Gruvindustrin står inför stora förändringar. Det gäller världen över, även här i Sverige.

Industrin ropar efter nya lösningar som kan öka digitaliseringen och automatiseringen – dels för att öka säkerheten på den extrema arbetsplats som gruvan är, och dels för att nå högre produktivitet i gruvan.

Iman Vakili

– Under år 2017 var det 18 000 olyckor inom gruvindustrin, med vår teknik skulle många av dem kunna undvikas, konstaterar Iman Vakili, vd och en av Sencepts två grundare.

Samtidigt påpekar han att exempelvis Europa lyckats få ner antalet gruvrelaterade olyckor markant på grund av strikta säkerhetsregler. Här är det bland annat förbjudet för människor att gå in i en gruva direkt efter en sprängning. I den situationen skulle Sencepts radarteknik istället kunna vara med och öka produktiviteten.

– De vanligaste radarsystemen kan se ett mål i tre dimensioner men projicerar det i två dimensioner eftersom det blir betydligt enklare att göra signalbehandlingen. Det blir en 2D-bild plus hastighet.
En lidar kan däremot göra en bild, men den kan inte beräkna hastigheten av målet och fungerar inte där sikten är dålig, säger Iman Vakili, och fortsätter:

– Vi utvecklar ett radarsystem med 4D-skanning. Det kan noggrant spåra och klassificera mål i alla typer av miljöer. Mörker, damm och smuts är inget hinder, så du kan exempelvis skapa en bild av omgivningen direkt efter en sprängning i en gruva.

En radar med korta ramper Det svenska uppstartsföretaget Sencept utvecklar en bildradar som dessutom mäter hastighet. Radartekniken som företaget använder heter FCM, kort för Fast-Chirp Modulation, och är en undergrupp av FMCW. FMCW-teknik sveper utsignalen över ett bestämt frekvensband. Vid klassisk FMCW skickas ramper både upp och ner i frekvens. Vid FCM används bara ramper som går upp i frekvens. En FCM-radar skickar ut radiovågor kontinuerligt till skillnad mot en pulsad radar som skickar ut vågorna stötvis. Den senare är en tidsdomänradar. Lundaföretaget Acconeer använder exempelvis pulsad teknik i sin radiokrets. En skillnad mellan en frekvens- och tidsdomänradar är att den förstnämnda tittar på frekvensskillnaden mellan skickad och mottagen signal för att avgöra distans, medan den andra tittar på tidsskillnaden. Båda utgår däremot från frekvensinformation för att beräkna hastigheten hos ett objekt och från fasskillnader för att beräkna vinkeln till det.

Radarsystemet som Sencept utvecklar bygger på så kallad FCM-teknik (se faktaruta).

Det nyttjar frekvensband som används inom fordonsindustrin. Huvudsakligen två. Dels det som kallad 79 GHz-bandet, som sträcker sig från 77 GHz till 81 GHz, och dels frekvensbandet som går från 76 GHz till 77 GHz.

– På 79 GHz-bandet sveper vi över 4 GHz, så där kan vi få verkligt bra upplösning. Varje ramp är väldigt kort, mellan 30 och 60 mikrosekunder.

Själva radarchipet tar företaget från en halvledartillverkare. Det finns flera att välja mellan, Texas Instruments, NXP och Infineon är några.

– Vi köper kretsarna från en tillverkare, vilken vill jag inte säga. Runt den konstruerar vi ett radarsystem. Det speciella är antenndesignen och mjukvaran som är baserad på deep learning-metoder och artificiell intelligens.

Företaget är ungt, och har precis lämnat in patentansökan på sin teknik.

Planen är att en första proto­typ, som kan användas för att demonstrera tekniken för potentiella kunder, ska vara klar i januari 2020.

– Jag har redan varit i kontakt med företag som kan bli möjliga framtida partners. De är intresserade och har konfirmerat att det är väldigt utmanade att automatisera i gruvor. Men de vill se en demo innan de går vidare med att diskutera eventuella samarbetsprojekt, säger Iman Vakili.

Situationen gör att han är förtegen. Några detaljer vill han inte avslöja, men tydligt är att företaget lutar sig mot en helt ny typ av antennkonstruktion och att den utnyttjar digital lobformning.

– Vi använder flera sändare och flera mottagare, men en av sändarna har en annorlunda design och den skannar omgivningen i en eller två dimensioner. Det gör att vi kan detektera ett mål med mycket hög noggrannhet inom ett brett synfält.

Faktum är att det är tillämpningen som avgör konstruktionen. Om du inte behöver så hög noggrannhet kan det räcka med att enbart använda den skannande antennen.

Bilden till höger visar hur mänskliga ögon – eller en kamera – ser ett föremål och dess omgivning medan bilden till vänster illustrerar hur Sencepts radar kommer att kunna se samma miljö.

Inom gruvindustrin vill man ha hög noggrannhet. Då krävs flera sändare. Samtidigt rör det sig om relativt låga hastigheter, vilket gör att det finns tid för att skapa en tillförlitlig avbildning.

– Lösningen vi siktar på just nu ska fungera upp till cirka 120 meter, även om det inte finns något som begränsar oss att nå längre. Den ska dessutom se brett, 120 grader i både höjd- och sidled, och ha en upplösning på en grad, förklarar Iman Vakili, och tillägger:

– Vårt mål är att ta fram en sensor som liknar en lidar, men som har något lägre upplösning samtidigt som den är väldigt robust och billig. Den ska ge 4D-bilder till lägre pris i alla typer av miljöförhållanden. Det blir lite av en mix mellan radar och lidar.

På mottagarsidan planerar företaget att använda ett par antenner för att öka upplösningen.

– Kretsarna som vi köper har redan flera kanaler, och det är väldigt enkelt att göra signalbehandlingen, så vi använder flera kanaler för att förbättra vår noggrannhet.

Hårdvaran ger data, en 4D-bild, som sedan används för att klassificera ett mål.

För att lära upp systemet använder företaget en existerande plattform som kan hitta mönster i bilderna och klassificera olika typer av grupper av mönster. Det sker i molnet.

– Vi ger plattformen input i form av parametrar som kan användas för att skapa olika dimensioner, som hastighet, storlek, densitet, radar-cross-section och annat. Det kan vara uppåt hundra parametrar.

En viktig detalj för Sencept är att kunna klassificera olika mål sensoroberoende.

– Huvudproblemet med mycket maskininlärning är att det mesta inom radar görs hårdvaruberoende. Om du använder en radar för att samla in en massa data och du köper en annan radar så fungerar det inte längre. Det är i grund och botten bortkastad tid.

– Vi försöker ta fram en metod som gör att datainsamlingen är så hårdvaruoberoende som det går. Det betyder att om du ändrar något litet i hårdvaran så ska data ändå vara giltigt.

Artikeln är tidigare publicerad i magasinet Elektroniktidningen. Prenumerera kostnadsfritt!

När systemet i framtiden är så långt gånget att det börjar användas kommer all signalbehandling däremot att ske i noderna, nära sensorsystemet. En trevlig detalj med deep learning är att systemet sedan kan utvecklas successivt, och på så sätt ständigt få bättre prestanda.

– När vår prototyp är klar i januari kommer jag att visa upp vår teknik för gruvindustrin. Därefter är mitt mål är att försöka förstå vilka utmaningar de står inför när de automatisera i gruvor och sedan se hur vår teknik kan underlätta.