Metadaten







Promotionsordnung


PromO07

Kumulative Dissertation


nein

Titel


Mining the Internet of Things : Detection of False-Positive RFID Tag Reads using Low-Level Reader Data

Titel (englisch)



Autor/Autorin


Keller, Thorben

2. Autor/Autorin



Geburtsdatum


16.12.1981

Geburtsort


Wuppertal

Matrikelnummer


09-601-956

Schlagwörter (GND)


Ladungsträger (Logistik); RFID; Diagnosesystem; Maschinelles Lernen; CIL

DDC (Dewey Decimal Classification)


Allgemeines, Informatik, Informationswissenschaft - 000

Freie Stichwörter (deutsch)


Automatische Identifikation; Internet der Dinge

Freie Stichwörter (englisch)


Internet of Things; IoT; RFID technology; Data mining

Kurzfassung


Der Begriff "Internet der Dinge" (IoT) beschreibt die Vision von allgegenwärtigen Sensortechnologien, welche beliebige physikalische Objekte nahtlos mit ihrem digitalen Ebenbild verknüpfen. Insbesondere die wachsende Verbreitung der Radio Frequenz Identifikation (RFID) im Bereich des Lieferketten- und Warenhausmanagements hat während der letzten Jahre zur Entstehung und wachsenden Popularität des IoT Konzeptes beigetragen. Leider steht derzeit einer vollfunktionstüchtigen und produktiven Nutzung der Technologie noch eine Reihe von technologischen Einschränkungen im Wege. Eine der bedeutendsten ist das Problem der falsch-positiven Tag Lesungen, also der unerwarteten und unerwünschten Erkennung von RFID Tags durch ein RFID Lesegerät.
Dieses Problem wird hier im Zusammenhang mit einem RFID gestützten Warenausgang in einem Zentrallager in Unna, Deutschland, untersucht. Die Installation in diesem Lager der METRO Group war Teil der bis dahin grössten und umfangreichsten Einführung der RFID Technologie auf dem europäischen Kontinent. Im untersuchten Szenario ist es von besonderer Bedeutung zu unterscheiden, ob die RFID getaggten Paletten, welche an den Warenausgangstoren erkannt wurden, auch wirklich in diesem Moment verladen wurden, oder ob es sich lediglich um Paletten handelt, die nur zufällig im Scanbereich des RFID Lesegerätes abgestellt oder bewegt wurden. Falls wirklich alle erkannten Paletten dem Lagerverwaltungssystem als verladen und verschickt gemeldet wurden, hätte dies falsche Rechnungen zur Folge und Kunden sollten für Paletten bezahlen die sie weder bestellt, noch jemals erhalten haben. Es ist offensichtlich, dass hier Abhilfe geschaffen werden muss, um einen zuverlässigen und produktiven Einsatz der RFID Technologie im Warenlager zu gewährleisten.

Die wenigen bisher veröffentlichten konzeptionellen Lösungsansätze leiden alle unter einer Reihe von fundamentalen Schwächen, die in dieser Dissertation vermieden werden. Auf Basis verschiedener Methoden des maschinellen Lernens wird ein Algorithmus entwickelt, der die während einer Verladung gesammelten Low-Level Daten untersucht und dann entscheidet, ob die Palette wirklich verladen wurde oder nicht. Zu diesem Zweck wurde eine Reihe von bedeutsamen Eigenschaften dieser Daten ermittelt, die die Identifizierung von falsch-positiven Lesungen überhaupt erst ermöglichen.

Der präsentierte Ansatz ist in der Lage, die Anzahl der möglicherweise inkorrekten Verladungen auf ein Minimum zu reduzieren, welches die Erwartungen der METRO Group bei weitem übertroffen hat.

Kurzfassung (englisch)


The notion of the "Internet of Things" (IoT) describes the vision of ubiquitous sensor technologies that seamlessly link arbitrary physical objects to their digital counterparts in the network. In recent years, it was particularly the rapid diffusion of Radio Frequency Identification (RFID) in supply chain and distribution center processes that has contributed to the emergence and popularity of the IoT concept. However, technological constraints currently delay fully reliable and productive use of the technology. One major constraint is the problem of false-positive RFID tag reads, i.e., when an RFID transponder is read unintentionally by an RFID reader.
This problem is studied in the context of RFID enabled outgoing goods processing at a distribution center in Unna, Germany. The RFID installation in this METRO Group center was part of the largest operational rollout of the technology in the European retail sector. In the examined scenario it is necessary to distinguish between tracked RFID tagged pallets that are loaded onto trucks and other pallets that are also in range of the reader. If all detected pallets are reported to the warehouse management system as being shipped, the resulting incorrect invoices mean stores have to pay for goods that they neither ordered nor received. It is evident, therefore, that a solution to this problem is a must before a reliable and productive use of RFID technology in distribution center processes is feasible.
Currently, the few conceptual approaches presented in the literature that deal with this problem suffer from fundamental weaknesses. This thesis addresses those weaknesses by means of a machine learning based approach that makes use of the low-level reader data collected when scanning for transponders. For this purpose, meaningful attributes have been identified that help describe characteristics specific to pallets that have been loaded and to pallets that cause false-positives.
This approach was able to minimize the number of possible incorrect shipments to only 1 per 4,500 pallet loadings - a solution that clearly exceeded METRO Group's expectations.

Universität


Universität St.Gallen

Referent/Referentin


Fleisch, Elgar (Prof. Dr.)

Korreferent/Korreferentin


Thiesse, Frédéric (Prof. Dr.)

Erweitertes Diss. Komitee



Fachgebiet


Betriebswirtschaftslehre (PMA)

Sprache


ENG

Promotionstermin (dd.mm.yyyy)


19.09.2011

Erstellungsjahr (yyyy)


2011

Dokumentart


Dissertation

Format


PDF

Dissertationsnummer


3908

Quelle



PDF-File


dis3908.pdf

Dokumentverknüpfung


Link zu diesem Dokument







letzte Änderung: 08/18/2015 - Allgemeine rechtliche Informationen - Datenschutz [ Nach oben ]