رادار تشخیص پهپادها در محیط‌های معدنی چگونه عمل می‌کند؟

چالش‌های الکترومغناطیسی برای تشخیص پهپادها در معادن

تداخل سیگنال زمینی، اعوجاج چندمسیری و اثرات وارونگی حرارتی

معادن محیط‌های الکترومغناطیسی منحصربه‌فردی را برای تشخیص پهپادها ایجاد می‌کنند. سه پدیده مرتبط—تداخل سیگنال زمینی، اعوجاج چندمسیری و وارونگی حرارتی—به‌صورت سیستماتیک عملکرد رادار را کاهش می‌دهند:

• تداخل سیگنال زمینی تراکم‌های فشرده تجهیزات ایستا و متحرک—مانند بیل‌ها، کامیون‌های حمل و نقل، و شکننده‌ها—ترکیب‌شده با توپوگرافی نامنظم، بازتاب‌های راداری پایدار و پویا ایجاد می‌کنند که امضای پهپادهای با ضریب بازتاب راداری پایین (Low-RCS) را پنهان می‌سازند.
• تشویش چندمسیری سیگنال‌های رادار از دیواره‌های عمودی و شیب‌دار بالای چاه‌ها و دیواره‌های گودال بازتاب می‌یابند و اکویی جعلی ایجاد می‌کنند که به‌صورت اهداف تکراری در صفحات آزیموت و ارتفاع ظاهر می‌شوند—و این امر ردیابی و طبقه‌بندی را دشوار می‌سازد.
• ورودی حرارتی در شفت‌ها و گودال‌های عمیق، گرادیان‌های دما امواج رادیویی را از سنسورهای رادار منحرف می‌کنند. مطالعات نشان داده‌اند که در عمق‌های بیش از ۲۰۰ متر، تضعیف سیگنال تا ۵۰٪ نیز گزارش شده است.

این اثرات در طول طوفان‌های گرد و غبار یا بارش‌ها تشدید می‌شوند و برد تشخیص مؤثر را نسبت به مبنای زمین‌های باز ۳۰ تا ۶۰ درصد کاهش می‌دهند.

امضاهای پهپادهای با ضریب بازتاب راداری پایین (Low-RCS) و حرکت کند در میان نویز تجهیزات سنگین

پهپادهای ریز (micro-UAV) مدرن، چالش‌های تشخیص را در معادن فعال از طریق پنهان‌کاری فیزیکی و طیفی تشدید می‌کنند:

• مقطع راداری (RCS) آن‌ها اغلب زیر ۰٫۰۱ مترمربع قرار دارد—که با پرندگان قابل مقایسه است—در حالی که وسایل نقلیه سنگین باربر بیش از ۱۰۰ مترمربع را اشغال می‌کنند و این امر منجر به تفاوتی در حد ۴ تا ۵ مرتبه‌ی بزرگی در قدرت سیگنال بازگشتی می‌شود.
• سرعت‌های پروازی زیر ۱۵ متر بر ثانیه با حرکت نوار نقاله و چرخه‌های نوسان بیل‌ها همپوشانی دارند و این امر تفکیک ویژگی‌های جنبشی را مبهم می‌سازد. ارتعاشات مکانیکی نیز تداخل هارمونیکی ایجاد می‌کنند که از امضای میکرو-دپلر (micro-Doppler) پهپادهای حرکت‌کننده‌ی آهسته قابل تشخیص نیست.
• انتشارات قوی فرکانس رادیویی (RF) از دستگاه‌های کششی (draglines)، مته‌ها و خردکننده‌ها، باندهای حیاتی FMCW را اشباع می‌کند و این امر نیازمند پردازش سیگنالی است که بتواند تغییرات میکرو-دپلری زیر ۵ هرتز را تفکیک کند.

بدون استفاده از روش‌های تخصصی حذف نویز (clutter rejection) و آستانه‌گذاری انطباقی (adaptive thresholding)، احتمال شناسایی پهپادها در فاصله‌ی کمتر از ۵۰۰ متر از تجهیزات فعال، زیر ۴۰٪ کاهش می‌یابد.

سازگاری‌های فناوری رادار برای شناسایی قابل اعتماد پهپادها

بهبودهای رادارهای پالسی-دپلر و FMCW برای شرایط خاص معدن

برای غلبه بر تداخلات خاص معدن‌کاری، سیستم‌های راداری مدرن از ترکیب معماری آگاه از فیزیک با عملکرد چندبانده استفاده می‌کنند:

سیستم رادار پالس-دپلر با مرتب‌سازی سیگنال‌ها در شیب‌های داپلر مختلف بر اساس سرعت کار می‌کند؛ این امر به فیلتر کردن نویز ناشی از اشیاء ثابت و تجهیزات با حرکت کند کمک می‌کند، در حالی که سیگنال‌های پهپاد (UAV) بدون تغییر باقی می‌مانند. رادار FMCW لایه‌ای دیگر از قابلیت را اضافه می‌کند و اندازه‌گیری‌های بسیار دقیق فاصله را فراهم می‌سازد که تشخیص پهپادهای ریز (micro-UAV) را حتی زمانی که سطح مقطع راداری آن‌ها به حدود ۰٫۰۱ متر مربع برسد، امکان‌پذیر می‌سازد. هنگامی که این فناوری‌ها را در چندین باند فرکانسی ترکیب می‌کنیم، اوضاع جالب می‌شود. استفاده از فرکانس‌های باند L/S عملکرد بهتری را در محیط‌های گرد‌آلود و شرایط مرطوب فراهم می‌کند، در حالی که باند X امکان ردیابی بسیار دقیق را فراهم می‌سازد. این ترکیب به نرخ موفقیت حدود ۹۳٪ در شناسایی پهپادها در ارتفاع کمتر از ۵۰ متر در نزدیکی نوارهای نقاله و مناطق چاه‌های معدنی — که دید در آن‌ها دشوار است — دست می‌یابد. و نکتهٔ دیگری که ارزش ذکر دارد این است که پردازش پیشرفتهٔ سیگنال، مشکلاتی را رفع می‌کند که در آن اهداف به دلیل بازتاب‌های ناشی از دیوارهای معدن و سایر سازه‌ها به صورت تکثیرشده ظاهر می‌شوند.

پردازش CFAR بهینه‌شده با هوش مصنوعی برای سرکوب هشدارهای کاذب ناشی از هارمونیک‌های نوار نقاله و دیواره‌های بلند

الگوریتم‌های سنتی CFAR در محیط‌های معدنی به‌خوبی عمل نمی‌کنند، زیرا امواج هارمونیک تکرارشونده با دامنه بالا از تجهیزاتی مانند خردکن‌ها، نوارهای نقاله و داگلاین‌ها ایجاد می‌شوند. این امر منجر به تولید تعداد زیادی هشدار کاذب می‌گردد که تشخیص سیگنال‌های واقعی پهپادها را دشوار می‌سازد. رویکرد جدید CFAR با قابلیت تقویت‌شده هوش مصنوعی، تنظیمات آستانه ثابت را با مدل‌های یادگیری ماشین جایگزین می‌کند که با استفاده از داده‌های واقعی طیف تجهیزات معدنی آموزش دیده‌اند. تفاوت اصلی این روش در توانایی مدل‌ها برای تشخیص الگوهای حرکتی غیرمعمول پهپادها در مقابل چرخه‌های منظم ماشین‌آلات اطراف است. علاوه بر این، این مدل‌ها به‌صورت خودکار بر اساس شرایط هر مکان خاص، از جمله عواملی مانند شکل دیواره‌های بلند و تداخل الکترومغناطیسی ناشی از سیستم‌های محرک نوار نقاله، تنظیم می‌شوند.

آزمایش‌های میدانی کاهش ۴۱ درصدی در هشدارهای اشتباه را نسبت به روش معمول CFAR تأیید کردند، در حالی که عملکرد آن در طول طوفان‌های گردوغبار — که روش‌های جایگزین مبتنی بر اپتیک و فرکانس رادیویی (RF) در آن‌ها شکست می‌خورند — حفظ شده است.

عملکرد تشخیص پهپاد در شرایط واقعی و اعتبارسنجی آن

استقرار در منطقه پیلبارا شرکت ریو تینتو: نرخ تشخیص ۹۲ درصد در فاصله ¤۱٫۲ کیلومتری تحت شرایط گردوغبار و وارونگی

سیستم‌های راداری مستقر در منطقهٔ پیلبارا در ایالت استرالیای غربی موفق به شناسایی هواپیماهای بدون سرنشین میکرو (micro-UAV) با دقتی حدود ۹۲ درصد شدند، حتی زمانی که این وسایل تا فاصلهٔ ۱٫۲ کیلومتری از سیستم پرواز می‌کردند. این منطقه چالش‌های جدی‌ای ایجاد می‌کند؛ از جمله وجود مداوم گرد و غبار سنگ آهن در هوا، وارونگی‌های حرارتی و فعالیت‌های صنعتی بی‌وقفه در طول شبانه‌روز. عامل اصلی عملکرد برجستهٔ این سیستم‌ها چیست؟ این سیستم‌ها از فناوری پیشرفتهٔ دوپلر در چندین محدودهٔ طیفی استفاده می‌کنند تا اهداف بسیار کوچک و کندحرکت را در مقابل تمام نویزهای پس‌زمینه — ناشی از ذرات گرد و غبار و تغییرات در نحوهٔ انتشار امواج رادیویی در جو — تشخیص دهند. آزمایش‌ها نشان می‌دهند که این رویکرد دو‌بانده واقعاً در برابر بررسی‌های دقیق مقاومت می‌کند و بسیاری از متخصصان آن را سخت‌ترین محیط الکترومغناطیسی برای عملیات معدنی در سراسر جهان می‌دانند.

آزمایش انگلو امریکن در سال ۲۰۲۳: کاهش ۴۱ درصدی هشدارهای اشتباه از طریق آستانه‌گذاری تطبیقی

در سال ۲۰۲۳، شرکت آنگلو آمریکن آزمایشی را انجام داد تا بررسی کند که آستانه‌بندی تطبیقی مبتنی بر هوش مصنوعی چگونه بر عملیات در یکی از بزرگ‌ترین معدن‌های استخراج مواد معدنی خود تأثیر می‌گذارد. نتایج نشان داد که این سیستم در مقایسه با رادارهای سنتی با آستانهٔ ثابت، تقریباً ۴۱ درصد از هشدارهای کاذب را کاهش داده است. این سیستم به‌ویژه در جلوگیری از آن سیگنال‌های آزاردهنده‌ای که از نوارهای نقاله و بازتاب‌های عجیب از دیواره‌های بلند معدن ایجاد می‌شوند، عملکرد بسیار خوبی داشته است. کل این سیستم به این دلیل کار می‌کند که نقشه‌های پراکندگی (clutter maps) خود را به‌صورت بلادرنگ و بر اساس فعالیت ماشین‌آلات و سیگنال‌هایی که رادار دریافت می‌کند، به‌روزرسانی می‌نماید. این امر به این معناست که سیستم بدون نیاز به تنظیم دستی توسط اپراتورها، همواره قادر است تهدیدهای واقعی را از نویز پس‌زمینه به‌درستی تشخیص دهد. این دستاورد واقعاً قابل تحسین است، زیرا تمام تجهیزات در طول شیفت‌های مختلف جابه‌جا می‌شوند و برنامه‌های کاری نیز تغییر می‌کنند.

سوالات متداول

«پراکندگی زمینی» در زمینهٔ شناسایی پهپادها (UAV) در معادن چیست؟

«آلودگی زمینی» به اغتشاشات راداری اشاره دارد که توسط تمرکزهای متراکم تجهیزات معدنی ساکن و متحرک، و همچنین توپوگرافی نامنظم ایجاد می‌شوند و می‌توانند امضاهای با برش عرضی راداری (RCS) پایین پهپادها را پنهان کنند.

وارونگی حرارتی چگونه بر تشخیص پهپادها تأثیر می‌گذارد؟

وارونگی حرارتی در معادن باعث ایجاد گرادیان‌های دمایی می‌شود که امواج رادیویی را از سنسورهای رادار منحرف کرده و منجر به تضعیف قابل توجه سیگنال می‌گردد و این امر تشخیص پهپادها را دشوارتر می‌سازد.

چرا پهپادهای میکرو مدرن در معادن تشخیص داده شدن دشوار هستند؟

پهپادهای میکرو مدرن برش عرضی راداری (RCS) پایینی دارند که قابل مقایسه با پرندگان است و با سرعتی مشابه فعالیت‌های معدنی حرکت می‌کنند؛ بنابراین تشخیص تفاوت آن‌ها از نویز اطراف و ارتعاشات ماشین‌آلات دشوار است.

بهینه‌سازی هوش مصنوعی الگوریتم CFAR چگونه تشخیص پهپادها را در محیط‌های معدنی بهبود می‌بخشد؟

CFAR بهینه‌شده با هوش مصنوعی، تنظیمات آستانهٔ ثابت را با مدل‌های یادگیری ماشین جایگزین می‌کند که به داده‌های دنیای واقعی و شرایط محیطی تطبیق می‌یابند و به‌طور قابل‌توجهی هشدارهای اشتباه را کاهش داده و دقت تشخیص پهپادها را افزایش می‌دهد.