Möglichkeiten und Grenzen BLE-basierter Signaldaten für eine automatisierte Klassifizierung logistischer Prozesse

In der vorliegenden Dissertation wird eine Methodik zur objektiven Generierung logistischer Prozessdaten auf Basis von Bluetooth Low Energy (BLE)-Signaldaten erarbeitet. Der Fokus liegt auf der automatisierten Zuordnung vordefinierter logistischer Prozesse. Im Kontext der Industrie 4.0 leistet diese Methodik einen Beitrag zur effizienteren Analyse und Optimierung logistischer Abläufe, indem sie traditionelle, kostenintensive Datenerfassungsmethoden ersetzt.
Technisch basiert der Ansatz auf BLE-Beacons als Signalsender und Smartphones als Empfänger. Überwachte maschinelle Lernalgorithmen, darunter Support Vector Machines, Neuronale Netze und Random Forest, werden zur Prozesserkennung eingesetzt. Zur Generierung der Testdaten dient eine Gabelstapler-Prozesskette mit fünf Klassen. Zielgrößen sind eine Klassifizierungsgenauigkeit von =80 % sowie Kreuzvalidierungswerte innerhalb von ±15 %. Erste Ergebnisse zeigen ein deutliches Optimierungspotenzial (z. B. Random Forest: 61,32 %). Zur Verbesserung der Klassifikationsergebnisse werden die Methoden der Hyperparameteroptimierung (HPO) und ein Prüfalgorithmus implementiert. Während die HPO für nahezu alle Algorithmen-Kombinationen signifikante Verbesserungen erzielt und damit die Zielkriterien erfüllt werden, führt der Prüfalgorithmus lediglich zu geringen Optimierungen.
Die Ergebnisse bestätigen dennoch die Eignung von BLE-Signaldaten für eine präzise Klassifikation logistischer Prozesse und liefern eine fundierte Grundlage für weiterführende Forschungsarbeiten im Bereich der Materialflussanalyse.