Kuinka UAV-tunnistusradarit toimivat kaivostoiminnan ympäristössä?

Sähkömagneettiset haasteet UAV-tunnistukselle kaivoksissa

Maapinnan häiriöt, monitiepoikkeama ja lämpöinversioilmiöt

Kaivosalueet muodostavat UAV-tunnistukselle ainutlaatuisen vihamielisen sähkömagneettisen ympäristön. Kolme toisiinsa liittyvää ilmiötä – maapinnan häiriöt, monitiepoikkeama ja lämpöinversio – heikentävät järjestelmällisesti radarin suorituskykyä:

• Maapinnan häiriöt tiukat staattisen ja liikkuvan kaluston—kauhakuivaimet, kuljetuskuorma-autot, murskauslaitteet—tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat tiukat ti......
• Monitieheijastuksen aiheuttama vääristymä radar signaalit heijastuvat jyrkistä, pystysuorista kallioseinämistä ja kaivoksen seinämiä, mikä aiheuttaa vääriä kajahteluja, jotka näyttävät kaksoiskohdeina sekä azimut- että korkeus-tasossa—hämmentäen seurantaa ja luokittelua.
• Lämpöinversio kaivoksissa ja syvissä kuopissa lämpötilagradientit taittavat radiotaaltoja pois radarsensoreilta. Tutkimukset ovat dokumentoineet jopa 50 %:n signaalin vaimenemisen syvyyksillä yli 200 metriä.

Nämä vaikutukset voimistuvat pölymyrskyn tai sateen aikana, vähentäen tehokasta havaintoetäisyyttä 30–60 % avoimen maaston perustasosta.

Alhaisen RCS:n ja hitaasti liikkuvien UAV:n signaalit voimistuvat raskaiden koneiden melun keskellä

Nykyiset mikro-UAV:t vaikeuttavat havaintaa aktiivisissa kaivoksissa sekä fyysisen että spektrin piiloutumisen kautta:

• Niiden radartutkakuvion poikkipinta-alat (RCS) ovat usein alle 0,01 m² — verrattavissa lintujen kanssa — kun taas raskaiden kuljetusajoneuvojen poikkipinta-alat ylittävät 100 m², mikä aiheuttaa 4–5 suuruusluokan eron heijastusvoimassa.
• Matkustusnopeudet alle 15 m/s päällekkäistyvät kuljetusnauhan liikkeen ja kauhun heilahdusjaksojen kanssa, mikä hämärtää kinemaattisia eroja. Mekaaniset värähtelyt tuottavat lisäksi harmonista häiriötä, jota ei voida erottaa hitaasti liikkuvien UAV-laitteiden mikro-Doppler-signaaleista.
• Korkean tehon radioaaltoemissiot dragline-koneilta, porakoneilta ja murskauslaitteilta täyttävät kriittiset FMCW-taajuusalueet, mikä edellyttää signaalinkäsittelyä, joka pystyy erottelemaan alle 5 Hz:n mikro-Doppler-siirtymiä.

Ilman erityisiä häiriöiden poistamiseen tarkoitettuja menetelmiä ja sopeutuvaa kynnystä, havaintotodennäköisyys laskee alle 40 %:n dronelaitteille, jotka toimivat aktiivisten koneiden 500 metrin säteellä.

Radarteknologian mukautukset luotettavaan UAV-havaintoon

Pulssi-Doppler- ja FMCW-radareiden parannukset kaivostoimintaan soveltuviksi olosuhteiksi

Kaivostoiminnan aiheuttamaa häiriötä vastaan taisteleminen vaatii nykyaikaisissa tutkajärjestelmissä fysiikkaa tietävän arkkitehtuurin yhdistämistä monitaajuusoperaatioon:

Pulse-Doppler-radarjärjestelmä toimii luokittelemalla signaalit eri Doppler-luokkiin nopeuden perusteella, mikä auttaa suodattamaan pois kohinaa paikallisista kohteista ja hitaasti liikkuvasta laitteistosta säilyttäen samalla UAV-signaalit koskemattomina. FMCW-radar lisää tähän vielä yhden kyvykkyyden tason tarjoamalla erinomaisia etäisyysmittauksia, joiden avulla voidaan havaita jopa hyvin pieniä mikro-UAV:ita, vaikka niiden radartutkakuvion pinta-ala olisi vain noin 0,01 neliömetriä. Kun nämä teknologiat yhdistetään useilla taajuusalueilla, tilanne muuttuu mielenkiintoiseksi. L/S-taajuusalueen käyttö mahdollistaa paremman suorituskyvyn pölyisissä ympäristöissä ja kosteissa olosuhteissa, kun taas X-taajuusalue tarjoaa tarkan seurantatarkkuuden. Tämä yhdistelmä saavuttaa noin 93 %:n onnistumisprosentin dronien havaitsemisessa alle 50 metrin korkeudella kaivoksen kuljetusnauhojen ja kaivannon alueiden läheisyydessä, joissa näkyvyys on vaikeaa. Ja tässä on vielä yksi huomionarvoinen seikka: kehittynyt signaalinkäsittely korjaa itse asiassa ongelmia, joissa kohteet näyttävät tuplautuvan heijastusten takia, jotka syntyvät kaivoksen seinistä ja muista rakenteista.

Tekoälyllä optimoitu CFAR-käsittely väärien hälytysten tukemiseksi kuljetinharmoniikoista ja korkeista seinistä

Perinteiset CFAR-algoritmit eivät toimi hyvin kaivostoiminnassa, koska esimerkiksi murskauslaitteista, kuljetinhihnastoista ja raivauskoneista tulee paljon toistuvia korkean amplitudin harmoniikoita. Tämä aiheuttaa runsaasti vääriä hälytyksiä, mikä vaikeuttaa todellisten UAV-signaalien havaitsemista. Uusi, tekoälyllä parannettu CFAR-menetelmä korvaa kiinteät kynnysarvoasetukset koneoppimismalleilla, jotka on koulutettu käyttäen todellisia kaivostekniikan laitteiden spektritietoja. Tämän erityispiirteen tekee se, että nämä mallit pystyvät erottamaan UAV-lentokoneiden epätavallisesta liikkeestä säännölliset työkoneiden käyttösyklit. Lisäksi ne sopeutuvat itse paikallisesti tapahtuvaan tilanteeseen, mukaan lukien tekijät kuten korkeiden seinien muoto ja vyöhyihin liittyvä sähkömagneettinen häference.

Kenttäkokeet vahvistivat 41 %:n väärävaroitusten vähentymisen verrattuna perinteiseen CFAR-menetelmään, ja suorituskyky säilyi myös pölymyrskyissä, joissa optiset ja RF-perusteiset vaihtoehdot epäonnistuvat.

Todellisen maailman UAV-tunnistuksen suorituskyky ja validointi

Rio Tinton Pilbaraan tehty käyttöönotto: 92 %:n tunnistusaste etäisyydellä ¤1,2 km pölyn ja inversiokerroksen vallitessa

Radajärjestelmät, joita käytetään WA:n Pilbara-alueella, pystyivät havaitsemaan mikro-UAV-lentokoneita noin 92 prosentin tarkkuudella, vaikka ne lensivät jopa 1,2 kilometrin päässä. Tämä alue aiheuttaa vakavia haasteita jatkuvan rautamalmin pölyn, lämpöinversioiden ja vuorokauden ympäri kestävän teollisen toiminnan vuoksi. Mikä tekee näistä järjestelmistä niin tehokkaita? Ne hyödyntävät edistynyttä Doppler-teknologiaa useilla taajuusalueilla, jotta ne voivat erottaa pienet ja hitaasti liikkuvat kohteet taustamelusta, joka johtuu pölyhiukkasista ja siitä, kuinka radiotaallot kulkevat ilmakehässä. Testit osoittavat, että tämä kaksitaajuusinen lähestymistapa kestää todella hyvin tarkastelua monien mielestä maapallon vaativimmassa elektromagneettisessa ympäristössä kaivostoiminnalle.

Anglo Americanin vuoden 2023 koe: 41 % vähemmän väärästä hälytyksestä sopeutuvan kynnysarvon avulla

Vuonna 2023 Anglo American suoritti kokeilun, jossa tutkittiin, miten tekoälyyn perustuva sopeutuva kynnysarvo vaikuttaa toimintaa yhdellä heidän suurimmista mineraalien kaivannaistoimipisteistään. Tulokset osoittivat, että tämä järjestelmä vähensi vääriä hälytyksiä noin 41 prosenttia verrattuna perinteisiin kiinteäkynnysarvoisiin tutkajärjestelmiin. Se toimi erityisen hyvin estäessään ne ärsyttävät signaalit, jotka johtuivat kuljetusnauhoista ja oudoista heijastuksista korkeista seinistä. Koko järjestelmä toimii, koska se päivittää roskakarttojaan reaaliajassa sen mukaan, mitä koneet tekevät ja mitä tutka havaitsee. Tämä tarkoittaa, että järjestelmä säilyttää tarkkuutensa todellisten uhkien erottamisessa taustamelusta ilman, että kenenkään tarvitsee säätää asetuksia manuaalisesti. Melko vaikutusvaltainen saavutus, kun kaikki laitteet siirretään säännöllisesti paikasta toiseen ja työaikataulut vaihtuvat eri vuorojen aikana.

UKK

Mitä maanpinnan häiriöitä tarkoitetaan UAV-tunnistuksessa kaivoksissa?

Maanpinnan häiriötekijät viittaavat tutkajärjestelmien häiriintymiseen, joka johtuu tiukasta sekä staattisen että liikkuvan kaivostekniikan tiukasta keskittymästä sekä epäsäännölisestä maastonmuodosta, mikä voi peittää dronien alhaiset tutkakohtaiset poikkipinta-alat (RCS).

Miten lämpöinversio vaikuttaa UAV:n havaitsemiseen?

Lämpöinversio kaivoksissa aiheuttaa lämpötilagradientteja, jotka taittavat radiotaaltoja pois tutkantunnistimien suunnasta, mikä johtaa merkittävään signaalin vaimentumiseen ja vaikeuttaa UAV:n havaitsemista.

Miksi nykyaikaiset mikro-UAV:t ovat vaikeita havaita kaivoksissa?

Nykyaikaisilla mikro-UAV:lla on alhainen tutkakohtainen poikkipinta-ala, joka vastaa lintujen kokoja, ja ne liikkuvat nopeuksilla, jotka ovat samanlaisia kuin kaivostoiminnan nopeudet, mikä tekee niistä vaikeasti erotettavia ympäröivästä kohinasta ja koneiden värähtelyistä.

Miten tekoälyllä optimoitu CFAR-parannus parantaa UAV:n havaitsemista kaivoympäristöissä?

AI-optimoiduilla CFAR-malleilla korvataan kiinteät kynnysarvoasetukset koneoppimismalleilla, jotka mukautuvat todelliseen dataan ja ympäristöolosuhteisiin, mikä vähentää merkittävästi vääriä hälytyksiä ja parantaa UAV-tunnistustarkkuutta.