Jak działa radar wykrywania UAV w środowiskach górniczych?

Wyzwania elektromagnetyczne związane z wykrywaniem UAV w kopalniach

Zakłócenia pochodzące od terenu, zniekształcenia wielotorowe oraz efekty inwersji termicznej

Tereny kopalniane generują wyjątkowo nieprzyjazne środowisko elektromagnetyczne dla wykrywania UAV. Trzy powiązane ze sobą zjawiska — zakłócenia pochodzące od terenu, zniekształcenia wielotorowe oraz efekty inwersji termicznej — systematycznie pogarszają wydajność radaru:

• Zakłócenia pochodzące od terenu gęste skupiska statycznego i poruszającego się sprzętu — koparek, ciężarówek transportowych, kruszarek — w połączeniu z nieregularnym ukształtowaniem terenu generują trwałe, dynamiczne odbicia radarowe, które maskują sygnały dronów o niskim RCS.
• Zniekształcenie wielodrogowe sygnały radarowe odbijają się od stromych, pionowych ścian wykopów oraz ścian kopalni, tworząc fałszywe echa, które pojawiają się jako zduplikowane cele na płaszczyznach azymutu i kąta elewacji — utrudniając śledzenie i klasyfikację.
• Inwersja termiczna w szybach i głębokich wyrobiskach gradienty temperatury załamują fale radiowe w kierunku od czujników radarowych. Badania wykazały tłumienie sygnału nawet do 50% na głębokości przekraczającej 200 metrów.

Te efekty nasilają się podczas burz pyłowych lub opadów deszczu, zmniejszając skuteczny zasięg wykrywania o 30–60% względem wartości bazowych dla terenów otwartych.

Sygnały dronów o niskim RCS i powolnym ruchu na tle hałasu ciężkiego sprzętu

Współczesne mikro-drony zwiększają wyzwania związane z wykrywaniem w aktywnych kopalniach dzięki fizycznej i widmowej niewidzialności:

• Ich przekroje radarowe (RCS) często spadają poniżej 0,01 m² — co jest porównywalne z ptakami — podczas gdy ciężkie pojazdy przekraczają 100 m², tworząc różnicę w wielkości sygnału oczekiwanego rzędu 4–5 rzędów wielkości.
• Prędkości przelotowe poniżej 15 m/s pokrywają się z prędkościami ruchu taśmy transportowej i cyklami ruchu żurawia koparkowego, co zaciera różnice kinematyczne. Dodatkowo drgania mechaniczne generują zakłócenia harmoniczne, które nie są odróżnialne od mikroefektów Dopplera powodowanych przez powoli poruszające się drony UAV.
• Mocne emisje promieniowania radiowego (RF) pochodzące od maszyn typu dragline, wiertnic i kruszarek nasycają kluczowe pasma FMCW, wymagając przetwarzania sygnału zdolnego do rozróżnienia przesunięć mikro-Dopplera mniejszych niż 5 Hz.

Bez zastosowania specjalistycznych metod eliminacji zakłóceń i adaptacyjnego progowania prawdopodobieństwo wykrycia dronów działających w odległości do 500 metrów od aktywnego sprzętu spada poniżej 40%.

Dostosowania technologii radarowej do niezawodnego wykrywania dronów UAV

Ulepszenia radarów typu Pulse-Doppler i FMCW dostosowane do warunków panujących w kopalniach

Aby pokonać zakłócenia specyficzne dla górnictwa, nowoczesne systemy radarowe łączą architekturę uwzględniającą zasady fizyki z działaniem w wielu pasmach:

System radaru impulsowo-Dopplera działa poprzez sortowanie sygnałów do różnych zakresów Dopplera w oparciu o prędkość, co pozwala na filtrowanie szumów pochodzących od nieruchomych obiektów oraz powoli poruszających się urządzeń, zachowując jednocześnie sygnały dronów bez załamania. Radar FMCW dodaje kolejną warstwę możliwości, zapewniając bardzo dokładne pomiary odległości, które umożliwiają wykrywanie mikrodronów nawet wtedy, gdy ich przekrój radarowy wynosi zaledwie ok. 0,01 metra kwadratowego. Połączenie tych technologii w wielu pasmach częstotliwości daje szczególnie interesujące efekty. Zastosowanie częstotliwości w paśmie L/S zapewnia lepszą skuteczność działania w pylistych środowiskach oraz przy wilgotnych warunkach, podczas gdy pasmo X oferuje wysoką rozdzielczość śledzenia. Takie połączenie osiąga skuteczność wykrywania dronów na poziomie ok. 93% w przypadku dronów latających na wysokości poniżej 50 metrów w pobliżu taśm transportowych i stref kopalnianych, gdzie widoczność jest utrudniona. Warto również wspomnieć o jednej dodatkowej zalety — zaawansowane przetwarzanie sygnału skutecznie eliminuje problemy związane z pozornym powielaniem celów spowodowanym odbiciami sygnałów od ścian kopalni oraz innych konstrukcji.

Optymalizowane przetwarzanie CFAR z wykorzystaniem sztucznej inteligencji w celu tłumienia fałszywych alarmów pochodzących od harmonicznych przenośników i wysokich ścianek wykopu

Tradycyjne algorytmy CFAR nie działają dobrze w środowiskach górniczych ze względu na liczne powtarzające się, wysokiej amplitudy harmoniczne pochodzące m.in. od kruszarek, przenośników i maszyn do robót ziemnych. Powoduje to dużą liczbę fałszywych wyzwań, które utrudniają wykrywanie rzeczywistych sygnałów dronów (UAV). Nowe podejście wykorzystujące CFAR wzmocnione sztuczną inteligencją zastępuje stałe ustawienia progowe modelami uczenia maszynowego, które zostały wytrenowane na podstawie rzeczywistych danych spektralnych urządzeń górniczych. To, co czyni tę metodę wyjątkową, to zdolność tych modeli do rozróżniania nietypowych wzorców ruchu dronów (UAV) od regularnych cykli pracy otaczającej ich maszynowni. Ponadto modele te samodostosowują się do warunków panujących w konkretnej lokalizacji, uwzględniając takie czynniki jak kształt wysokich ścianek wykopu oraz zakłócenia elektromagnetyczne pochodzące od napędów taśmociągów.

Badania terenowe potwierdziły 41-procentowe zmniejszenie liczby fałszywych alarmów w porównaniu z konwencjonalnym algorytmem CFAR, przy zachowaniu stabilnej wydajności podczas burz piaskowych, w których alternatywne rozwiązania oparte na technologiach optycznych i radiowych zawodzą.

Rzeczywista wydajność wykrywania dronów i jej walidacja

Wdrożenie w regionie Pilbara firmy Rio Tinto: wskaźnik wykrywania na poziomie 92% w odległości 1,2 km w warunkach pyłu i inwersji atmosferycznej

Systemy radarowe wdrożone w regionie Pilbara w zachodniej Australii potrafiły wykrywać mikro-BPZ z dokładnością około 92 procent, nawet gdy latały one w odległości do 1,2 kilometra. Obszar ten stwarza poważne wyzwania związane z ciągłym obecnością pyłu rud żelaza w powietrzu, inwersjami termicznymi oraz przemysłową aktywnością przez całą dobę. Dlaczego te systemy działają tak skutecznie? Wykorzystują zaawansowaną technologię Dopplera w wielu zakresach częstotliwości, aby wyodrębnić te miniaturowe, wolno poruszające się cele na tle wszelkiego szumu tła wywołanego cząstkami pyłu oraz zmianami w sposobie rozchodzenia się fal radiowych w atmosferze. Testy pokazują, że to podejście z wykorzystaniem dwóch pasm rzeczywiście wytrzymuje rygorozne sprawdzanie w środowisku elektromagnetycznym, które wielu uważa za najtrudniejsze na świecie dla operacji górniczych.

Test Anglo American z 2023 r.: redukcja fałszywych alarmów o 41% dzięki adaptacyjnemu progowaniu

W 2023 r. firma Anglo American przeprowadziła test oceniający wpływ adaptacyjnego progowania opartego na sztucznej inteligencji na funkcjonowanie jednego ze swoich dużych zakładów ekstrakcji surowców mineralnych. Wyniki wykazały, że system ten zmniejszył liczbę fałszywych alarmów o około 41 proc. w porównaniu do tradycyjnych radarów z ustalonymi progami wyzwalania. Szczególnie skuteczny okazał się w eliminowaniu uciążliwych sygnałów pochodzących z taśm transportowych oraz nietypowych odbić od wysokich ścian wykopu. Cały system działa dzięki ciągłej, w czasie rzeczywistym aktualizacji map zakłóceń, która odbywa się na podstawie danych dotyczących działania maszyn oraz sygnałów rejestrowanych przez radar. Oznacza to, że system zachowuje dokładność w rozróżnianiu rzeczywistych zagrożeń od tła zakłóceń bez konieczności ręcznej korekty ustawień przez operatora. Jest to szczególnie imponujące, ponieważ całe wyposażenie jest przemieszczane w trakcie pracy, a harmonogramy zmian ulegają zmianie w różnych porach dnia.

Często zadawane pytania

Czym jest zakłócenie ziemi w kontekście wykrywania dronów (UAV) w kopalniach?

Zaburzenia powierzchniowe odnoszą się do zakłóceń radarowych wywołanych gęstymi skupiskami zarówno nieruchomego, jak i poruszającego się sprzętu górniczego oraz nieregularną rzeźbą terenu, które mogą maskować niskie sygnały przekroju radarowego (RCS) dronów.

W jaki sposób inwersja termiczna wpływa na wykrywanie bezzałogowych statków powietrznych (UAV)?

Inwersja termiczna w kopalniach powoduje gradienty temperatury, które załamują fale radiowe w kierunku od czujników radarowych, co prowadzi do znacznej tłumienności sygnału i utrudnia wykrywanie bezzałogowych statków powietrznych (UAV).

Dlaczego nowoczesne mikrodrony są trudne do wykrycia w kopalniach?

Nowoczesne mikrodrony mają niski przekrój radarowy porównywalny z ptakami i poruszają się z prędkościami podobnymi do tych występujących w eksploatacji górniczej, co utrudnia ich odróżnienie od otaczającego szumu oraz wibracji maszyn.

W jaki sposób zoptymalizowane przez sztuczną inteligencję algorytmy CFAR poprawiają wykrywanie bezzałogowych statków powietrznych (UAV) w środowiskach górniczych?

Optymalizowany przez sztuczną inteligencję algorytm CFAR zastępuje stałe ustawienia progowe modelami uczenia maszynowego, które dostosowują się do rzeczywistych danych i warunków środowiskowych, znacznie zmniejszając liczbę fałszywych alarmów oraz poprawiając dokładność wykrywania bezzałogowych statków powietrznych (UAV).