跳到主要內容

臺灣博碩士論文加值系統

(18.205.192.201) 您好!臺灣時間:2021/08/05 03:04
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:周聖凱
研究生(外文):ZHOU, SHENG-KAI
論文名稱:RFID結合AI的資產定位-以伺服器機櫃為例
論文名稱(外文):Combining RFID and AI for asset management using server cabinets as an example
指導教授:劉玉蓀
指導教授(外文):LIU, YU-SUN
口試委員:劉玉蓀林信標李穎
口試委員(外文):LIU, YU-SUNLIN, HSIN-PIAOLI, YING
口試日期:2021-06-07
學位類別:碩士
校院名稱:國立臺北科技大學
系所名稱:電子工程系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:39
中文關鍵詞:RFIDRFID Tag資產盤點AI資產定位
外文關鍵詞:RFIDRFID Tagasset inventoryAIasset positioning
相關次數:
  • 被引用被引用:0
  • 點閱點閱:14
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
數據中心裡的各項資訊設備眾多,傳統的人工盤點方式,存在著許多問題,且執行效率不高。本研究提議使用具有多個讀取天線配置的掃描車進行伺服器機櫃的資產盤點,藉由無線射頻辨識(RFID)技術,及無線射頻標籤(RFID Tag)被讀取時的特性,我們利用各個讀取天線對標籤的讀取狀況做為訓練特徵,特徵類型為標籤的Read count、RSSI、RSSI + Read count,並運用三種AI訓練模型:KNN、SVM、DNN預測其資產在伺服器機櫃中的位置,並比較各個特徵類型與訓練模型的準確率,達到伺服器機櫃內的資產定位。使用此方式盤點數據中心,不僅能夠減少人為的錯誤發生,並提高盤點的效率,以及實現伺服器機櫃內資產定位的功能。
There are many IT equipment in data centers. The traditional manual inventory method has many problems and is very inefficient. This paper proposes using a cart equipped with multiple read antennas to reduce the pain of inventory management. The antenna cart first uses radio frequency identification (RFID) technology to read the characteristics of the radio frequency tag (RFID Tag) on each server, we utilize every reading condition as training features, Read Count of these tags、RSSI、RSSI + Read Count, and perform 3 AI training model, KNN、SVM、DNN, to predict the position of the asset in the server cabinet. compare these different features and accuracy of these training model for the asset positioning. This method not only reduces the occurrence of human error, but also improves the efficiency of inventory, and achieves the function of asset positioning in the server cabinet.
摘要 i
ABSTRACT ii
致謝 iii
目錄 iv
圖目錄 vi
表目錄 ix
第一章 緒論 1
第二章 背景知識與實驗器材 2
2.1 RFID 系統架構與元件 2
2.1.1 無線射頻標籤 2
2.1.2 讀取器 3
2.1.3 天線 3
2.1.4 中介軟體 4
2.2 實驗器材 4
2.2.1 無線射頻標籤 4
2.2.2 讀取器 5
2.2.3 天線 6
2.2.4 中介軟體 7
第三章 標籤的讀取性能表現 8
3.1 標籤在不同材質上的讀取性能 8
3.1.1 標籤在金屬表面上的讀取範圍 9
3.1.2 標籤在非金屬表面上的讀取範圍 12
3.2 標籤對標籤的影響 14
3.2.1 驗證干擾標籤存在影響 14
3.2.2 鄰近標籤的讀取表現差異 17
3.3 標籤性能改善(標籤背貼鋁板) 22
3.3.1 標籤在金屬表面的讀取範圍(改善後) 23
3.3.2 標籤在非金屬表面的讀取範圍(改善後) 24
3.3.3 金屬表面的鄰近標籤(改善後) 25
3.3.4 非金屬表面的鄰近標籤(改善後) 27
第四章 AI訓練與預測資產位置 30
4.1 掃描車配置 30
4.2 特徵的收集 31
4.3 訓練模型 33
4.3.1 模型驗證方法 34
4.3.2 評估指標 35
4.4 預測資產位置 36
結論與未來展望 38
5.1 結論 38
5.2 未來產望 38
參考文獻 39

[1].IQ350技術文件:https://www.omni-id.com/pdfs/Omni-ID_IQ_350_datasheet.pdf
[2].FX9600讀取器技術文件:https://www.zebra.com/gb/en/products/spec-sheets/rfid/rfid-readers/fx9600.html
[3].岳林工業有限公司,KAPC-08CF技術文件
[4].Qi Zhang, M. Crisp, I. H. White and R. V. Penty, "Power margin reduction in linear passive UHF RFID tag arrays," 2014 IEEE RFID Technology and Applications Conference (RFID-TA), Tampere, Finland, 2014, pp. 306-311
[5].J. S. Choi, M. Kang, R. Elmasri and D. W. Engels, "Investigation of impact factors for various performances of passive UHF RFID system," 2011 IEEE International Conference on RFID-Technologies and Applications, Sitges, Spain, 2011, pp. 152-159
[6].K-fold Cross Validation :http://ethen8181.github.io/machine-learning/model_selection/model_selection.html
[7].留出法:https://cynthiachuang.github.io/What-is-the-Difference-between-Training-Validation-and-Test-Dataset/

電子全文 電子全文(網際網路公開日期:20230610)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top