איך מתפקדת רדאר זיהוי UAV בסביבות כרייה?

אתגרי אלקטרומגנטיות לגילוי UAV במכרות

הפרעות מהקרקע, עיוות רב-נתיבי ואפקטים של היפוך תרמי

אתרי כרייה יוצרים סביבה אלקטרומגנטית ייחודית ומאגרת במיוחד לגילוי UAV. שלושה תופעות קשורות זה בזה — הפרעות מהקרקע, עיוות רב-נתיבי והיפוך תרמי — מפחיתים באופן שיטתי את ביצועי הרדאר:

• הפרעות מהקרקע ריכוזים צפופים של ציוד סטטי ומניע—כף חפירה, משאיות הובלה, מפרקנים—בשילוב עם טופוגרפיה לא סדירה יוצרים החזרים רדאר דינמיים וקבועים שמסתירים את החתימות של רחפנים בעלי חתימה רדארית נמוכה (Low-RCS).
• עיוות רב-דרכים אותות רדאר משתקפים מפני קירות תלולים ואנכיים של מכרות וקירות גבים, ויוצרים הדגשות שווא שמופיעות כמטרות כפולות במישורי האזימוט והגובה—מה שמעורר בלבול במערכת המעקב ובסיווג המטרות.
• היפוך תרמי בשאיבות ובגבים מעמיקים, הגרדיאנטים הטמפרטוריים שומרים על גלי הרדיו מהחיישני רדאר. מחקרים מסמנים הפחתה של עד 50% בעוצמת האות בעומקים העולים על 200 מטר.

ההשפעות הללו מתעצמות במהלך סופות אבק או ירידת גשם, ומקצצות את טווחי ההבחנה האפקטיביים ב-30–60% לעומת ערכי הבסיס בשטחים פתוחים.

חתימות של רחפנים בעלי חתימה רדארית נמוכה (Low-RCS) ותעופה איטית בתוך רעש ציוד כבד

רחפנים מיקרו מודרניים מחמירים את אתגרי ההבחנה במכרות פעילים באמצעות סמויה פיזיקלית וספקטרלית:

• החתכים הרדאריים שלהם (RCS) נופלים לעיתים קרובות מתחת ל-0.01 מ"ר — בדומה לציפורים — בעוד שמשאיות כבדות עולמות על 100 מ"ר, מה שיוצר פער של 4–5 סדרי גודל בעוצמת השיקוף.
• מהירות תחנות של פחות מ-15 מטר לשנייה חופפת עם תנועת הרצועה המובילה ומחזורי הסיבוב של החרב, מה שמבעיר את ההבחנות הקינמטיות. רעידות מכניות יוצרות בנוסף הפרעות הרמוניות שלא ניתן להבחין ביניהן לבין חתימות המיקרו-דופלר של UAVs איטיים.
• פליטת קרינה אלקטרומגנטית בעוצמה גבוהה ממקורות כגון דראגלינים, מקדחות ומעשנים ממלאות את התחנות הקריטיות של רדאר FMCW, ודורשות עיבוד אותות המסוגל לזהות הזזות מיקרו-דופלר קטנות מ-5 הרץ.

בלי דחיית רעשים מיוחדים וסף התאמה דינמי, הסיכוי לגילוי יורד מתחת ל-40% עבור כלי טיס לא מאוישים הפועלים בתוך 500 מטרים מציוד פעיל.

התאמות טכנולוגיית רדאר לגילוי אמין של UAVs

שיפורים ברדאר מסוג Pulse-Doppler ו-FMCW לתנאים ספציפיים למכרות

על מנת להתגבר על הפרעות ספציפיות לתחום הכרייה, מערכות רדאר מודרניות שואבות את היתרונות של אדריכלות המבוססת על עקרונות פיזיקליים בשילוב פעולה רב-תדרית:

מערכת רדאר פולס-דופלר עובדת על ידי סידור האותות לתאים שונים של דופלר בהתאם למהירות, מה שמאפשר לסנן רעש מעצמים חסרי תנועה ומציאות נעות לאט, תוך שמירה על אותות ה-UAV ללא שינוי. רדאר FMCW מוסיף שכבה נוספת של יכולת, ונותן מדידות מרחק מדויקות במיוחד, אשר מאפשרות לזהות מיקרו-UAV קטנים אפילו כאשר חתך הצלב הרדארי שלהם הוא כ-0.01 מטר רבוע. כאשר אנו משלבים טכנולוגיות אלו על פני מספר פסי תדרים, הדברים נעשים מעניינים יותר. שימוש בתדרי ה-L/S מספק ביצועים טובים יותר בסביבות עפריות ותנאי לחות, בעוד שתדר ה-X מספק פרטים חדים של מעקב. שילוב זה מצליח לאתר את המטוסים הלא מאוישים ב-93% מהמקרים בגובה של פחות מ-50 מטרים באזורים קרובים לקווי ההובלה במכרות ואזורים פתוחים, שם תנאי הראות הם קשים. ויש עוד נושא אחד שראוי לציון – עיבוד אותות מתקדם מתקן למעשה בעיות שבהן מופיעים יעדים כפולים בגלל החזרות הנשברות מקירות המכרה ובניינים אחרים.

עיבוד CFAR מותאם ב-AI לדיכוי התראות שגויות מהרמוניות של הרצועה והדפנות הגבוהות

אלגוריתמי CFAR המסורתיים פשוט לא עובדים טוב בסביבות כרייה בגלל כל הרמוניות הגובה החוזרות שמתפתחות ממתקנים כמו טוחנים, רצועות הובלה ומכונות קידוח. זה יוצר הרבה הפעלות שגויות שמקשות על זיהוי אותות של UAV אמיתיות. הגישה החדשה ל-CFAR משופרת ב-AI מחליפה את הגדרות הסף הקבועות במודלי למידת מכונה אשר נאמדו על סמך נתונים מהעולם האמיתי של ספקטרום הציוד הכורתי. מה שמהווה את ההבדל הוא היכולת של המודלים האלה להבחין בין תבניות התנועה הלא שגרתיות של UAV לבין המחזוריות הרגילה של המכונות שסביבם. בנוסף, הם מתאמים את עצמם בהתאם למה שמתרחש בכל מיקום ספציפי, כולל גורמים כגון צורת הדפנות הגבוהות והפרעות אלקטרומגנטיות הנגרמות ממנועי חגורות.

ניסויים שדהיים אישרו הפחתה של 41% בalarms כוזבים לעומת CFAR הקונבנציונלי, עם ביצועי זיהוי מתמידים במהלך סופות אבק, שבהן פתרונות מבוססי אופטיקה ורדיופrequency נכשלים.

ביצועי זיהוי UAV בעולם האמיתי ואישורם

הנפקה של Rio Tinto באזור פילברה: שיעור זיהוי של 92% במרחק של 1.2 ק"מ תחת תנאי אבק והיפוך טמפרטורה

מערכות הרדאר שהותקנו באזור פילברה במדינת וסטרן אוסטרליה הצליחו לזהות מיקרו-כלי טיס לא מאוישים (micro-UAVs) בדיוק של כ-92 אחוז גם כאשר הם טסו במרחק של עד 1.2 קילומטר. האזור מציג אתגרים חמורים בשל אבק רציף של אוכם ברזל באוויר, היפוכים תרמיים ושגרת פעילות תעשייתית ללא הפסקה. מה גורם למערכות אלו לפעול כל כך טוב? הן משתמשות בטכנולוגיית דופלר מתקדמת בתחומים ספקטרליים מרובים כדי לזהות את המטרות הקטנות והאיטיות הללו בתוך הרעש הרקע שנגרם על ידי חלקיקי אבק ושינויים בדרכי התפשטות גלי הרדיו באטמוספירה. מבחנים מראים כי הגישה דו-הספקטרלית הזו אכן עומדת במבחן הביקורת בסביבה האלקטרומגנטית הקשה ביותר לפעולות כרייה בכל העולם, כפי שמרבים רואים אותה.

ניסוי אנגלו אמריקן לשנת 2023: הפחתת שיעור ההתראות השגויות ב-41% באמצעות סף התאמתי

ב-2023 ביצעה חברת Anglo American ניסוי לבדיקת השפעת שיטת הסף המותאמת המבוססת על בינה מלאכותית על הפעולות באתר אחד מהאתרים הגדולים שלה לחציבה מינרלית. התוצאות הראו שמערכת זו הקטינה את מספר ההתראות המוטעות בקרוב ל-41 אחוז בהשוואה לרדרים מסורתיים המשתמשים בסף קבוע. המערכת עבדה במיוחד טוב בבלימת האותות המטריחים הנובעים ממוליכי הרצפה והחזרות מוזרות מהדפנות הגבוהות של הפקק. כל המערכת פועלת בכך שהיא מעדכנת באופן רציף את מפות הרעשים שלה בזמן אמת, בהתבסס על פעולות המכונות ועל האותות שהרדר מזהה. משמעות הדבר היא שהמערכת שומרת על דיוק גבוה בהבחנה בין איומים אמיתיים לבין רעש רקע, ללא צורך בהתאמות ידניות של ההגדרות. זה מרשים למדי, מאחר שכל הציוד מוזז סביב האתר ולוחות העבודה משתנים בין המשמרות השונות.

שאלה נפוצה

מהו 'רעש קרקעי' בהקשר לגילוי UAVs במכרות?

הפרעה קרקעית מתייחסת להפרעות ברדאר הנגרמות על ידי ריכוזים צפופים של ציוד כרייה סטטי ומנוע, וכן על ידי טופוגרפיה לא סדירה, אשר עלולים למחות את החתימות עם חתימת חתך רדאר נמוך (RCS) של רכבים אוויריים בלתי מאוישים.

איך האינברסיה התרמית משפיעה על זיהוי רכבים אוויריים בלתי מאוישים?

האינברסיה התרמית במכרות יוצרת שיפועי טמפרטורה המניעים גלי רדיו הרחק מהחיישנים הראדאריים, מה שגורם לדעיכה משמעותית של האות ומקשה על זיהוי רכבים אוויריים בלתי מאוישים.

למה רכבים אוויריים בלתי מאוישים מיקרו מודרניים קשים לזיהוי במכרות?

לרכבים האוויריים הבלתי מאוישים המיקרו המודרניים יש חתימת חתך רדאר נמוכה השווה לזו של ציפורים, והם נעים במהירויות דומות לאלו של פעולות הכרייה, מה שהופך את זיהויים כקשיים בהבחנה מהרעש הסובב ומרעידות המכונות.

איך אלגוריתם CFAR מאופטם באמצעות בינה מלאכותית משפר את זיהוי רכבים אוויריים בלתי מאוישים בסביבות כרייה?

CFAR מותאם ב-AI מחליף הגדרות סף קבועות במודלים למידת מכונה שמתאימים לנתונים מהעולם האמיתי ולתנאי הסביבה, ומביא להפחתה משמעותית בהתרעות שווא ושיפור דיוק זיהוי UAV.