesserter CFAR-Verarbeitung ersetzt die festen Schwellenwerte durch maschinelle Lernmodelle, die anhand realer Spektraldaten von Bergbaumaschinen trainiert wurden. Was diesen Ansatz besonders macht, ist die Fähigkeit dieser Modelle, die ungewöhnlichen Bewegungsmuster von UAVs von den regelmäßigen Zyklen der umgebenden Maschinen zu unterscheiden. Zudem passen sie sich dynamisch an die jeweilige Standortsituation an – unter Einbeziehung von Faktoren wie der Form der Hochwände und elektromagnetischen Störungen durch Bandantriebe.

Feldversuche bestätigten eine Reduzierung der Fehlalarme um 41 % gegenüber herkömmlichem CFAR bei gleichzeitig stabiler Leistung während Staubstürmen, bei denen optische und funkbasierte Alternativen versagen.

Leistung und Validierung der Drohnenerkennung im realen Einsatz

Einsatz bei Rio Tinto in der Pilbara: Erkennungsrate von 92 % bei 1,2 km unter Staub- und Inversionsbedingungen

Die in der Pilbara-Region von Western Australia eingesetzten Radarsysteme konnten Mikro-UAVs mit einer Genauigkeit von rund 92 Prozent erkennen, selbst wenn diese bis zu 1,2 Kilometer entfernt flogen. Dieser Bereich stellt erhebliche Herausforderungen dar: Ständig befindet sich Eisenerzstaub in der Luft, es treten thermische Inversionen auf und die industrielle Aktivität erfolgt rund um die Uhr. Wodurch zeichnen sich diese Systeme aus? Sie nutzen fortschrittliche Doppler-Technologie über mehrere Frequenzbänder hinweg, um diese winzigen, langsam fliegenden Ziele selbst vor dem Hintergrund des durch Staubpartikel und atmosphärische Veränderungen in der Ausbreitung von Funkwellen verursachten Rauschens zuverlässig zu identifizieren. Tests belegen, dass dieser Dualband-Ansatz sich in einer Umgebung bewährt, die von vielen als die elektromagnetisch anspruchsvollste für Bergbaubetriebe weltweit gilt.

Anglo American – Feldversuch 2023: 41 % Reduktion falsch-positiver Alarme durch adaptive Schwellenwertanpassung

Im Jahr 2023 führte Anglo American einen Test durch, um zu untersuchen, wie sich eine KI-basierte adaptive Schwellenwertbestimmung auf den Betrieb einer ihrer großen Mineralgewinnungsstätten auswirkt. Die Ergebnisse zeigten, dass dieses System im Vergleich zu herkömmlichen Radargeräten mit festen Schwellenwerten die Anzahl falscher Alarme um rund 41 Prozent senkte. Besonders effektiv war es bei der Unterdrückung störender Signale von Förderbändern sowie ungewöhnlicher Reflexionen an den Hochwänden. Das gesamte System funktioniert, indem es seine Störkarten in Echtzeit kontinuierlich aktualisiert – basierend auf den Aktivitäten der Maschinen und den vom Radar erfassten Signalen. Dadurch bleibt die Unterscheidung zwischen echten Bedrohungen und Hintergrundrauschen stets präzise, ohne dass manuelle Einstellungsanpassungen erforderlich wären. Dies ist besonders beeindruckend, da sämtliche Geräte regelmäßig umpositioniert werden und die Arbeitspläne sich je nach Schicht ändern.

Häufig gestellte Fragen

Was versteht man unter Bodenstörungen im Zusammenhang mit der Erkennung von UAVs in Bergwerken?

Bodenstörungen beziehen sich auf Radaranstörungen, die durch dichte Konzentrationen sowohl statischer als auch beweglicher Bergbaumaschinen sowie durch eine unregelmäßige Topografie verursacht werden und die Signale von Drohnen mit geringem Radarquerschnitt (RCS) überdecken können.

Wie beeinflusst eine Temperaturinversion die Erkennung von UAVs?

Temperaturinversionen im Bergbau führen zu Temperaturgradienten, die Radiowellen von Radarsensoren ablenken, was zu einer erheblichen Signalabschwächung führt und die Erkennung von UAVs erschwert.

Warum sind moderne Mikro-UAVs im Bergbau schwer zu erkennen?

Moderne Mikro-UAVs weisen einen geringen Radarquerschnitt auf, der dem von Vögeln vergleichbar ist, und bewegen sich mit Geschwindigkeiten, die denen von Bergbaubetrieben ähneln, wodurch sie sich nur schwer vom umgebenden Rauschen und den Maschinenschwingungen unterscheiden lassen.

Wie verbessert eine KI-optimierte CFAR-Methode die UAV-Erkennung in Bergbauumgebungen?

KI-optimiertes CFAR ersetzt feste Schwellenwerteinstellungen durch maschinelle Lernmodelle, die sich an reale Daten und Umgebungsbedingungen anpassen und dadurch falsche Alarme deutlich reduzieren sowie die Erkennungsgenauigkeit von UAVs verbessern.