基于RFID的无源感知技术在生产线动作优化中应用研究

王成鑫

（上海交通大学 中美物流研究院，上海 200030）

工业4.0是当前工业领域的趋势，物联网作为工业4.0的技术支撑[1]，提供了通过各种传感器的数据捕获的方法、机器之间的数据交换，以及数据分析等。例如物联网可以使大量的传感器设备（如蓝牙、WIFI、ZigBee、RFID等）连接起来，形成一个收集、监控和分析数据的系统，以实时地为工业决策和预测提供有价值的信息。

射频识别技术（RFID）拥有无线通信、成本低廉等优点，已广泛应用于物流业、制造业等企业[2]。主要是通过RFID读写器来读取RFID标签的数据，来获取物体的各种信息。随着新兴研究的出现，RFID技术已被应用于室内定位、睡眠疾病监测和步态识别等各领域[3]。但在动作识别领域相关研究较少，且仅仅停留在理论层面，没有实际应用的支撑。同时，在工业领域也没有引入此技术的相关研究。在本文中，提出了一种新的基于相位信号的RFID无源感知技术，适用于动作识别领域，并对工业领域中所需要的能力进行探索，并进行可行性实验验证。

效率问题是生产制造企业的核心，其直接影响了企业的盈利能力。目前市场需求逐渐扩大，而企业的效率却难以突破[4]。通过对装配线的效率提升应用研究，来提高企业在人工成本高、员工流失率高、需求多元化、个性化、高品质要求及外部市场增长疲软环境下的管理能力和生存能力。一个生产线的效率问题往往是由很多种因素结合形成的。例如订单安排不合理、人员分工不合理，员工在装配过程中出现动作错误、动作遗漏、动作顺序错误等情况导致的时间浪费等。目前对于生产线效率的研究运用传统工业工程的流程分析法、时间动作研究方法较多，如MOD法、秒表计时法等[5]，将生产线动作拆分成基本动作进行分析和优化；也有运用视频摄像头等方法。但是其弊端也非常明显，如需投入大量的人力和物力支持，摄像头受光线影响和干扰严重等。

劳动力管理问题一直以来是企业重点关注的问题之一。一个衡量工人绩效的指标是KPI[6]。在一个生产线中，通过调研发现，员工经常会出现偷懒、注意力涣散、迟到早退及午休晚到等情况，这直接影响到了生产线整体的效率问题。企业中通常会有一名管理员定时巡查，查看工人的作业情况，这样既浪费了人力资源，又无法精准把控真实的工人作业情况[7]。而物联网技术可以为生产线赋能，通过对工人动作的监测和捕获细化成单个工人的绩效KPI，帮助管理者对工人进行管理，从而映射到生产线的整体效率水平并提升劳动力的福祉。

综上，要解决工业领域的效率问题和劳动力管理问题需要具备一定的数据获取和感知的能力，而传统方法和基于摄像头、穿戴设备等具有一系列的问题和局限性。本文提出在实际场景中，RFID的无源感知技术在经过能力探讨和实验验证之后，再结合RFID的优点，可以作为一个有效的手段来代替传统的方法。

本文运用RFID无源感知的技术特性，可以感知周围环境的变化和时间上的精准测量，来对工人进行动作捕捉、识别和监控以及时间的测量，并收集数据，结合深度学习中卷积神经网络（CNN）和长短时记忆神经网络（LSTM）对时间动作序列进行处理和分析，最后结合真实装配案例，对流程进行优化和改进，解决案例中的效率问题，并为生产线的劳动力管理进行赋能。本文的主要贡献如下：

（1）提出了一种基于工业物联网的全新解决方案，将RFID的无源感知技术引入工业领域，为工业问题的解决提供了一种崭新的方法。

（2）目前RFID无源感知技术应用在单个动作的识别上比较多，本文重点解决动作序列的识别和检测，选取特定的神经网络并进行优化和改进，实现精度提升。

（3）充分挖掘场景中存在的问题，并对问题进行详细拆解和分析，并设计系统对问题进行优化和改进，实现生产线各个方面的提升。

1 相关工作

目前，在效率问题方面，传统的时间动作研究在国内各类企业的应用占相当大的比例。时间研究的方法即为秒表计时，动作研究的方法为观察生产线各个工位的动作，其中又包含许多种方法[8]。

对于简单的生产线，可以运用目视动作分析法，即使用目视观测的方法来观察动作以及计时，文献[9]运用了目视动作分析法来进行动作时间研究，根据实际情况、动作经济原则以及工人的舒适程度来进行优化，扫描时间由平均的18.25 s降低为7.35 s，缩短约11 s耗时。

目视动作分析法仅适用于较为简单的生产线，且要考虑目视人员所花费的精力以及疲劳程度，对于大型生产线此方法并不适用。文献[10]运用的是影像动作分析法，即通过录制作业的影像，慢动作回放，进而分析各个动作以及其精确作业时间。列出每个工位所花费的时间，计算生产节拍及生产线平衡率、闲置率等指标，判断当前生产线的平衡情况。然后从中找到瓶颈工位，利用5W1H法[11]以及动作经济原则[12]，对每一个工位的动作进行优化，如拆分动作等从而改善当前生产线，平衡率提升了24.3%，产能提升了44.9%。

传统的动作时间研究方法也有着很大的局限性，例如作业计时者由于重复计时的疲劳、肉眼观测的不准确，导致在时间测定方面带来误差。在动作顺序和动作质量评估这方面，传统的方法可能花费的人力及物力、财力等成本相对更加昂贵，且流程更加复杂。

近几年也出现了一些利用新兴技术来改善传统方法的研究，例如基于深度学习和视频图像的方法。文献[13]介绍了利用深度学习和视频图像，在物流装车领域监测操作者的动作是否规范，其中包括操作者装车位置是否准确，是否有暴力装车作业等，以及操作时间是否达标，从而设计了一条智能装车的作业流水线。基于神经网络和视觉识别的技术已经应用到各个领域。论文献[14]介绍了基于卷积神经网络提取视频图像特征，来革新传统的动作时间研究方法。此外还有将可穿戴式设备和传感器如智能手机、手表及腕带等引入工业领域进行优化研究，如文献[15-17]等。文献[18]利用可穿戴传感器采集的数据对重复精度任务性能进行建模分析。选取了18名参与者完成动作跟踪和装配线组装/拆卸的重复循环，该研究对装配/拆卸误差和装配/拆卸速度的预测精度分别为85.8%和94.1%。

利用视频图像、智能手表和智能手机等设备也有一定的局限性。设备成本往往较高，且视频摄像头容易受光线和障碍物干扰和影响，在可穿戴式设备方面，操作者必须要穿戴复杂的设备。即传感器被认为是对操作者有侵入性的操作设备，可能会侵犯员工隐私、阻碍他们的操作过程[19]。目前看来利用可穿戴式设备不是最佳的解决方案。

因此，结合上述文献中所存在的优点和局限性，本文解决这些挑战，并提出了一种全新的物联网解决方案，用于解决企业的效率问题并对生产线的劳动力管理进行赋能。

2 问题描述

2.1 RFID无源感知技术

2.1.1 技术原理

基于RFID的信号特性，发现了一种利用RFID相位信号的变化程度来对周围环境进行无源感知的技术。

读写器和RFID标签之间的通信方式为读写器通过前向链路向标签发出查询的调制射频信号，标签通过调制来反向散射信号，回复读写器的查询[20]。目前商用读写器可以提取标签到读写器的反向散射链路中的物理层信息，其中包括本文将使用的相位信息。

然而在大多数的实际场景中，读写器和RFID标签之间的信号还受到周围环境物体进行漫反射而形成的多径信号的影响，从而导致真实的反向散射信号其实是由一个直接路径信号线和多个反射路径信号的叠加，如图1所示。因此，最终读写器接收到的相位信号是由直接路径的距离、每个反射路径的距离和角度共同决定的。直接路径的距离是固定的，当周围环境的人或物体发生运动和变化时，总相位信号就会发生偏移。

图1 RFID无源感知原理

因此，通过提取多径信号相位的变化程度，并对信号进行处理和分析，就可以对周围环境进行识别和感知。为此，利用该技术能捕获数据的能力进行探索并进行可行性实验验证。

2.1.2 能力探索

在工业领域中，捕获数据往往需要一定的手段和能力。为此，设计了一个以冲泡咖啡为例的简单的实验进行验证。实验者完成一系列冲泡咖啡完整的动作，在环境中布置一个RFID标签阵列，并在各器具盒上贴附RFID标签。获取这些标签的相位信号，实验结果如图2所示。

图2 可行性实验各标签相位变化图

从实验中可以看出，当进行不同的动作步骤时，各个标签的相位信号变化程度是不同的，从图中可以看出明显的区分性，以此来判定动作的正确或错误。此外，在横轴上，可以清楚地看出在时间上的持续性，并精确到微妙精准计算时间。由于时间动作序列的特性，还可以得出动作是否有遗漏，动作顺序是否颠倒等一系列信息。另外，如最后的搅拌咖啡的动作步骤，还可以获取更细粒度的信息如搅拌次数，如图3所示，信号的一个波峰波谷周期即为搅拌一次。

图3 搅拌次数的相位变化图

综上，可以得出，基于RFID的无源感知技术具有动作感知（环境标签阵列）和身份感知（器件盒上贴附标签）两种能力。可以获取以下维度的信息：动作正确与错误；动作顺序；动作是否有遗漏；动作次数；精确时间。

因此，相比于基于摄像头和基于穿戴式设备，RFID具有的能力更加广泛，可获取到的信息维度更加丰富，且RFID成本低廉，技术对时间测量精准、误差小，相位信号变化敏感，对动作具有良好的区分性。此外，对工人不具备侵入性，易于实施等，完全符合工业领域中的应用，因此是一种非常理想的解决方案。

在开展研究之前，对该装配线进行了实际调研，挖掘场景中存在的问题，下面将对问题进行详细阐述并设立优化的目标。

2.2 场景案例

本文选取汽车零部件制造企业中某零部件的真实装配流程进行研究，该零部件共由5个组件装配而成，如图4所示。

图4 零部件组件图

在本文中，将整个装配流程（图5）划分为10个步骤，具体步骤如下：

图5 装配过程图

（1）从部件盒A拿出中间外壳管体立在桌面；

（2）从部件盒B拿出过滤网插入中间外壳管体；

（3）从部件盒C拿出插水管接头放置在中间外壳管体上；

（4）从部件盒D拿出密封盖；

（5）将密封盖旋入中间外壳管体，并将已装好的部件翻面；

（6）从部件盒C拿出插水管接头放置在中间外壳管体上；

（7）从部件盒D拿出密封盖；

（8）将密封盖旋入中间外壳管体；

（9）从部件盒E拿出淋水阀门；

（10）将淋水阀门旋入中间外壳管体。

2.2.1 效率问题

目前随着市场需求逐渐扩大，该装配流程的效率却一直难以突破。流程总共涉及取、放、插、拧4个动作。

通过分析流程，我们可计算当前装配流程的月平均生产效率，具体计算公式如下：

其中：PE为生产效率，OT为产出工时或有价值工时，IT为总投入工时。

损失工时计算则为IT-OT，进一步对当前流程的损失工时进行分析，发现该流程损失时间主要有3个方面：计划损失工时、稼动损失工时和操作损失工时。于是，我们将该问题分成3个子问题进行分别研究。

计划损失工时主要是与当前是否有订单和订单的数量有关，当工人上岗时没有派发订单，这就造成了计划损失工时。此问题可以通过合理安排订单的方法来解决，让员工不会无事可做。另外根据实际调研，计划损失工时在当前装配流程中的占比较小，因此本文不做详细展开。

稼动损失工时与员工或设备有关。经过研究发现，主要有以下几个方面影响：来料损失（组件坏件），员工迟到早退、午休晚到等。来料损失方面可以通过对部件齐套进行信息管理来解决，员工迟到早退等放在劳动力管理章节讨论。

操作损失工时主要与员工的操作动作有关，员工工作时间久后会出现精神涣散、注意力不集中甚至出现偷懒等现象，导致动作错误、顺序错误、错装漏装等情况，进而流程放缓，效率降低。通过设定一个有经验且不会出错的员工所装配一个部件所用的平均时间为标准单位产出工时SUT，所有员工装配一个部件的平均时间为UT，损失率计算如下：

经过计算发现，该装配流程存在非常高的操作损失率。因此，操作损失工时是本研究解决的重点问题。

通过对流程的分析，我们可以得出，效率问题可以通过减少损失工时，提高产出工时在总投入工时的比例来解决，其中重点解决操作损失工时的问题。计划优化目标为总体效率提升15%。

2.2.2 劳动力管理

生产效率分为高和低两个层次。转化为KPI来说，高层次的绩效KPI关注生产过程的整体绩效，而低层次的关键绩效KPI可能以单个机器或工人的绩效为目标。且高层次的KPI是由低层次的KPI决定的。由于上节中讲到工人可能会偷懒、注意力涣散、迟到早退及午休晚到等因素，因此需要一个方法来对劳动力进行有效管理。

目前该装配线没有一个直观展现工人工作情况的手段，打卡等机制无法捕捉到细化工人操作动作等相关信息，因此建立一个系统，对每个工人的KPI进行计算，指标包括平均一个部件的装配式时间、每天的装配部件数量以及装配过程中每个步骤花费的时间进行测量、统计和展示，给管理者对生产线进行管理作为参考，为生产线赋能，并提高员工的积极性。

此外，通过对工人真实作业情况的考评，我们还可以得到工人在工作一段时间之后是否出现疲劳现象，可以提醒员工适当休息，提升劳动力的福祉。

设立一个熟练工人的标准KPI作为基准，各员工KPI指标计算如下：

其中：SKPI为标准KPI，NS为在指定投入工时SIP所装配的部件数。KPIi为第i个工人的KPI指标，Ni为第i个工人在指定工时IPi所装配的部件数。TRij为第i个工人在第j个步骤所花费的时间占比，tij为第i个工人在第j个步骤所花费的平均时间，UTi为第i个工人装配一个部件的平均时间。

2.2.3 数据采集与处理

本文运用了RFID的无源感知技术来对实验数据进行采集。

考虑到真实工业环境中的复杂性和不稳定性，经过多次实验测试，本文选取了15个RFID超高频UHF标签，工作台底部贴附了10个标签组成阵列，另外5个分别贴在5个部件盒上。其优点是，在复杂的工业环境中，往往会有众多的干扰因素，以10个RFID标签作为阵列，可以充分发挥其空间互补的作用，如因为干扰因素导致一个标签没有反射信号，仍然可以通过其他标签来进行识别；在部件盒贴附标签可以发挥其身份感知的能力，每个标签都有其固定且唯一的ID编码，结合标签阵列的特征，更精准地感知动作和步骤。

在工作台的面前放置RFID读写器。分别选取若干熟练员工和不熟练员工进行操作装配，并收集相关的信号数据。

收集数据完毕之后，对数据进行处理，从读写器捕获到的繁杂的数据中提取有价值的数据。由于硬件设备的原因，其采样频率不稳定，因此我们对数据以10 ms为单位进行插值，并对信号的噪声进行滤波平滑。

特征选取方面，本文选取同一时间内的15个RFID标签的相位信号数据融合来作为特征向量，并按照动作步骤赋予其真实动作标签（label）。几个标签在一个流程中各自相位信号的变化如图6所示，可以看出每个步骤各个标签的变化程度都是不同的，每个标签的变化都有其自身的意义。

此外，我们采取了滑动时间窗口的方法处理数据，将特征以500 ms为一个单位的时间窗口进行滑动识别，相当于对数据进行降维操作，进一步提升模型的速度和效率。

因此，接下来将搭建模型，并将处理好的数据输入进模型进行训练及分析。

图6 相位信号对动作步骤的区分性

3 分析及优化改进

3.1 数据分析

3.1.1 模型搭建与表现

模型方面，选择用Python语言搭建神经网络模型用于训练和识别动作。在网络的选取和搭建过程中，考虑到在纵向同一个时间点上我们选择的是15个RFID标签的相位信号数据作为特征，因此选取卷积神经网络（CNN）来进行特征融合和提取；又考虑到在横向的时间维度上，其是一个比较长时间的序列，且每个动作的前后是包含顺序等语义信息的特点，因此选择长短时记忆神经网络（LSTM）来进行识别和预测。其优点是既能保证动作序列识别的鲁棒性，又能发挥LSTM的长时记忆特性捕捉时间信息，且适合大规模数据的训练与预测。

基于此，初步搭建了一个3层卷积层的CNN和2层隐含层的LSTM组合模型，网络结构如图7所示。

图7 网络结构示意图

将采集的数据划分为训练集、验证集和测试集，输入网络进行训练，并用训练好的模型对测试集进行测试，最终得到对动作的识别准确率为89.6%，基本符合工业应用要求，动作识别结果如图8所示。

图8 动作识别结果

此外在异常动作方面，我们在数据中加入了各种异常行为的数据如顺序错误、遗漏步骤等，让模型更好地学习和识别，数据显示，模型可以准确识别到哪一步骤遗漏或哪些步骤顺序错误。

时间维度上，模型在时间方面的精度为毫秒级，可以精准测量全流程及每个步骤所花费的时间。有了以上模型在各维度上的表现情况，我们可以应用到实际场景对问题进行分析优化和改进。

3.1.2 装配流程分析

通过模型对数据的处理并计算相关指标后发现，在没有进行改进之前，当前装配流程的去年整年的月平均生产效率为74%，即PE=78.5%，并以此作为历史基准值。我们的目标是整体生产效率提高15%，因此进一步对损失时间进行分析。

通过数据可知，一个有经验且不会出错的员工所装配一个部件所用的平均时间为95 s，将其设定为标准单位产出工时（即SUT=95），所有员工装配一个部件的平均时间为121 s（即UT=121）。由此可知OLR=21.5%，也就是说，员工每装配一个部件的时间里有21.5%的时间浪费，因此作为重点解决问题。

在劳动力管理方面，通过数据可以得出SKPI=1/95，即每天投入时间为8小时，标准产出单位约为303个。所有工人的每天标准产出单位约为238个。工人的各步骤时间占比TRij如图9所示。

图9 各工人在每个步骤花费的时间占比图

下面章节将对流程提出具体的改进方案。

3.2 流程优化

在操作损失工时方面，首先对所有装配动作和步骤进行了拆解，分别对左右手划分成实际操作动作、取拿部件动作、错误动作和无效动作。并制定了以下改善原则：

（1）保证实际操作动作。

（2）加快取拿部件动作。

（3）减少错误动作。

（4）去除无效动作。具体拆解动作见表1。

表1 流程动作拆解表

由此可看出，流程里集中在步骤2、3、5、6、8及10中存在许多无效动作和错误动作。经过统计，每个工人平均每天装配238个单位中，平均出现32次错误动作，以装配每个单位需10个动作为基准，错误率为1.34%。因此对这些动作进行优化：

（1）对于取拿部件动作，调整部件盒至双手合适取拿位置，加快取拿部件动作。

（2）对于无效动作，对步骤进行调整，去除部分“保持”的无效动作，例如在步骤3和步骤4中左手拿出黑色导管的同时右手拿出螺旋盖等。

（3）对于错误动作，依据训练好的模型建立了一个动作监控系统，当系统识别到工人动作错误、顺序错误或错装漏装时，会触发蜂鸣器报警提醒工人检查工作情况。以防止装配完成之后发现操作错误后继续进行拆卸重装等造成的时间浪费现象。

对于稼动损失时间方面，本文建立了KPI考核系统来对员工进行约束，既方便了管理者对生产线进行管理，又有效减少了由于偷懒、迟到早退及午休晚到等因素造成的稼动时间损失。系统设计在下一个章节阐述。

3.3 系统设计

本文针对以上问题建立了一个工业管理系统，主要包含3个模块。系统架构如图10所示。

图10 系统架构图

系统主界面和启动界面如图11所示，启动后，系统自动监听是否有数据传来，并实时自动输入预训练模型中进行数据处理。

时间管理查看模块主要针对生产线管理者进行参考，直观地展现出某一个具体工人的装配时间、个人生产效率、各步骤的时间占比及工人已装配件数等信息，并实时更新。

实时动作监测模块主要对操作工人进行监控，当工人实际动作与预训练模型的动作不一致时，系统会判断动作错误并触发蜂鸣器报警提醒工人检查；当动作无误时则实时输出“动作正确”。

图11 系统界面图

系统设计完毕之后，制定并实施优化改进方案，对装配流程重新进行数据采集，并对数据进行分析，改进效果在下一节详细阐述。

3.4 改进效果

通过建立的系统辅助并实施改善方案，该装配流程有着明显的改进效果，如图12所示。

图12 改善后数据显示图

效率方面，改进之后的平均每单位装配时间UT=102.4，比优化前减少了19 s时间；OLR=6.9%，比优化前减少了14.6%；每天平均装配数量提升至282件，比优化前提升了44件；各步骤时间更加均匀，动作错误数量降低至14个，错误率为0.50%。比优化前降低了0.84%，优化主要集中在步骤2、3、5、6、8及10的操作时间。可以看出优化后起到了明显的改善效果。

通过计算可以得知，优化后的生产效率PE=93.1%，与之前的78.5%相比提升了14.6%，基本达到预期改善目标。

劳动力管理方面，通过建立管理系统，为生产线赋能，有效减少了员工偷懒以及迟到早退的情况，员工的积极性提高，进而减少了稼动损失时间，从而影响了整体的生产效率。

4 结束语

如今以工业4.0为主导的“智能工厂”是目前工业领域的主流发展方向。本文结合RFID成本低廉、侵入性小等优点，将RFID的无源感知技术引入工业领域，结合深度学习等新兴技术，创新传统的时间动作研究方法，针对具体案例进行装配流程优化，解决了效率问题并为装配流程赋能，建立一套工业管理系统，提供完整的解决方案，取得了一定的成效，真正可以为企业起到降本增效的作用。

此系统在未来有着很大的应用场景，不限于生产制造企业，还能为物流业、零售业、加工型企业等多行业提供支持。在本文中不仅涉及效率问题和劳动力管理问题，还能为企业解决订单风险管理、质量管理等一系列问题，这也是今后进行进一步研究的方向。同时在此研究中也有着许多不足的地方，在今后的实践中还有许多值得完善和探讨之处。