Automatisierte FOD-Erkennungssysteme für Flugplätze

Was ist ein automatisiertes FOD-Erkennungssystem?

Ein automatisiertes Fremdkörper-Erkennungssystem (FOD) ist eine fest installierte oder mobile Sensoranlage, die kontinuierlich Flughafenbewegungsflächen – Startbahnen, Rollbahnen und Vorfelder – auf Fremdkörper überwacht, die Flugzeuge beschädigen, Personal verletzen oder den Betrieb von Flugzeugsystemen beeinträchtigen können. Diese Systeme ersetzen oder ergänzen manuelle FOD-Inspektionen durch Personal, das die Startbahn abschreitet, und verkürzen die Erkennungszeit von 30–60 Minuten auf unter 90 Sekunden pro vollständigem Startbahnscan bei gleichzeitiger 24/7/365-Überwachung.

Vier Hauptkategorien von Technologien haben sich herausgebildet: stationäres Millimeterwellen-Radar, stationäre elektro-optische (kamerabasierte) Systeme, hybride Radar-plus-elektro-optische Fusion und mobile Radarsysteme. Der globale Markt für FOD-Erkennungsgeräte wurde im Jahr 2024 auf 153,8 Millionen US-Dollar geschätzt und soll laut Global Insight Services bis 2034 317,1 Millionen US-Dollar erreichen, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 7,5 % entspricht. Radarbasierte Systeme halten mit 45 % den größten Marktanteil, gefolgt von elektro-optischen Systemen mit 30 % und hybriden Systemen mit 25 %.

Die FAA AC 150/5220-24 legt Mindestleistungsspezifikationen für vier Systemtypen fest: Stationäres Radar muss einen Standard-Referenzzylinder (38 mm Durchmesser × 31 mm Höhe, Metall) auf 1.000 m Entfernung mit einer Ortungsgenauigkeit von 5 m erkennen; stationäre elektro-optische Systeme müssen ein 20 mm großes Objekt auf 300 m erkennen; stationäre hybride Systeme müssen 20 mm große Objekte auf der gesamten Startbahnbreite erkennen; und mobiles Radar muss den Referenzzylinder über einen Scanbereich von 183 m × 183 m bei Betriebsgeschwindigkeiten bis zu 48 km/h erkennen.

Zweck und Flughafenbedarf

FOD auf Startbahnen stellt nach Vogelschlag die zweitgrößte Sicherheitsbedrohung in der Luftfahrt dar. Fremdkörper (Foreign Object Debris) werden von der FAA definiert als “jedes Objekt, ob belebt oder unbelebt, das sich an einem ungeeigneten Ort in der Flughafenumgebung befindet und die Fähigkeit besitzt, Flughafen- oder Fluggesellschaftspersonal zu verletzen oder Flugzeuge zu beschädigen.” ICAO Annex 14, Band I, Abschnitt 10.2.1 schreibt vor, dass “die Oberfläche von Befestigungen (Startbahnen, Rollbahnen, Vorfelder und angrenzende Bereiche) frei von losen Steinen oder anderen Gegenständen gehalten werden muss, die Schäden an Flugzeugstrukturen oder -triebwerken verursachen oder den Betrieb von Flugzeugsystemen beeinträchtigen könnten.”

Die finanziellen Auswirkungen von FOD sind schwerwiegend und umfassend dokumentiert. Die jährlichen globalen FOD-Schadenskosten werden auf 4 Milliarden US-Dollar (Flight Safety Foundation, 2011) bis 22,7 Milliarden US-Dollar (umfassende FAA-Kosten-Nutzen-Analyse in USD von 2023) geschätzt. Die Boeing Company und die National Aerospace FOD Prevention Inc. (NAFPI) schätzen die direkten jährlichen Flugzeugschäden auf etwa 4 Milliarden US-Dollar. Die Schätzung von QinetiQ erreicht 12 Milliarden US-Dollar unter Einbeziehung indirekter Kosten wie Flugverspätungen, Annullierungen und Flugzeugausfallzeiten. Gemäß FAA AC 150/5220-24 bestehen über 60 % der FOD-Gegenstände aus Metall, 18 % aus Gummi, und fast 50 % der gesammelten FOD-Gegenstände sind dunkel gefärbt, was ihre Entdeckung bei Sichtkontrollen erschwert. Typische FOD-Abmessungen betragen 3 cm × 3 cm oder kleiner – vergleichbar mit einem üblichen Flugzeugverschluss oder einer Radmutter.

Das einschneidendste Ereignis in der Geschichte der FOD-Erkennung war der Absturz des Air-France-Fluges 4590 (Concorde) im Jahr 2000 am Pariser Flughafen Charles de Gaulle. Ein Titan-Verschleißstreifen, der von einer McDonnell Douglas DC-10 gefallen war, die vier Minuten zuvor gestartet war, traf beim Start mit 190 Knoten den Reifen der Concorde. Der Reifen explodierte, und ein 4,5 kg schweres Gummifragment durchschlug den Tank Nr. 5, was zu einem massiven Brand und Triebwerksausfall führte. Das Flugzeug stürzte auf ein Hotel in Gonesse, wobei alle 109 Personen an Bord und 4 Personen am Boden ums Leben kamen. Diese Katastrophe löste direkt globale Investitionen in automatisierte FOD-Erkennungstechnologie aus und führte 2006 zur ersten Installation betriebsbereiter Systeme am Vancouver International Airport.

ICAO verlangt, dass alle Flughäfen routinemäßige FOD-Inspektionen an stark frequentierten Flughäfen mindestens viermal täglich, nach jedem bekannten FOD-Vorfall, nach Bau- oder Wartungsarbeiten sowie nach schweren Wetterereignissen durchführen. ICAO Doc 9137 (Airport Services Manual), Teile 2, 8 und 9, enthält detaillierte Leitlinien zu Befestigungsoberflächenzuständen, FOD-Inspektionshäufigkeiten und Startbahnwartungspraktiken. PANS-Aerodromes (Doc 9981) schreibt regelmäßige Inspektionen der Bewegungsflächen auf Oberflächenzustände vor, während Assembly Resolution A37 FOD ausdrücklich als erhebliches Sicherheitsproblem anerkennt.

Feste Radarsysteme

Feste Radar-FOD-Erkennungssysteme nutzen Millimeterwellen-Radar (MMW), das im E-Band (71–86 GHz) oder W-Band (92–100 GHz) arbeitet. Die kurze Wellenlänge von 3,0–3,9 mm bietet die hohe räumliche Auflösung, die zur Erkennung kleiner Fremdkörper auf der Startbahnoberfläche erforderlich ist. Die vorherrschende Architektur ist das Frequenzmodulierte Dauerstrichradar (FMCW), das ein kontinuierliches Signal sendet, dessen Frequenz im Laufe der Zeit linear moduliert (gechirpt) wird. Das von einem Ziel reflektierte Signal wird mit einer Kopie des gesendeten Signals gemischt, und die Frequenzdifferenz (Schwebungsfrequenz) zwischen Sende- und Empfangssignal ist proportional zur Entfernung des Ziels: R = (c × Δf) / (2 × S), wobei S die Chirp-Rate ist.

FMCW-Radar bietet mehrere entscheidende Vorteile für die FOD-Erkennung. Es arbeitet mit sehr geringer Sendeleistung im Milliwattbereich und verursacht keine Schäden an Flughafenpersonal, Passagieren oder Flugzeugsystemen. Es ermöglicht einen Allwetterbetrieb, der Nebel, Regen und Schnee deutlich besser durchdringt als optische Systeme – eine kritische Anforderung, da FOD-Gefahren unabhängig von den Sichtverhältnissen bestehen. Es ermöglicht den Betrieb bei Tag und Nacht, da Radar völlig unabhängig von Umgebungslicht ist. Es bietet eine gleichzeitige Entfernungs- und Geschwindigkeitsmessung, sodass das System sich bewegende Objekte (Fahrzeuge, Wildtiere) von statischen Fremdkörpern unterscheiden kann.

Die wichtigste technische Herausforderung für FOD-Radar ist die Unterscheidung kleiner Ziele von Bodenclutter – Radarreflexionen von der Startbahnoberfläche selbst, einschließlich Befestigungstextur, Markierungen, Fugenabdichtungen und Randbefeuerungen. Das Standarderkennungsverfahren verwendet eine Clutter-Map-Constant-False-Alarm-Rate-Verarbeitung (CM-CFAR). Das Radar erstellt ein statistisches Modell des Hintergrundclutters für jede Auflösungszelle, indem es die Rückkehrsignale über viele Scans mittelt. Eine Erkennungsschwelle wird dynamisch als Schwelle = μ_Clutter × CFAR-Faktor gesetzt, wobei μ_Clutter die mittlere Clutter-Leistung ist und der CFAR-Faktor so eingestellt wird, dass eine konstante Fehlalarmrate, typischerweise 10⁻⁶ pro Auflösungszelle, aufrechterhalten wird. Jede Rückkehr, die die Schwelle mit statistisch signifikantem Abstand überschreitet, wird als potenzieller FOD markiert.

Fortschrittliche Clutter-Unterdrückungstechniken umfassen den Iterative Adaptive Approach (IAA) zur Interferenzunterdrückung und Fehlalarmreduzierung (PMC7916495), die zeitbereichsbasierte Constant-False-Alarm-Ratio-Verarbeitung in Kombination mit Startbahnkantenerkennung zur Region-of-Interest-Extraktion (PMC8199731, Chinesische Akademie der Wissenschaften) sowie Deep-Learning-Klassifikationsnetzwerke, die CFAR ergänzen, indem sie erkannte Anomalien anhand von Radarsignaturmerkmalen als FOD versus Fehlalarm klassifizieren. Polarimetrische Verfahren mittels Vollpolarisations-Streumessungen helfen, FOD von der Befestigungstextur zu unterscheiden, während die Modellierung optimaler Streifwinkel bei etwa 2 Grad den Clutter minimiert und gleichzeitig die Startbahnabdeckung maximiert.

Die FAA definiert ein Standard-Referenzziel für Leistungstests: einen unlackierten Metallzylinder mit 38 mm (1,5 Zoll) Durchmesser und 31 mm (1,2 Zoll) Höhe mit einem Radarquerschnitt (RCS) von etwa −20 dBsm. Ein konformes stationäres Radarsystem muss dieses Ziel auf Entfernungen bis zu 1.000 m (0,62 Meilen) vom Sensor mit einer Ortungsgenauigkeit von 5 m (16 Fuß) erkennen.

Die Aufstellungskonfiguration gemäß FAA AC 150/5220-24 erfordert Sensoren in einem Abstand von 50 m (165 Fuß) oder mehr von der Startbahnmittellinie, mit einer empfohlenen Installation in etwa 125 m Entfernung von der Startbahnseitenkante in 8 m Höhe. Eine typische Installation verwendet 2–3 Sensoren pro Startbahn, abhängig von der Länge: 1 Radar für Startbahnen bis 1.829 m (geeignet für Regionalflughäfen mit A319/B737-Flugzeugen), 2 Radargeräte für Startbahnen bis 4.000 m (internationale Flughäfen mit B747/A380-Betrieb) und 3 Radargeräte für Startbahnen bis 5.500 m (Hochgebirgs- oder Ultralangstrecken-Startbahnen).

Elektro-optische Systeme

Elektro-optische (EO) FOD-Erkennungssysteme nutzen Kameras für den sichtbaren Spektralbereich, Infrarotkameras (IR) oder kombinierte Sensor-Arrays zur visuellen Überwachung von Startbahnoberflächen. Diese Systeme stützen sich auf hochentwickelte Computer-Vision- und maschinelle Lernalgorithmen zur Identifizierung von Fremdkörpern in Startbahnaufnahmen.

Kameras für sichtbares Licht verwenden hochauflösende Multimegapixel-Sensoren mit Teleobjektiven, typischerweise mit einer Auflösung von 1920 × 1080 oder höher bei 30+ Bildern pro Sekunde. Sie arbeiten bei Tageslicht mit natürlicher Beleuchtung. Infrarot- und Wärmebildkameras arbeiten im langwelligen Infrarotbereich (LWIR, 8–14 μm) und erkennen den thermischen Kontrast zwischen Fremdkörpern und der Startbahnoberfläche. Sie sind bei Nacht ohne sichtbare Beleuchtung effektiv und weniger anfällig für Schatten und Lichtwechsel als Kameras für sichtbares Licht. Nahinfrarotsysteme (NIR) nutzen aktive NIR-Beleuchtung für verbesserte Nachtfähigkeit ohne sichtbare Lichtverschmutzung.

Gemäß FAA AC 150/5220-24 müssen stationäre elektro-optische Systeme ein 2,0 cm (0,8 Zoll) großes Objekt auf Entfernungen bis zu 300 m (985 Fuß) allein mit Umgebungslicht erkennen. Die Sensoren müssen sich in einem Abstand von 150 m oder mehr von der Startbahnmittellinie befinden, wobei typischerweise 5–8 Sensoren pro Startbahn erforderlich sind, abhängig von den Flughafenanforderungen. Das System muss eine kontinuierliche Überwachung unterstützen.

Die Bildverarbeitung für die elektro-optische FOD-Erkennung umfasst mehrere Berechnungsebenen. Hintergrundsubtraktion und Änderungserkennung vergleichen aktuelle Bildframes mit einer sauberen Startbahn-Referenzbasis und markieren signifikant abweichende Pixel als potenziellen FOD. Zu den Methoden gehören Framedifferenzierung, Gaußsche Mischmodelle (GMM) zur Hintergrundmodellierung und verbesserte Regionenwachstumsalgorithmen. Merkmalbasierte Erkennung extrahiert handgefertigte Merkmale aus Bildregionen, darunter Histogramm orientierter Gradienten (HOG), Scale-Invariant Feature Transform (SIFT), Farbehistogramme, Texturmerkmale und Gabor-Wavelet-Merkmale in Kombination mit einer Support-Vector-Machine-Klassifikation (SVM) (Niu et al., Beihang-Universität).

Moderne elektro-optische FOD-Systeme verwenden zunehmend Convolutional Neural Networks (CNNs) zur Objekterkennung (Faster R-CNN, YOLO, SSD adaptiert für die Erkennung kleiner Objekte), semantische Segmentierung (U-Net, DeepLabv3+) für pixelgenaue FOD-Segmentierung und schwach überwachtes Lernen, trainiert auf Flughafendatensätzen mit Bildlevel-Labeln. Random-Forest-Ansätze mit Pixel Visual Features (PVF) mit gelernten Gewichten und rezeptiven Feldern (PMC9002671) übertreffen sowohl traditionelle Random Forests als auch DeepLabv3+ in Präzision und Trefferquote bei der FOD-Erkennung auf optischen Startbahnbildern.

Zu den wichtigsten Herausforderungen rein elektro-optischer Systeme gehören Fehlalarme durch Schatten, Reifenspuren, Startbahnmarkierungen, Risse, Stoßfugen und Löcher. Die Leistung verschlechtert sich bei Regen, Nebel, Schnee und schlechten Lichtverhältnissen erheblich. Die Evaluierungsdaten von iFerret am Flughafen Changi liefern quantitative Belege: Die Tagesreichweite für 4 cm große Objekte sinkt von 1.100 m (klar) auf 890 m bei 16 mm/h Niederschlag – eine Reduzierung um 19 %. Die Nachtreichweite sinkt von 600 m auf 520 m bei 22 mm/h Regen (13 % Reduzierung). Bei 1 cm großen Objekten fällt die Nachtreichweite auf 310 m und verschlechtert sich bei Regen weiter. Die Erkennung von Objekten kleiner als 5 cm × 5 cm bleibt bei rein optischen Systemen auf große Entfernungen schwierig.

Hybride Systeme (Radar- und Kamerafusion)

Hybride FOD-Erkennungssysteme kombinieren Millimeterwellen-Radar und elektro-optische Kameras, um die individuellen Einschränkungen jeder Technologie zu überwinden. Radar- und EO-Sensoren sind grundlegend komplementär: Radar bietet Allwetter-, Tag-/Nacht- und Weitbereichserkennung, entbehrt jedoch der Auflösung zur visuellen Identifizierung von Objekten; EO-Kameras bieten eine hochauflösende visuelle Identifikation, verschlechtern sich jedoch bei schlechtem Wetter und Dunkelheit erheblich.

Der typische Betriebsablauf in einem hybriden System beginnt damit, dass das Radar mittels CFAR-Verarbeitung eine Anomalie erkennt. Das System berechnet die GPS-Koordinaten der Anomalie und richtet die EO-Kamera per Schwenk-Neige-Zoom auf die Zielposition. Ein KI/ML-Bildverarbeitungsalgorithmus analysiert das Kamerabild, um die Erkennung zu bestätigen oder zu verwerfen. Bestätigter FOD löst einen Alarm aus; Fehlalarme werden unterdrückt, ohne den Betrieb zu stören.

Drei Stufen der Sensorfusion sind möglich. Sensorlevel-Fusion kombiniert Radar- und Kameradaten auf der Rohdatenebene, bevor Erkennungsalgorithmen ausgeführt werden. Merkmalsebene-Fusion kombiniert aus jeder Modalität extrahierte Merkmale (Radarsignaturen, visuelle Merkmale) zu einem gemeinsamen Merkmalsvektor für die Klassifikation. Entscheidungsebene-Fusion ermöglicht jeder Modalität, FOD unabhängig zu erkennen, wobei Entscheidungen über Abstimmung oder konfidenzbasierte Gewichtung zusammengeführt werden.

Die praktischen Vorteile der Fusion umfassen drastisch reduzierte Fehlalarmraten – hybride Systeme erreichen typischerweise weniger als 1 Fehlalarm pro Tag mit visueller Bestätigung, verglichen mit bis zu 3 pro Tag bei reinen Radarsystemen gemäß FAA-Spezifikationen. Die visuelle Validierung vor einer Startbahnsperrung verhindert unnötige Betriebsunterbrechungen. Betreiber können das FOD-Objekt sehen, bevor sie Personal entsenden, was eine Gefährdungsbewertung und angemessene Priorisierung der Reaktion ermöglicht.

Die Xsight RunWize-Plattform, eingesetzt an den Flughäfen Boston Logan, Seattle-Tacoma, Bangkok Suvarnabhumi und Beijing Capital International, stellt die führende kommerzielle Hybrid-Implementierung dar. Die Sensoren sind gemeinsam mit den Startbahn-Randlichtern positioniert und nutzen die vorhandene Strom- und Dateninfrastruktur, um Installationskosten zu minimieren. Jede Sensoreinheit enthält sowohl Millimeterwellen-Radar als auch eine hochauflösende EO-Kamera. Eine KI-gestützte Fusions-Engine kombiniert Radarrückkehrsignale und visuelle Daten für eine überlegene Erkennungsleistung bei allen Wetterbedingungen und bietet eine vollständige 24/7/365-Dauerüberwachung.

Kommerzielle Systeme

Tarsier (QinetiQ / Moog)

Tarsier war das weltweit erste vollautomatische FOD-Erkennungssystem, entwickelt von QinetiQ (einem britischen Verteidigungstechnologieunternehmen) mit Moog als exklusivem Lizenznehmer seit etwa 2019. Es arbeitet mit 94,5 GHz im W-Band unter Verwendung von FMCW-Radartechnologie. Das System erreicht eine 100%ige Erkennung des FAA-Referenzzylinders bis zu 3.168 Fuß (965 m) und wurde von der FAA als Referenz für radarbasierte FOD-Erkennungssysteme ausgewählt.

Das System verfügt über eine Tag-/Nacht-MIL-SPEC-Kamera zur visuellen Bestätigung mit hochauflösender Optik und Nahinfrarot-Beleuchtung. Der empfohlene optimale Streifwinkel beträgt etwa 2 Grad, wodurch Bodenclutter minimiert und die Startbahnabdeckung maximiert wird. Die Aufstellung erfolgt mittels sechseckiger Stahltürme in 3–24 m Höhe, abhängig von den Sichtlinienanforderungen. Das Radar ist durch eine wetterfeste Radarkuppel geschützt.

Die erste Installation erfolgte 2006 am Vancouver International Airport (YVR). Die Installation am London Heathrow im Jahr 2007 hat seitdem zu keinen größeren FOD-bedingten Notfällen geführt. Das System führt etwa 1.000 Inspektionen pro Tag durch, verglichen mit den zuvor durchgeführten 4 täglichen manuellen Inspektionen. Weitere Installationen umfassen Dubai International, Doha Hamad International und den Providence T.F. Green Airport.

Über die Fremdkörpererkennung hinaus kann Tarsier Risse in Befestigungen, Veränderungen der Oberflächenhöhe und Bewegungen von in die Befestigung eingelassenen Leuchten erkennen. Es arbeitet bei Nullsicht, einschließlich Nebel, Regen und Sandstürmen. QinetiQ gibt an, dass es das einzige FOD-Erkennungssystem ist, das alle wichtigen globalen Sicherheitsspezifikationen erfüllt.

FODetect und RunWize (Xsight Systems)

FODetect, hergestellt von Xsight Systems (Israel), ist ein hybrides System, das Millimeterwellen-Radar mit elektro-optischer HD-Bildgebung kombiniert. Es kann Objekte ab einer Größe von 0,8 Zoll (2 cm) erkennen und scannt die gesamte Startbahn in weniger als 60 Sekunden. Das System verwendet Surface Detection Units (SDUs), die in Startbahn-Randlichter integriert oder auf separaten Strukturen montiert sind, typischerweise an jedem Randlicht oder an abwechselnden Lichtern.

Das System enthält einen einzigartigen Laserleitstrahl, der aktiviert werden kann, um Bodenpersonal zur genauen FOD-Position zu führen. GPS-Koordinaten werden berechnet und zur präzisen Bergung übermittelt. Zuschreibungsfähigkeiten unterstützen die Untersuchung nach Vorfällen und die Meta-Analyse von FOD-Mustern zur Trendidentifikation und Hotspot-Kartierung.

RunWize ist Xsights umfassende Startbahn-Bedrohungserkennungsplattform, die über die FOD-Erkennung hinausgeht. Zu den Modulkomponenten gehören FODetect (Kern-FOD-Erkennung), BirdWize (Vogel- und Wildtiererkennung auf Startbahnen), SnowWize (Überwachung der Startbahnkontamination durch Schnee und Eis) und ViewWize (vollständige Videoabdeckung und Situationsbewusstsein). Die Plattform integriert Sensoren in Startbahn-Randlichter und nutzt KI-gestützte Erkennung über mehrere Bedrohungstypen hinweg.

Zu den Installationen gehören Seattle-Tacoma International, Boston Logan International (Installation für 1,7 Mio. USD, etwa 50 % von der FAA finanziert), Tel-Aviv Ben Gurion International, Bangkok Suvarnabhumi International, Beijing Capital International und Beijing Daxing International. Von allen Systemen, die in einer Studie der FAA bewertet wurden, erfüllte oder übertraf nur FODetect gemäß dem Thales/ITAFSC-Bericht alle Anforderungen.

iFerret (Stratech Systems)

iFerret, hergestellt von Stratech Systems (Singapur), ist das weltweit erste intelligente, bildbasierte FOD-Erkennungssystem. Es verwendet rein elektro-optische Technologie ohne Radarkomponente – ein passives System ohne ausgesendete Strahlung, das Bedenken hinsichtlich elektromagnetischer Interferenzen (EMI/EMC) und Gesundheitsgefahren eliminiert.

Das System verwendet selbstkalibrierende Kameras mit intelligenter Bildsoftware, die Erkennungsreichweiten von bis zu 1.100 m für 4 cm große Objekte bei Tageslicht und klaren Bedingungen, 890 m bei 16 mm/h Niederschlag, 780 m für 2 cm große Objekte bei Tag und 310 m für 1 cm große Objekte bei Nacht bietet. Die Ortungsgenauigkeit liegt innerhalb von 1 Meter. Die durchschnittliche Erkennungszeit beträgt 2 Minuten bei Tag und 4 Minuten bei Nacht.

iFerret wurde in Zusammenarbeit mit der Civil Aviation Authority of Singapore (CAAS) entwickelt und am Singapore Changi Airport einer umfassenden FAA-Bewertung unterzogen. Der 15-monatige Pilotversuch wurde im Juli 2007 abgeschlossen, gefolgt von der vollständigen Implementierung im Februar 2008. Es war das erste FOD-Erkennungssystem, das auf Rollbahnen (Pilotbewertung am Chicago O’Hare) und das erste auf Vorfeldern (Düsseldorf International Airport) eingesetzt wurde. Die knotenbasierte Architektur ist skalierbar und modular und ermöglicht den Einsatz auf Startbahnen, Rollbahnen, Vorfeldern und sogar Flugzeugträgern. Fällt ein Knoten aus, überdecken benachbarte Knoten die Lücke durch überlappende Abdeckung.

FOD Finder (Trex Aviation Systems)

FOD Finder von Trex Aviation Systems (USA) ist als einziges FAA-zertifiziertes mobiles FOD-Erkennungssystem einzigartig. Es arbeitet mit 78–81 GHz im FCC-lizenzfreien Band und vermeidet so Spektrumlizenzanforderungen und Interferenzen mit Flughafenkommunikations- und Navigationssystemen. Das XM-Modell (mobil) erkennt Objekte ab 25 mm × 25 mm über einen Scanbereich von 183 m × 183 m bei Betriebsgeschwindigkeiten bis zu 30 mph (48 km/h). Das XF-Modell (fest) ermöglicht eine stationäre Installation.

Das System verfügt über eine Dual-Sensor-Technologie, die Millimeterwellen-Radar mit fotografischer Dokumentation kombiniert. Der automatische Upload in ein internetbasiertes Datenmanagementsystem ermöglicht Fernüberwachung und -analyse. Der FOD Finder XM-M ist die weltweit einzige mobile Ausrüstung zur Erkennung und Beseitigung von Fremdkörpern. Beide V2-Modelle (Fest und Mobil) sind erhältlich und über GSA für den US-amerikanischen Inlandsverkauf verfügbar.

ELVA-1 liefert OEM-Millimeterwellen-FMCW-Radarsensoren im 76–77 GHz Bereich (E-Band) mit Erkennung des FAA-Referenzzylinders bis zu 1.000 m. Diese werden als Rohdatensensoren geliefert, die zur Datenverarbeitung und Visualisierung über Ethernet (UDP) an ein Flughafenkontroll- oder Überwachungssystem angeschlossen werden müssen.

Erkennungsleistung

Die Erkennungsleistung wird anhand von drei kritischen Metriken gemessen: minimale erkennbare Objektgröße, maximale Erkennungsreichweite und Fehlalarmrate. Die FAA AC 150/5220-24 definiert die folgenden Mindestleistungsspezifikationen:

Der systemübergreifende Leistungsvergleich zeigt erhebliche Unterschiede:

Fehlalarme sind die kritische Betriebskennzahl. Zu viele Fehlalarme untergraben das Vertrauen der Betreiber und verursachen unnötige Startbahnsperrungen und Betriebsunterbrechungen. Radarsysteme verwenden CFAR-Algorithmen, um eine feste Fehlalarmwahrscheinlichkeit aufrechtzuerhalten. Die CM-CFAR-Methode führt eine laufende Schätzung der Hintergrundclutter-Leistung pro Zelle durch und setzt die Erkennungsschwelle als T = α × P_Clutter, wobei α der CFAR-Skalierungsfaktor ist. Hybride Systeme reduzieren Fehlalarme von Natur aus, indem sie vor der Alarmierung eine visuelle Bestätigung verlangen und so den von der FAA festgelegten Schwellenwert von ≤ 1 Fehlalarm pro Tag erreichen.

Hervorragende MMW-Radarsysteme erkennen FOD mit einem minimalen Radarquerschnitt von −20 dBsm. Die wissenschaftliche Literatur weist auf die kritische Herausforderung hin, Ziele mit niedrigem RCS jenseits von 660 m zu erkennen. Die wichtigste Betriebserkenntnis von fod-detection.com ist, dass “ein System mit 90 % Erkennungswahrscheinlichkeit und 1 Minute Erkennungszeit genauso effektiv sein kann wie ein System mit 95 % Erkennungswahrscheinlichkeit und 7 Minuten Erkennungszeit – beide reduzieren das Risiko auf etwa 10–13 % des Ausgangswerts.”

Integration in den Flughafenbetrieb

Wenn FOD erkannt wird, führt das System einen definierten Arbeitsablauf aus. Der Sensor erkennt eine Anomalie auf der Startbahnoberfläche und klassifiziert sie nach Größe, Position und Konfidenzniveau. Bei hybriden Systemen schwenkt die Kamera zur Position für die visuelle Bestätigung. Der Alarm wird über Audio- und visuelle Alarme an die Betriebszentrale und den Tower gesendet. Die Benutzeroberfläche zeigt GPS-Koordinaten, Objektbild und Risikostufe an. Bodenpersonal wird zur genauen FOD-Position entsandt, möglicherweise geleitet durch einen Laserpointer vom Sensor (FODetect). Nach der Bergung scannt das System die Startbahn erneut, um die FOD-Entfernung zu bestätigen. Alle Daten werden für die Nachbereitung, Trendanalyse und Einhaltung von Vorschriften protokolliert.

Startbahnsperrungsprotokolle unterscheiden sich erheblich zwischen manuellen und automatisierten Systemen. Ohne automatische Erkennung ist für die manuelle Inspektion eine vollständige Startbahnsperrung erforderlich, bei der Personal die gesamte Startbahnoberfläche abschreitet oder abfährt – typischerweise 30–60 Minuten Sperrung pro Inspektion. Mit automatischen Systemen muss möglicherweise nur der betroffene Startbahnbereich gesperrt werden. Die visuelle Validierung ermöglicht es den Betreibern, die Gefährdungsstufe vor der Entscheidung über eine Sperrung zu bewerten. Die Bergungszeit wird erheblich verkürzt, da das Personal direkt zur FOD-Position geht. FODetect gibt an, eine über 30-minütige Sperrung durch eine schnelle, punktgenaue Sammeloperation zu ersetzen.

Moderne FOD-Erkennungssysteme integrieren sich in Flugsicherungssysteme (ATC), die FOD-Alarme auf ATC-Bildschirmen anzeigen, Flughafen-Betriebszentralen als primäre Alarmkonsolen, Flughafen-Management-Software über API/SDK-Integration zum Datenaustausch, digitale Bodenbewegungsradare zur Ergänzung bestehender Überwachungssysteme und NOTAM-Generierungssysteme für automatisierte Startbahnstatusaktualisierungen. Die Integration in das Sicherheitsmanagementsystem (SMS) des Flughafens ermöglicht es, FOD-Vorfälle in die Gefahrenidentifikations- und Risikobewertungsprozesse einfließen zu lassen. Die FAA FOD-Datenbank (fod.faa.gov) ermutigt Flughäfen, FOD-Daten für branchenweite Trendanalysen einzureichen.

Regulatorischer Status

ICAO

ICAO Annex 14, Band I (Aerodrome Design and Operations, 7. Ausgabe, 2016), Kapitel 10, Abschnitt 10.2.1 schreibt vor, dass “die Oberfläche von Befestigungen (Startbahnen, Rollbahnen, Vorfelder und angrenzende Bereiche) frei von losen Steinen oder anderen Gegenständen gehalten werden muss, die Schäden an Flugzeugstrukturen oder -triebwerken verursachen oder den Betrieb von Flugzeugsystemen beeinträchtigen könnten.” ICAO Doc 9137 (Airport Services Manual), Teil 2 (Pavement Surface Conditions), Teil 8 (Airport Operational Services) und Teil 9 (Airport Maintenance Practices) enthalten detaillierte Leitlinien zur FOD-Inspektionshäufigkeit, Erkennungsverfahren und Startbahnflächeninstandhaltung. PANS-Aerodromes (Doc 9981) schreibt regelmäßige Inspektionen der Bewegungsflächen auf Oberflächenzustände vor. Die ICAO empfiehlt mindestens viermal täglich eine Startbahninspektion.

FAA

14 CFR Part 139 (Certification of Airports), §139.305(a)(4) schreibt vor, dass “Schlamm, Schmutz, Sand, loses Gesteinsmaterial, Ablagerungen, Fremdkörper, Gummiablagerungen und andere Verunreinigungen unverzüglich und so vollständig wie möglich entfernt werden müssen.” §139.327 verlangt ein Selbstinspektionsprogramm mit täglichen Kontrollen der Bewegungsflächen. Der FAA-Bericht an den Kongress vom September 2023 stellt jedoch fest, dass FOD-Erkennungstechnologien derzeit kein praktikabler Ersatz für manuelle Inspektionen nach Part 139 sind.

FAA AC 150/5220-24 (30. September 2009) legt Mindestleistungsspezifikationen für die Beschaffung von FOD-Erkennungsgeräten fest, die stationäres Radar, stationäre elektro-optische Systeme, stationäre hybride und mobile Radarsysteme abdecken. Die Einhaltung ist für den allgemeinen Flughafenbetrieb empfehlenswert, jedoch verbindlich für alle Systeme, die über das Airport Improvement Program (AIP) oder das Passenger Facility Charge (PFC) Program gemäß Grant Assurance Nr. 34 und Assurance Nr. 9 beschafft werden.

FAA AC 150/5210-24A (8. Februar 2024, aktualisiert am 20. Mai 2024) enthält Leitlinien für die Entwicklung und Verwaltung eines vollständigen Flughafen-FOD-Managementprogramms, das um vier Säulen organisiert ist: Prävention (Bewusstsein, Schulung, Ausbildung, Instandhaltungsprogramme), Erkennung (Risikobewertung, manuelle und automatisierte Erkennungsabläufe), Beseitigung (Geräteeigenschaften, Leistung, Betrieb) und Auswertung (Datenerfassung, Analyse, kontinuierliche Programmverbesserung).

Die FAA Airport Technology Research and Development Branch (AAS-100) führt Leistungsbewertungen von FOD-Erkennungssystemen an Flughäfen durch und testet Ortungsgenauigkeit, Erkennungsgeschwindigkeit, Alarmauslösung, Leistung gegenüber Referenzzielen und die Messung der Fehlalarmrate.

EASA

Die Verordnungen der Europäischen Agentur für Flugsicherheit (EASA) sind eng an die ICAO angelehnt, ohne ein spezifisches Zertifizierungsverfahren für FOD-Erkennungssysteme als eigenständige Geräte. EU-Verordnung 139/2014 schreibt die Zertifizierung von Flugplätzen einschließlich Startbahninspektionen vor. CS-ADR-DSN (Certification Specifications for Aerodrome Design) enthält spezifische FOD-bezogene Anforderungen an den Zustand von Startbahnoberflächen. AMC/GM zu Part-ADR.OPS.B.025 enthält akzeptable Nachweismethoden für die Überwachung des Startbahnzustands einschließlich der FOD-Inspektion. Das EASA-Konzeptpapier zu KI (2024) befasst sich mit Level-1- und Level-2-Maschinenlernanwendungen, die für KI-basierte FOD-Erkennungssysteme relevant sind.

Komplementarität von automatisierter FOD-Erkennung und Befestigungsinspektion

Es besteht eine kritische, aber oft unterschätzte Beziehung zwischen dem Zustand von Befestigungen und der FOD-Entstehung. Automatisierte FOD-Erkennungssysteme erzeugen wertvolle Sekundärdaten über den Zustand der Startbahnbefestigung, die formelle Zustandsprüfungen von Befestigungen direkt ergänzen.

Tarsiers Radar kann Risse in Befestigungen, Veränderungen der Oberflächenhöhe und Bewegungen von in die Befestigung eingelassenen Leuchten erkennen – nicht nur einzelne Fremdkörper. ELVA-1 weist ausdrücklich darauf hin, dass ihr Radar Mängel in Beton- oder Asphaltbefestigungen auf Start- und Rollbahnen erkennen und als permanente Elemente aus dem Radarbild entfernen kann, wodurch im Laufe der Zeit eine Datenbank zum Befestigungszustand aufgebaut wird.

FOD-Musteranalyse ermöglicht vorausschauende Instandhaltung: Orte mit hoher FOD-Häufigkeit weisen oft auf zugrunde liegende Befestigungsschäden hin. Wiederholte FOD-Funde von derselben Stelle signalisieren aktive Verschlechterung der Befestigung, wie fortschreitende Fugenabplatzungen oder Ausbröckeln. Als FOD gefundene Beton- und Asphaltstücke weisen auf aktiven Materialzerfall hin, der eine sofortige Untersuchung erfordert. Muster von Gummiablagerungen identifizieren Abnutzungszonen im Aufsetzbereich für das Reibungsmanagement. Hotspot-Kartierung priorisiert Inspektions- und Sanierungszonen für Befestigungszustandsindex (PCI)-Erhebungen.

Der Befestigungszustandsindex (PCI) arbeitet auf einer Skala von 0–100. Bei PCI 70–100 ist vorbeugende Instandhaltung einschließlich Rissversiegelung und Oberflächenabdichtung angemessen. Bei PCI 40–69 ist korrektive Instandhaltung wie Fräsen und Überziehen sowie teilweise Ausbesserung erforderlich. Bei PCI 0–39 ist ein Neubau zu 6–8-fachen Kosten der vorbeugenden Behandlung erforderlich. Die Behandlung von Befestigungsschäden bei PCI 65–75 reduziert die FOD-Entstehung auf behandelten Abschnitten laut iFactory-Daten um 30–45 %.

Eine dokumentierte Fallstudie zeigt die finanziellen Auswirkungen: Ein Flughafen identifizierte drei Rollbahnabschnitte, die aufgrund undiagnostizierter Fugenabplatzungen 40 % der jährlichen FOD-Ereignisse verursachten. Die Behandlungskosten betrugen $280.000, während die bisherigen FOD-Schadenskosten über zwei Jahre $600.000 betrugen. Der ROI wurde in weniger als einem Jahr durch FOD-Befestigungs-Korrelationsanalyse erzielt, und die proaktive Behandlung beseitigte wiederkehrende FOD-Quellen.

Der Trend geht zu umfassenden Startbahn-Managementplattformen wie RunWize und XenomatiX XenoTrack, die Echtzeit-FOD-Erkennung, periodische Zustandsüberwachung von Befestigungen, Reibungsmessung, Kontaminationsüberwachung (Schnee, Eis, Wasser) und Vogel-/Wildtiererkennung in integrierte Entscheidungsunterstützungssysteme kombinieren. Systeme wie XenomatiX XenoTrack nutzen LiDAR zur Risserkennung und präzisen Positionierung, Ebenheitsanalyse (Vertiefungen, Schlaglöcher, Stufenbildung), Bewertung der Entwässerungsleistung, Erkennung von überstehenden Startbahnleuchten, Messung der Makrotextur (MPD) für Nassrutschfestigkeit und automatische PCI-Berechnung auf Asphalt- und Betonbefestigungen.

FAA PAVEAIR, das Flughafen-Befestigungsmanagementsystem der FAA, kann FOD-Erkennungsdaten integrieren, um ein vollständigeres Bild des Startbahnzustands zu erhalten. Die kombinierte Analyse optimiert den Sanierungszeitpunkt und die FOD-Präventionsinvestitionen und verwandelt die FOD-Erkennung von einer reaktiven Sicherheitsmaßnahme in eine proaktive Informationsquelle für das Befestigungsmanagement.

Kosten-Nutzen

Die Installationskosten der Systeme variieren erheblich je nach Technologie, Flughafengröße und Konfiguration. Stationäre Radarsysteme (2–3 Einheiten) liegen zwischen 1 Million und 5+ Millionen US-Dollar einschließlich zentraler Verarbeitungsinfrastruktur. Stationäre elektro-optische Systeme (5–8 Einheiten) liegen zwischen 1 Million und 3 Millionen US-Dollar. Hybride Randlichtsysteme mit Sensoreinheiten pro Randlicht liegen zwischen 3 Millionen und 8+ Millionen US-Dollar für die vollständige Startbahnabdeckung. Mobile Radarsysteme liegen zwischen 250.000 und 500.000 US-Dollar pro Fahrzeug. ELVA-1-Radarsensoren als OEM-Komponenten liegen zwischen 50.000 und 150.000 US-Dollar pro Einheit, exklusive Integrations- und Verarbeitungsinfrastruktur.

Die FAA führte eine umfassende Kosten-Nutzen-Analyse für FOD-Erkennungssysteme über die Airport Technology R&D Branch durch. Alle sechs Kosten-Nutzen-Modelle, die mit unterschiedlichen Kostenannahmen für Komponenten erstellt wurden, zeigten einen finanziellen Nettonutzen. Alle sechs Modelle zeigten einen Break-even innerhalb eines angemessenen Zeitrahmens. Die Eingabedaten umfassten Stakeholder-Interviews, Literaturrecherchen, Sicherheits- und Betriebsdatenbanken sowie Aufzeichnungen der FOD-Erkennung an Flughäfen. Die FAA kam zu dem Schluss, dass FOD-Erkennungssysteme über einen Lebenszyklus von 12 Jahren einen positiven Nettonutzen für Flughäfen und Fluggesellschaften bieten.

Betriebliche Einsparungen ergeben sich aus mehreren Quellen. Ein einzelner FOD-Triebwerkseinsaugschaden kostet 2 bis 10 Millionen US-Dollar pro Ereignis für Triebwerksreparatur oder -austausch. Reifenschäden kosten bis zu 5.000 US-Dollar pro Reifenwechsel. Flugzeugausfallzeiten kosten 50.000 bis 500.000 US-Dollar pro Stunde für Großraumflugzeuge. Flugverspätungen kosten 75 bis 150 US-Dollar pro Minute pro Flugzeug. Die manuelle Inspektion erfordert eine Startbahnsperrung von 30–60 Minuten mit 2–4 Mitarbeitern, während die automatisierte Erkennung eine gezielte Bergung in 5–15 Minuten ermöglicht. Manuelle Inspektionen decken etwa 1 % der Flüge ab (laut Moog-Daten), während automatisierte Systeme kontinuierlich 100 % der Flüge abdecken.

Die typische Amortisationszeit beträgt 2–5 Jahre für mittlere bis große Flughäfen. Flughäfen mit über 12+ Monaten installierten FOD-Erkennungssystemen haben mehr FOD erkannt und gesammelt als Startbahnen, die nur durch Menschen inspiziert wurden. Auf behandelten Befestigungsabschnitten, bei denen auf der Grundlage von FOD-Trenddaten eine proaktive Instandhaltung durchgeführt wurde, wurde eine Reduzierung der FOD-Entstehung um 40 % beobachtet. Die globale Marktwachstumsrate von 7,5 % CAGR (2024–2034) spiegelt die positive ROI-Wahrnehmung in der gesamten Luftfahrtindustrie wider.

Der Umweltleistungsvergleich der Erkennungstechnologien ist unten zusammengefasst:

Automatisierte FOD-Erkennungssysteme stellen eine ausgereifte Technologiekategorie mit nachgewiesenen Sicherheitsvorteilen, regulatorischer Anerkennung und dokumentierten finanziellen Renditen dar. Die Konvergenz von Millimeterwellen-Radar, elektro-optischen Sensoren und künstlicher Intelligenz hat Systeme hervorgebracht, die Startbahnoberflächen gründlicher und häufiger überwachen, als es jedes menschliche Inspektionsregime erreichen kann, während gleichzeitig wertvolle Daten für die Zustandsbewertung von Befestigungen und das proaktive Infrastrukturmanagement generiert werden.