เรดาร์ตรวจจับ UAV ทำงานอย่างไรในสภาพแวดล้อมการทำเหมือง?

ความท้าทายด้านคลื่นแม่เหล็กไฟฟ้าต่อการตรวจจับ UAV ในเหมือง

สัญญาณรบกวนจากพื้นดิน (Ground Clutter), การบิดเบือนจากสัญญาณสะท้อนซ้ำ (Multipath Distortion), และผลกระทบจากการกลับผันของอุณหภูมิ (Thermal Inversion Effects)

ไซต์เหมืองสร้างสภาพแวดล้อมคลื่นแม่เหล็กไฟฟ้าที่เป็นศัตรูกับการตรวจจับ UAV เป็นพิเศษ ปรากฏการณ์สามประการที่เกี่ยวข้องกันอย่างใกล้ชิด — ได้แก่ สัญญาณรบกวนจากพื้นดิน (ground clutter), การบิดเบือนจากสัญญาณสะท้อนซ้ำ (multipath distortion), และภาวะการกลับผันของอุณหภูมิ (thermal inversion) — ส่งผลให้ประสิทธิภาพของเรดาร์ลดลงอย่างเป็นระบบ:

• สัญญาณรบกวนจากพื้นดิน ความเข้มข้นสูงของอุปกรณ์ที่อยู่นิ่งและเคลื่อนที่—เช่น รถตัก รถบรรทุกขนส่ง และเครื่องบด—ร่วมกับภูมิประเทศที่ไม่สม่ำเสมอ ส่งผลให้เกิดสัญญาณเรดาร์แบบไดนามิกที่คงอยู่อย่างต่อเนื่อง ซึ่งบดบังลักษณะเฉพาะของโดรนที่มีค่า RCS ต่ำ
• การบิดเบือนสัญญาณแบบหลายเส้นทาง สัญญาณเรดาร์สะท้อนกลับจากผนังหินแนวตั้งชันและผนังหลุมขุดเจาะ ทำให้เกิดสัญญาณสะท้อนเทียมที่ปรากฏเป็นเป้าหมายซ้ำซ้อนในระนาบแอซิมัทและระดับความสูง—ส่งผลให้การติดตามและการจัดจำแนกเป้าหมายผิดพลาด
• การกลับผันของอุณหภูมิ ในช่องทางแนวตั้งและหลุมขุดลึก การเปลี่ยนแปลงของอุณหภูมิจะทำให้คลื่นวิทยุหักเหออกจากเซนเซอร์เรดาร์ งานวิจัยหลายชิ้นบันทึกไว้ว่าเกิดการลดทอนสัญญาณสูงสุดถึง 50% ที่ความลึกเกิน 200 เมตร

ผลกระทบเหล่านี้รุนแรงยิ่งขึ้นในช่วงพายุฝุ่นหรือขณะมีฝนตก ซึ่งลดระยะการตรวจจับที่มีประสิทธิภาพลง 30–60% เมื่อเปรียบเทียบกับค่าพื้นฐานที่วัดได้ในพื้นที่เปิดโล่ง

ลักษณะเฉพาะของโดรนไร้คนขับ (UAV) ที่มีค่า RCS ต่ำและเคลื่อนที่ช้า ท่ามกลางสัญญาณรบกวนจากเครื่องจักรหนัก

โดรนขนาดจุลภาคสมัยใหม่เพิ่มความท้าทายในการตรวจจับในเหมืองที่กำลังดำเนินการอยู่ ผ่านการใช้กลยุทธ์แฝงตัวทั้งในด้านกายภาพและสเปกตรัม:

• พื้นที่หน้าตัดเรดาร์ (RCS) ของพวกมันมักต่ำกว่า 0.01 ตารางเมตร—ซึ่งเทียบเคียงได้กับนก—ในขณะที่ยานพาหนะขนาดใหญ่จะมีค่าเกิน 100 ตารางเมตร ทำให้เกิดความแตกต่างกันถึง 4–5 อันดับของขนาด (order of magnitude) ในการกลับมาของสัญญาณ
• ความเร็วในการบินแบบคงที่ต่ำกว่า 15 เมตรต่อวินาทีทับซ้อนกับความเร็วของการเคลื่อนที่ของสายพานลำเลียงและจังหวะการแกว่งของช้อนตัก ทำให้ลักษณะการเคลื่อนที่ (kinematic distinctions) คลุมเครือยิ่งขึ้น ทั้งยังมีการสั่นสะเทือนเชิงกลเพิ่มเติมซึ่งก่อให้เกิดสัญญาณรบกวนแบบฮาร์โมนิกที่แยกแยะไม่ได้จากสัญญาณไมโคร-โดปเปลอร์ (micro-Doppler) ของโดรนที่เคลื่อนที่ช้า
• การปล่อยคลื่นแม่เหล็กไฟฟ้า (RF) กำลังสูงจากเครื่องจักรประเภทแดร็กไลน์ เครื่องเจาะ และเครื่องบด ทำให้แถบความถี่ FMCW ที่สำคัญเกิดภาวะอิ่มตัว (saturation) จึงจำเป็นต้องใช้การประมวลผลสัญญาณที่สามารถแยกแยะการเปลี่ยนแปลงความถี่แบบไมโคร-โดปเปลอร์ที่ต่ำกว่า 5 เฮิร์ตซ์ได้

หากไม่มีการปฏิบัติการกำจัดสัญญาณรบกวน (clutter rejection) แบบเฉพาะทางและการปรับระดับเกณฑ์แบบปรับตัว (adaptive thresholding) ความน่าจะเป็นในการตรวจจับโดรนจะลดลงต่ำกว่า 40% สำหรับโดรนที่ปฏิบัติงานภายในระยะ 500 เมตรจากอุปกรณ์ที่กำลังทำงานอยู่

การปรับแต่งเทคโนโลยีเรดาร์เพื่อการตรวจจับโดรนอย่างเชื่อถือได้

การปรับปรุงเรดาร์แบบพัลส์-โดปเปลอร์และเรดาร์แบบ FMCW สำหรับสภาพแวดล้อมเฉพาะในเหมือง

เพื่อเอาชนะสัญญาณรบกวนเฉพาะที่เกิดจากการทำเหมือง ระบบเรดาร์สมัยใหม่จึงรวมสถาปัตยกรรมที่คำนึงถึงหลักฟิสิกส์เข้ากับการดำเนินงานแบบหลายแถบความถี่:

ระบบเรดาร์แบบพัลส์-ดอปเพลอร์ทำงานโดยการจัดเรียงสัญญาณต่างๆ ลงในช่องความถี่ดอปเพลอร์ (Doppler bins) ที่แตกต่างกันตามความเร็ว ซึ่งช่วยกรองสัญญาณรบกวนจากวัตถุที่อยู่นิ่งและอุปกรณ์ที่เคลื่อนที่ช้า ขณะเดียวกันยังคงรักษาสัญญาณของโดรน (UAV) ไว้ได้อย่างสมบูรณ์ สำหรับเรดาร์แบบ FMCW นั้นเพิ่มความสามารถอีกระดับหนึ่ง โดยให้ค่าการวัดระยะทางที่แม่นยำมาก ทำให้สามารถตรวจจับไมโครโดรน (micro-UAV) ขนาดเล็กจิ๋วได้ แม้ค่าพื้นที่หน้าตัดเรดาร์ (radar cross section) ของมันจะลดลงเหลือเพียงประมาณ 0.01 ตารางเมตร เมื่อรวมเทคโนโลยีเหล่านี้เข้าด้วยกันบนหลายแถบความถี่พร้อมกัน ผลลัพธ์ที่ได้จะน่าสนใจยิ่งขึ้น: การใช้ความถี่แถบ L/S-band จะให้ประสิทธิภาพที่ดีกว่าในสภาพแวดล้อมที่มีฝุ่นหนาแน่นหรือมีความชื้นสูง ในขณะที่ความถี่แถบ X-band จะให้รายละเอียดการติดตามเป้าหมายที่คมชัดยิ่งขึ้น ชุดเทคโนโลยีผสมผสานนี้สามารถตรวจจับโดรนได้สำเร็จประมาณ 93% สำหรับโดรนที่บินต่ำกว่า 50 เมตรเหนือพื้นผิวบริเวณสายพานลำเลียงและหลุมเหมือง ซึ่งเป็นพื้นที่ที่การมองเห็นมีข้อจำกัดอย่างมาก นอกจากนี้ยังมีอีกประเด็นหนึ่งที่ควรกล่าวถึง — การประมวลผลสัญญาณขั้นสูงนั้นสามารถแก้ไขปัญหาที่เกิดขึ้นเมื่อเป้าหมายปรากฏซ้ำ (target duplication) อันเนื่องมาจากการสะท้อนของสัญญาณที่กระทบกับผนังเหมืองและโครงสร้างอื่นๆ

การประมวลผล CFAR ที่ปรับแต่งด้วย AI เพื่อลดสัญญาณเตือนปลอมจากฮาร์โมนิกของสายพานลำเลียงและหน้าผาสูง

อัลกอริธึม CFAR แบบดั้งเดิมไม่สามารถทำงานได้ดีในสภาพแวดล้อมการขุดแร่ เนื่องจากมีฮาร์โมนิกความถี่สูงที่เกิดซ้ำอย่างต่อเนื่องจากอุปกรณ์ต่างๆ เช่น เครื่องบดหิน สายพานลำเลียง และเครื่องขุดแบบดรากลайн ซึ่งก่อให้เกิดสัญญาณเตือนปลอมจำนวนมาก จนทำให้ยากต่อการตรวจจับสัญญาณโดรน (UAV) ที่แท้จริง แนวทางใหม่นี้ใช้เทคนิค CFAR ที่เสริมด้วย AI โดยแทนค่าเกณฑ์การตัดสินแบบคงที่ด้วยแบบจำลองการเรียนรู้ของเครื่อง (machine learning models) ที่ได้รับการฝึกฝนด้วยข้อมูลสเปกตรัมจริงจากอุปกรณ์ขุดแร่ในสนาม การแตกต่างสำคัญของวิธีนี้อยู่ที่ความสามารถของแบบจำลองในการแยกแยะรูปแบบการเคลื่อนที่ที่ผิดปกติของโดรน (UAV) ออกจากวงจรการเคลื่อนที่ที่สม่ำเสมอของเครื่องจักรรอบข้าง นอกจากนี้ แบบจำลองยังสามารถปรับตัวเองได้ตามสถานการณ์เฉพาะในแต่ละพื้นที่ รวมถึงปัจจัยต่างๆ เช่น รูปร่างของหน้าผาสูง (highwalls) และสัญญาณรบกวนแม่เหล็กไฟฟ้า (electromagnetic interference) ที่เกิดจากระบบขับเคลื่อนสายพาน (belt drives)

การทดลองภาคสนามยืนยันว่ามีการลดจำนวนสัญญาณเตือนเท็จลง 41% เมื่อเปรียบเทียบกับเทคนิค CFAR แบบดั้งเดิม โดยยังคงประสิทธิภาพในการตรวจจับไว้ได้อย่างต่อเนื่องแม้ในช่วงพายุฝุ่น ซึ่งระบบทางเลือกที่ใช้เทคโนโลยีแสงและคลื่นวิทยุ (RF) ไม่สามารถทำงานได้

ประสิทธิภาพการตรวจจับโดรนในสภาพแวดล้อมจริงและการตรวจสอบความถูกต้อง

การนำระบบไปใช้งานจริงที่ภูมิภาคพิลบาราของบริษัท Rio Tinto: อัตราการตรวจจับได้ 92% ที่ระยะทาง 1.2 กิโลเมตร ภายใต้สภาวะฝุ่นหนาและปรากฏการณ์การกลับผิดของชั้นบรรยากาศ (Inversion)

ระบบเรดาร์ที่ติดตั้งในภูมิภาคพิลบาราของรัฐเวสเทิร์นออสเตรเลียสามารถตรวจจับไมโครยูเอวี (micro-UAV) ได้ด้วยความแม่นยำประมาณร้อยละ 92 แม้เมื่อยูเอวีเหล่านั้นบินอยู่ห่างออกไปถึง 1.2 กิโลเมตร บริเวณนี้มีความท้าทายอย่างรุนแรงจากฝุ่นแร่เหล็กที่ลอยอยู่ในอากาศอย่างต่อเนื่อง การกลับผันของอุณหภูมิ (thermal inversions) และกิจกรรมอุตสาหกรรมที่ดำเนินไปตลอด 24 ชั่วโมง สิ่งใดที่ทำให้ระบบนี้ทำงานได้ดีเยี่ยมเช่นนี้? ระบบนี้ใช้เทคโนโลยีดอปเพลอร์ขั้นสูงที่ทำงานในหลายช่วงคลื่น เพื่อแยกแยะเป้าหมายขนาดเล็กและเคลื่อนที่ช้าๆ เหล่านั้นออกจากสัญญาณรบกวนพื้นหลังทั้งหมดที่เกิดจากอนุภาคฝุ่นและจากความเปลี่ยนแปลงในการแพร่กระจายของคลื่นวิทยุผ่านชั้นบรรยากาศ ผลการทดสอบแสดงให้เห็นว่าแนวทางการใช้คลื่นสองแถบ (dual-band approach) นี้สามารถทนต่อการตรวจสอบอย่างเข้มงวดได้จริง ในสภาพแวดล้อมแม่เหล็กไฟฟ้าที่หลายคนมองว่าเป็นหนึ่งในสภาพแวดล้อมที่ท้าทายที่สุดสำหรับการดำเนินงานเหมืองแร่ทั่วโลก

การทดลองของแองโกล อเมริกัน ปี 2023: ลดอัตราการแจ้งเตือนผิดพลาดลง 41% ผ่านการปรับค่าเกณฑ์แบบปรับตัวได้ (Adaptive Thresholding)

ในปี ค.ศ. 2023 แองโกล อเมริกันได้ดำเนินการทดสอบหนึ่งครั้งเพื่อศึกษาว่าการปรับเกณฑ์แบบปรับตัวที่ใช้ปัญญาประดิษฐ์ (AI) มีผลต่อการปฏิบัติงานอย่างไร ณ สถานที่สกัดแร่ขนาดใหญ่แห่งหนึ่งของบริษัท ผลการทดสอบแสดงให้เห็นว่า ระบบดังกล่าวสามารถลดจำนวนสัญญาณเตือนเท็จลงได้ประมาณ 41 เปอร์เซ็นต์ เมื่อเปรียบเทียบกับเรดาร์แบบใช้เกณฑ์คงที่แบบดั้งเดิม ระบบทำงานได้ดีเป็นพิเศษในการป้องกันสัญญาณรบกวนที่น่ารำคาญซึ่งเกิดจากสายพานลำเลียงและสัญญาณสะท้อนผิดปกติที่เกิดจากผนังหินสูง (highwalls) ทั้งระบบทำงานได้ดีเพราะมีการปรับปรุงแผนที่สัญญาณรบกวน (clutter maps) แบบเรียลไทม์อย่างต่อเนื่อง โดยอิงตามพฤติกรรมของเครื่องจักรและสัญญาณที่เรดาร์ตรวจจับได้ ส่งผลให้ระบบยังคงรักษาความแม่นยำในการแยกแยะภัยคุกคามที่แท้จริงออกจากสัญญาณรบกวนพื้นหลังได้อย่างต่อเนื่อง โดยไม่จำเป็นต้องมีผู้ปฏิบัติงานเข้าไปปรับแต่งค่าต่าง ๆ ด้วยตนเอง ซึ่งถือว่าน่าประทับใจมาก เนื่องจากอุปกรณ์ทั้งหมดมีการเคลื่อนย้ายตำแหน่งบ่อยครั้ง และตารางการทำงานเปลี่ยนแปลงไปตามกะต่าง ๆ

คำถามที่พบบ่อย

สัญญาณรบกวนจากพื้นดิน (ground clutter) หมายถึงอะไร ในบริบทของการตรวจจับอากาศยานไร้คนขับ (UAV) ภายในเหมือง?

สิ่งรบกวนจากพื้นดิน (Ground clutter) หมายถึง สัญญาณรบกวนที่เกิดกับเรดาร์อันเนื่องมาจากการรวมตัวอย่างหนาแน่นของอุปกรณ์การทำเหมืองทั้งแบบคงที่และแบบเคลื่อนที่ รวมทั้งภูมิประเทศที่ขรุขระไม่สม่ำเสมอ ซึ่งอาจบดบังสัญญาณค่าพื้นที่หน้าตัดเรดาร์ (RCS) ที่ต่ำของโดรน

การกลับผันเชิงอุณหภูมิ (thermal inversion) มีผลต่อการตรวจจับ UAV อย่างไร?

การกลับผันเชิงอุณหภูมิในเขตเหมืองทำให้เกิดความชันของอุณหภูมิซึ่งหักเหคลื่นวิทยุออกจากเซ็นเซอร์เรดาร์ ส่งผลให้สัญญาณอ่อนแอลงอย่างมาก และทำให้การตรวจจับ UAV เป็นไปได้ยากยิ่งขึ้น

เหตุใดไมโคร-UAV รุ่นใหม่จึงตรวจจับได้ยากในเขตเหมือง?

ไมโคร-UAV รุ่นใหม่มีค่าพื้นที่หน้าตัดเรดาร์ (RCS) ต่ำใกล้เคียงกับนก และเคลื่อนที่ด้วยความเร็วที่ใกล้เคียงกับการดำเนินงานการทำเหมือง จึงทำให้แยกแยะได้ยากจากสัญญาณรบกวนโดยรอบและแรงสั่นสะเทือนของเครื่องจักร

AI-optimized CFAR ช่วยปรับปรุงการตรวจจับ UAV ในสภาพแวดล้อมการทำเหมืองได้อย่างไร?

CFAR ที่ปรับแต่งด้วย AI แทนการตั้งค่าเกณฑ์คงที่ด้วยแบบจำลองการเรียนรู้ของเครื่องที่สามารถปรับตัวเข้ากับข้อมูลจริงและสภาพแวดล้อม ช่วยลดการแจ้งเตือนผิดพลาดลงอย่างมีนัยสำคัญ และเพิ่มความแม่นยำในการตรวจจับ UAV