Hvordan fungerer UAV-deteksjonsradar i gruvesektoren?

Elektromagnetiske utfordringer for UAV-deteksjon i gruver

Bakgrunnsstøy fra bakken, flerveist forvrengning og effekter av termisk inversjon

Gruveområder genererer et unikt fiendtlig elektromagnetisk miljø for UAV-deteksjon. Tre gjensidig sammenhengende fenomener – bakgrunnsstøy fra bakken, flerveist forvrengning og termisk inversjon – svekker systematisk radarens ytelse:

• Bakgrunnsstøy fra bakken tette konsentrasjoner av statisk og bevegelig utstyr – lasteskuffer, lastebiler, knusere – kombinert med uregelmessig terreng gir vedvarende, dynamiske radarreturer som skjuler dronestigninger med lav RCS.
• Multipath-forvrengning radarsignaler reflekteres fra bratte, vertikale høyvegger og gruvedemninger, noe som skaper falske ekko som vises som duplikattarget i både azimut- og elevasjonsplan – noe som forvirrer sporing og klassifisering.
• Termisk inversjon i skakter og dype gruvedemninger brytes radiobølger vekk fra radarsensorer på grunn av temperaturgradienter. Studier har dokumentert opptil 50 % signalforverkning i dypder over 200 meter.

Disse effektene forsterkes under støvstormer eller nedbør, noe som reduserer den effektive deteksjonsrekkevidden med 30–60 % i forhold til referanseverdier for åpne terreng.

Drone-signaturer med lav RCS og lav hastighet i møte med støy fra tungt maskineri

Moderne mikro-UAV-er forverrer deteksjonsutfordringene i aktive gruver gjennom fysisk og spektral skjulering:

• Deres radar-tverrsnitt (RCS) ligger ofte under 0,01 m² — tilsvarende fugler — mens tunge transportkjøretøyer overstiger 100 m², noe som skaper en forskjell i returstyrke på 4–5 størrelsesordener.
• Krysningshastigheter under 15 m/s overlapper med bevegelsen til transportbånd og svingesykluser for lasteskuffer, noe som utvisker kinematiske forskjeller. Mekaniske vibrasjoner genererer dessuten harmonisk interferens som ikke kan skilles fra mikro-Doppler-signaturene til langsomt bevegelige UAV-er.
• Høyeffektive RF-emisjoner fra draglines, boringer og knusere metter kritiske FMCW-bånd, og krever signalkjøring i stand til å løse mikro-Doppler-forskyvninger på under 5 Hz.

Uten spesialisert støyavvisning og adaptiv terskeljustering faller oppdagelsessannsynligheten under 40 % for droner som opererer innenfor 500 meter fra aktiv utstyr.

Tilpasninger av radarteknologi for pålitelig UAV-deteksjon

Forbedringer av pulsdoppler- og FMCW-radarsystemer for gruvespesifikke forhold

For å overvinne gruvedrevsspesifikk interferens kombinerer moderne radarsystemer en fysikkbasert arkitektur med drift i flere bånd:

Pulse-Doppler-radarsystemet fungerer ved å sortere signaler i ulike Doppler-frekvensbånd basert på hastighet, noe som hjelper til å filtrere bort støy fra stasjonære objekter og sakte bevegelige utstyr, samtidig som UAV-signalene bevares. FMCW-radaren legger til en ekstra funksjonalitetslag her og gir svært gode avstandsmålinger, noe som gjør det mulig å oppdage små mikro-UAV-er selv når deres radarrefleksjonsareal er så lavt som ca. 0,01 kvadratmeter. Når vi kombinerer disse teknologiene over flere frekvensbånd, blir det spennende. Bruk av L/S-båndfrekvenser gir bedre ytelse i støvete miljøer og fuktige forhold, mens X-båndet gir skarp sporing med detaljrik informasjon. Denne kombinasjonen oppnår en suksessrate på ca. 93 % for oppdagelse av droner under 50 meters høyde i nærheten av gruvedrivelinjer og gruveskakter, der synligheten er begrenset. Og det er én ting til som bør nevnes: Avansert signalbehandling løser faktisk problemer der mål vises duplisert på grunn av refleksjoner fra gruver og andre strukturer.

AI-optimal CFAR-behandling for undertrykkelse av falske alarmer fra transportbåndharmoniske og høye fjellvegger

De tradisjonelle CFAR-algoritmene fungerer bare ikke godt i gruvmiljøer på grunn av alle de gjentatte, høyamplitude harmoniske frekvensene som kommer fra utstyr som knusere, transportbånd og draglines. Dette fører til mange falske utløsninger som gjør det vanskelig å oppdage faktiske UAV-signaler. Den nye tilnærmingen med AI-forsterket CFAR erstatter de faste terskelinnstillingene med maskinlæringsmodeller som er trent på virkelige data fra spektra fra gruvtutstyr. Hva som gjør denne tilnærmingen unik, er evnen til å skille mellom UAV-ens uvanlige bevegelsesmønstre og de regelmessige syklusene til maskineriet rundt dem. I tillegg justerer modellene seg selv basert på hva som skjer på hver enkelt lokasjon, inkludert faktorer som formen på høye fjellvegger og elektromagnetisk forstyrrelse fra remdrifter.

Felttester bekreftet en reduksjon på 41 % i falske alarmer sammenlignet med konvensjonell CFAR, med vedvarende ytelse under støvstormer der optiske og RF-baserte alternativer svikter.

Ytelse og validering av UAV-deteksjon i virkelige forhold

Rio Tinto Pilbara-innsetting: 92 % deteksjonsrate på ¤1,2 km under støv og invertering

Radarssystemene som er utplassert i Pilbara-regionen i Western Australia klarte å oppdage mikro-UAV-er med en nøyaktighet på ca. 92 prosent, selv når de fløy så langt unna som 1,2 kilometer. Dette området stiller alvorlige utfordringer på grunn av konstant jernmalmstøv i luften, termiske inversjoner og rundt-klokka industriell aktivitet. Hva gjør at disse systemene fungerer så godt? De bruker avansert Doppler-teknologi over flere frekvensbånd for å skille ut disse små, langsomt bevegelige målene fra all bakgrunnsstøy forårsaket av støvpartikler og endringer i hvordan radiobølger beveger seg gjennom atmosfæren. Tester viser at denne to-bånds tilnærmingen virkelig tåler kritisk gjennomgang i det mange betrakter som den mest krevende elektromagnetiske miljøet for gruvedrift noen gang registrert på jorden.

Anglo American sin prøve i 2023: 41 prosents reduksjon i falske alarmer via adaptiv terskelverdi

I 2023 gjennomførte Anglo American en test for å undersøke hvordan AI-basert adaptiv terskelverdi påvirker drifta på ett av deres store mineralutvinningssenter. Resultatene viste at dette systemet reduserte falske alarmer med ca. 41 prosent sammenlignet med tradisjonelle radarer med fast terskelverdi. Det fungerte spesielt godt til å hindre de irriterende signalene fra transportbånd og uvanlige refleksjoner fra høyveggene. Hele systemet fungerer ved å oppdatere sine støykart i sanntid basert på hva maskinene gjør og hva radaren registrerer. Dette betyr at systemet beholder sin nøyaktighet når det gjelder å skille reelle trusler fra bakgrunnsstøy, uten at noen trenger å justere innstillingene manuelt. Ganske imponerende, siden alt utstyret flyttes rundt og arbeidsplanene endres mellom ulike skift.

Ofte stilte spørsmål

Hva er bakkestøy i sammenheng med UAV-deteksjon i gruver?

Bakgrunnsstøy refererer til radarforstyrrelser forårsaket av tette konsentrasjoner av både statisk og bevegelig gruvedriftsutstyr, samt uregelmessig terreng, noe som kan skjule droners lave radarrefleksjonsareal (RCS).

Hvordan påvirker termisk inversjon oppdagelse av UAV-er?

Termisk inversjon i gruver fører til temperaturgradienter som bryter radiobølger vekk fra radarsensorer, noe som resulterer i betydelig signaltap og gjør oppdagelse av UAV-er mer utfordrende.

Hvorfor er moderne mikro-UAV-er vanskelige å oppdage i gruver?

Moderne mikro-UAV-er har et lavt radarrefleksjonsareal som tilsvarer det til fugler og beveger seg med hastigheter som likner de i gruvedrift, noe som gjør dem vanskelige å skille fra omgivende støy og vibrasjoner fra maskineri.

Hvordan forbedrer AI-optimalisert CFAR oppdagelse av UAV-er i gruvmiljøer?

AI-optimalisert CFAR erstatter faste terskelinnstillinger med maskinlæringsmodeller som tilpasser seg reelle data og miljøforhold, noe som betydelig reduserer falske alarmer og forbedrer nøyaktigheten ved oppdagelse av UAV-er.