Bagaimanakah radar pengesan UAV berfungsi dalam persekitaran perlombongan?

Cabaran Elektromagnetik bagi Pengesanan UAV di Lombong

Gangguan Permukaan Tanah, Distorsi Pelbagai Laluan, dan Kesannya terhadap Terbalik Suhu

Tapak lombong menghasilkan persekitaran elektromagnetik yang unik dan sangat tidak mesra bagi pengesanan UAV. Tiga fenomena saling berkait—gangguan permukaan tanah, distorsi pelbagai laluan, dan kesan terbalik suhu—secara sistematik merosakkan prestasi radar:

• Gangguan permukaan tanah kepadatan tinggi peralatan statik dan bergerak—penyodok, lori pengangkut, penghancur—digabungkan dengan topografi tidak sekata menghasilkan isyarat radar dinamik yang berterusan yang menyelindungi tanda tangan dron ber-RCS rendah.
• Penyahutamaan berbilang laluan isyarat radar dipantulkan daripada dinding tinggi dan dinding lubang galian yang curam dan menegak, menghasilkan gema palsu yang kelihatan sebagai sasaran berganda di satah azimut dan elevasi—menyukarkan penjejakkan dan pengelasan.
• Pembalikan termal dalam terowong dan lubang dalam, kecerunan suhu membiaskan gelombang radio menjauhi sensor radar. Kajian telah mendokumentasikan sehingga 50% pelembutan isyarat pada kedalaman melebihi 200 meter.

Kesan-kesan ini menjadi lebih ketara semasa ribut debu atau hujan, mengurangkan julat pengesanan berkesan sebanyak 30–60% berbanding garis dasar medan terbuka.

Tanda Tangan UAV Ber-RCS Rendah dan Bergerak Perlahan di Tengah Hingar Peralatan Berat

UAV mikro moden memperburuk cabaran pengesanan di lombong aktif melalui penyamaran fizikal dan spektrum:

• Penampang rentas radar (RCS) mereka sering kali berada di bawah 0.01 m²—setara dengan burung—manakala kenderaan pengangkut berat melebihi 100 m², menghasilkan perbezaan kekuatan isyarat balik sebanyak 4–5 pesanan magnitud.
• Kelajuan penerbangan di bawah 15 m/s bertindih dengan pergerakan talian penghantar dan kitaran ayunan sudu, menyebabkan batasan kinematik menjadi kabur. Getaran mekanikal juga menghasilkan gangguan harmonik yang tidak dapat dibezakan daripada tanda mikro-Doppler UAV yang bergerak perlahan.
• Sinaran RF berkuasa tinggi daripada jentera pengorek, jentera gerudi, dan jentera penghancur memenuhi sepenuhnya jalur FMCW kritikal, menuntut pemprosesan isyarat yang mampu mengesan anjakan mikro-Doppler kurang daripada 5 Hz.

Tanpa penolakan gangguan khusus dan penentuan ambang adaptif, kebarangkalian pengesanan jatuh di bawah 40% bagi dron yang beroperasi dalam radius 500 meter daripada peralatan aktif.

Penyesuaian Teknologi Radar untuk Pengesanan UAV yang Andal

Peningkatan Radar Pulse-Doppler dan FMCW untuk Keadaan Khas Lombong

Untuk mengatasi gangguan khusus perlombongan, sistem radar moden menggabungkan arkitektur yang peka terhadap fizik dengan operasi pelbagai jalur:

Sistem radar Pulse-Doppler beroperasi dengan mengkategorikan isyarat ke dalam pelbagai kotak Doppler berdasarkan kelajuan, yang membantu menapis hingar daripada objek pegun dan peralatan yang bergerak perlahan sambil mengekalkan isyarat UAV tanpa gangguan. Radar FMCW menambah satu lapisan lagi keupayaan di sini, memberikan pengukuran jarak yang sangat baik sehingga memungkinkan pengesanan mikro-UAV yang sangat kecil walaupun keratan rentas radar (radar cross section) mereka hanya sekitar 0.01 meter persegi. Apabila teknologi ini digabungkan merentasi beberapa jalur frekuensi, hasilnya menjadi lebih menarik. Penggunaan frekuensi jalur-L/jalur-S memberikan prestasi yang lebih baik dalam persekitaran berdebu dan keadaan lembap, manakala jalur-X memberikan butiran penjejakkan yang tajam. Gabungan ini mencapai kadar kejayaan sekitar 93% dalam mengesan dron pada ketinggian di bawah 50 meter berhampiran konveyor perlombongan dan kawasan lubang perlombongan di mana penglihatan sukar. Dan ada satu lagi perkara yang patut ditekankan—pemprosesan isyarat yang canggih sebenarnya dapat memperbaiki masalah di mana sasaran kelihatan berganda akibat pantulan isyarat daripada dinding lombong dan struktur lain.

Pemprosesan CFAR yang Dioptimumkan dengan AI untuk Menekan Amaran Palsu daripada Harmonik Konveyor dan Dinding Tinggi

Algoritma CFAR tradisional tidak berfungsi dengan baik dalam persekitaran perlombongan disebabkan oleh banyak harmonik amplitud tinggi berulang yang dihasilkan oleh peralatan seperti penghancur, konveyor, dan jentera pengorek. Ini menyebabkan banyak pemicuan palsu yang menyukarkan pengesanan isyarat UAV sebenar. Pendekatan baharu ini menggunakan CFAR yang ditingkatkan dengan AI, menggantikan tetapan ambang tetap dengan model pembelajaran mesin yang telah dilatih menggunakan data dunia nyata daripada spektrum peralatan perlombongan. Apa yang membezakan pendekatan ini ialah keupayaan model-model tersebut untuk membezakan corak pergerakan aneh UAV daripada kitaran biasa jentera di sekelilingnya. Selain itu, model-model ini menyesuaikan diri secara automatik berdasarkan keadaan di setiap lokasi tertentu, termasuk faktor-faktor seperti bentuk dinding tinggi dan gangguan elektromagnetik daripada pemacu tali sawat.

Ujian medan mengesahkan pengurangan 41% dalam amaran palsu berbanding CFAR konvensional, dengan prestasi yang dikekalkan semasa ribut debu di mana alternatif berasaskan optik dan RF gagal.

Prestasi Pengesanan UAV dalam Dunia Sebenar dan Pengesahan

Pelaksanaan Rio Tinto di Pilbara: Kadar Pengesanan 92% pada jarak 1.2 km di bawah keadaan debu dan inversi

Sistem radar yang dipasang di wilayah Pilbara, WA berjaya mengesan mikro-UAV dengan ketepatan sekitar 92 peratus walaupun ketika terbang sehingga jarak 1.2 kilometer. Kawasan ini menimbulkan cabaran serius akibat habuk bijih besi yang sentiasa hadir di udara, pembalikan suhu, dan aktiviti industri yang berlangsung secara berterusan sepanjang hari. Apakah yang menjadikan sistem-sistem ini begitu berkesan? Sistem ini menggunakan teknologi Doppler lanjutan merentasi pelbagai spektrum untuk mengesan sasaran kecil dan bergerak perlahan tersebut di tengah-tengah hingar latar belakang yang disebabkan oleh zarah-zarah habuk serta perubahan dalam cara gelombang radio merambat melalui atmosfera. Ujian menunjukkan pendekatan dwi-jalur ini benar-benar tahan ujian dalam apa yang dianggap ramai sebagai persekitaran elektromagnetik paling mencabar untuk operasi perlombongan di mana-mana pun di bumi.

Ujian Anglo American 2023: Pengurangan Amaran Palsu Sebanyak 41 Peratus melalui Penentuan Ambang Adaptif

Pada tahun 2023, Anglo American menjalankan ujian untuk menilai bagaimana penyesuaian ambang berbasis kecerdasan buatan (AI) mempengaruhi operasi di salah satu tapak pengekstrakan mineral besar mereka. Keputusan menunjukkan bahawa sistem ini mengurangkan amaran palsu sebanyak kira-kira 41 peratus berbanding radar ambang tetap tradisional. Sistem ini berfungsi secara khusus baik dalam menghalang isyarat gangguan yang mengganggu yang berasal daripada talian penghantar dan pantulan aneh dari dinding tinggi (highwalls). Keseluruhan sistem ini beroperasi dengan sentiasa mengemaskini peta gangguan (clutter maps) secara masa nyata berdasarkan aktiviti jentera dan isyarat yang dikesan oleh radar. Ini bermakna sistem kekal tepat dalam membezakan ancaman sebenar daripada hingar latar belakang tanpa memerlukan sebarang penyelarasan manual oleh operator. Prestasi ini cukup mengagumkan memandangkan semua peralatan kerap dipindahkan dan jadual kerja berubah-ubah antara pelbagai shift.

Soalan Lazim

Apakah gangguan permukaan (ground clutter) dalam konteks pengesanan UAV di lombong?

Kebisingan permukaan merujuk kepada gangguan radar yang disebabkan oleh kepekatan tinggi peralatan perlombongan statik dan bergerak, serta topografi tidak sekata, yang boleh menyamarkan tanda tanduk keratan rentas radar (RCS) yang rendah pada dron.

Bagaimana pembalikan suhu mempengaruhi pengesanan UAV?

Pembalikan suhu di lombong menyebabkan cerun suhu yang membengkokkan gelombang radio menjauhi sensor radar, mengakibatkan pelemahan isyarat yang ketara dan menyukarkan pengesanan UAV.

Mengapa UAV mikro moden sukar dikesan di lombong?

UAV mikro moden mempunyai keratan rentas radar yang rendah, setara dengan burung, dan bergerak pada kelajuan yang serupa dengan operasi perlombongan, menjadikannya sukar dibezakan daripada hingar sekitar dan getaran jentera.

Bagaimana CFAR beroptimumkan AI meningkatkan pengesanan UAV dalam persekitaran perlombongan?

CFAR beroptimumkan AI menggantikan tetapan ambang tetap dengan model pembelajaran mesin yang menyesuaikan diri dengan data dunia sebenar dan keadaan persekitaran, secara ketara mengurangkan amaran palsu dan meningkatkan ketepatan pengesanan UAV.