Optimierung von Signalerkennung mittels Machine Learning

Erhöhung der Genauigkeit bei der Geräteerkennung über RFID-Chips mit Hilfe von Machine Learning

Task

Werkzeuge und Geräte von Firmen sind oft auf Fahrzeuge und Mitarbeitende verteilt oder sie lagern in der Zentrale. Für die Firmen ist es eine Herausforderung, den Überblick zu behalten, wo sich welches Gerät gerade befindet. Eine manuelle Erfassung von Entleih- und Rückgabevorgängen ist aufwändig und fehleranfällig. Deswegen hat die Wattro GmbH ein automatisches Scan-Terminal für Geräte mit Hilfe von RFID-Chips ("radio-frequency identification chips") entwickelt. Auf diesen Chips, die an den Geräten angebracht sind, sind Daten gespeichert, die über Funk ausgelesen werden können. In einer ersten Version lieferte die automatisierte Erkennung nur eine suboptimale Genauigkeit von 90%. Beispielsweise konnte noch nicht zuverlässig unterschieden werden, ob sich das Gerät zum Terminal hin oder hinten im Lager bewegte. Deswegen untersuchte INWT, ob sich die Genauigkeit mit Hilfe von Machine-Learning-Methoden verbessern lässt.

Data

Für den Proof of Concept wurden Daten für verschiedene Szenarien generiert, z.B.

• Ein Gegenstand wird zum Terminal hin bewegt
• Ein Gegenstand wird zum Terminal hin bewegt, während andere Gegenstände in der Nähe liegen
• Ein Gegenstand wird zum Terminal hin bewegt und gleichzeitig wird im Lager hinter dem Terminal ein weiterer Gegenstand bewegt, der gerade nicht von Interesse ist

Das Terminal sendet ein Signal aus, welches von den passiven RFID-Chips, die sich am Werkzeug oder Gerät befinden, zurückgesendet wird. Dies generiert Daten wie die ID des Gegenstands, die Stärke des zurückgekehrten Signals und die Phasenverschiebung des Signals. Zudem wird mit Hilfe eines Ultraschallsensors gemessen, ob sich ein Gegenstand direkt vor dem Terminal befindet - dieser Sensor wiederum kann aber keine Geräte-ID ermitteln und keine weiter entfernten Geräte erkennen.

Alle Daten der Sensoren lagen in Form von Messreihen vor.

Analytics

Der wesentliche Teil der Modellierung bestand im Berechnen von Features. Dies erfolgte in enger Abstimmung mit dem Kunden, um die relevanten physikalischen Prozesse sinnvoll abzubilden und für das Machine-Learning-Modell greifbar zu machen.

Die Features umfassten zum Beispiel:

• Aggregation von der Messreihe auf Ebene des Gegenstands, beispielsweise indem die mittlere Geschwindigkeit berechnet wurde
• Ableitung von Informationen über die Geschwindigkeit des Gegenstands aus der Phasenverschiebung
• Differenz aus der mittels Ultraschall und der mittels RFID gemessenen Geschwindigkeit, welche Hinweise darauf gibt, welche Ultraschallmessung zu welchem Chip gehört. Sind beide (nahezu) gleich, gehören sie wahrscheinlich zum selben Gerät, das sich somit nah am Terminal befinden muss, da sonst keine passende Ultraschall-Messung vorliegen würde.

Zur Prognose, ob ein Gegenstand auf das Terminal zubewegt wird oder nicht, wurde ein XGBoost-Modell mit binärem Outcome trainiert. Das Modell lieferte als Output die Wahrscheinlichkeit, dass sich ein bestimmter Gegenstand auf das Terminal zubewegt.

Zur Prüfung der Plausibilität wurde die Relevanz der Features mithilfe von Explainable AI berechnet. Die Ergebnisse bestätigten die Erkenntnisse, die Wattro bereits während der vorangegangenen Entwicklung gewonnen hatte, zum Beispiel:

• Die Geschwindigkeit, die sich aus den RFID-Daten ergab, war relevant, um zu erkennen, ob ein Gegenstand bewegt wird.
• Der Unterschied zwischen Ultraschall- und RFID-Geschwindigkeit war besonders wichtig, um zu unterscheiden, ob ein Gegenstand tatsächlich auf das Terminal zu oder hinten im Lager bewegt wird.
• Die Signalstärke hingegen hatte nur eine geringe Relevanz, weil sie, z.B. durch die Positionierung des Chips auf dem Gerät, eine hohe Ungenauigkeit aufwies.

Solution

Mit Hilfe des Machine-Learning-Modells ließ sich die Genauigkeit bei der Erkennung von 90 auf 99% erhöhen. Dies war die notwendige Voraussetzung für Wattros Geschäftsmodell. Das Projekt zeigte mit überschaubarem Aufwand, dass der Machine-Learning-Ansatz für die Erhöhung der Genauigkeit bei der Erkennung der Geräte-Abgabe sehr gut geeignet ist. Nach Abschluss des Projekts wurde der Code von INWT an Wattro übergeben, sodass Wattro das Modell im Live-Betrieb nutzen, auf weiteren Daten trainieren und weiterentwickeln konnte.