L'RFID (Radio Frequency Identification) è una tecnologia emergente che ha guadagnato notevole diffusione nell'ultimo decennio, sostituendo progressivamente i tradizionali codici a barre e le bande magnetiche in vari settori come la vendita al dettaglio, la logistica e la gestione delle risorse. Questa tesi analizza l'integrazione della tecnologia RFID con l'Internet of Things (IoT), evidenziando come questa combinazione possa migliorare significativamente l'efficienza delle catene di approvvigionamento, la gestione dell'inventario e altri diversi ambiti dell'industria 4.0. Dopo una panoramica sulla struttura di un sistema RFID, composta da tag, reader e sistemi di gestione informatici, viene presentata un'analisi approfondita riguardo i principi fisici che stanno alla base dei tag ''passivi'' e dei meccanismi che sono attualmente lo stato dell'arte non solo per l'identificazione ma anche per la localizzazione. Successivamente, viene discusso il protocollo MQTT che è ampiamente utilizzato nell'ambito IoT per la comunicazione tra lettore e sistema informatico. Un focus particolare è dedicato alla realizzazione del progetto Gates Connect, sviluppato dall'autore durante un'attività lavorativa presso Sia Informatica Srl, per la gestione di varchi elettronici utilizzati per l'inventario di magazzino attraverso una web application che consente il monitoraggio in tempo reale delle risorse RFID. Questo progetto ha dimostrato l'efficacia dell'RFID nell'accelerare la gestione dell'inventario, con feedback positivi da diversi settori industriali. La tesi conclude con una discussione sulle sfide economiche e organizzative legate all'adozione di nuove tecnologie, nonché sui futuri sviluppi tecnologici e di ricerca nell'ambito RFID. In particolare, viene sottolineata l'importanza della sicurezza e delle capacità anti-collisione dei sistemi RFID, insieme al potenziale delle tecniche di machine learning e deep learning per migliorare ulteriormente la localizzazione e l'efficienza dei sistemi di identificazione in radiofrequenza.
Gestione di varchi elettronici tramite tecnologia di identificazione in radiofrequenza per l'industria 4.0
STEFANI, MARCO
2023/2024
Abstract
L'RFID (Radio Frequency Identification) è una tecnologia emergente che ha guadagnato notevole diffusione nell'ultimo decennio, sostituendo progressivamente i tradizionali codici a barre e le bande magnetiche in vari settori come la vendita al dettaglio, la logistica e la gestione delle risorse. Questa tesi analizza l'integrazione della tecnologia RFID con l'Internet of Things (IoT), evidenziando come questa combinazione possa migliorare significativamente l'efficienza delle catene di approvvigionamento, la gestione dell'inventario e altri diversi ambiti dell'industria 4.0. Dopo una panoramica sulla struttura di un sistema RFID, composta da tag, reader e sistemi di gestione informatici, viene presentata un'analisi approfondita riguardo i principi fisici che stanno alla base dei tag ''passivi'' e dei meccanismi che sono attualmente lo stato dell'arte non solo per l'identificazione ma anche per la localizzazione. Successivamente, viene discusso il protocollo MQTT che è ampiamente utilizzato nell'ambito IoT per la comunicazione tra lettore e sistema informatico. Un focus particolare è dedicato alla realizzazione del progetto Gates Connect, sviluppato dall'autore durante un'attività lavorativa presso Sia Informatica Srl, per la gestione di varchi elettronici utilizzati per l'inventario di magazzino attraverso una web application che consente il monitoraggio in tempo reale delle risorse RFID. Questo progetto ha dimostrato l'efficacia dell'RFID nell'accelerare la gestione dell'inventario, con feedback positivi da diversi settori industriali. La tesi conclude con una discussione sulle sfide economiche e organizzative legate all'adozione di nuove tecnologie, nonché sui futuri sviluppi tecnologici e di ricerca nell'ambito RFID. In particolare, viene sottolineata l'importanza della sicurezza e delle capacità anti-collisione dei sistemi RFID, insieme al potenziale delle tecniche di machine learning e deep learning per migliorare ulteriormente la localizzazione e l'efficienza dei sistemi di identificazione in radiofrequenza.File | Dimensione | Formato | |
---|---|---|---|
Marco_Stefani.pdf
accesso riservato
Dimensione
6.78 MB
Formato
Adobe PDF
|
6.78 MB | Adobe PDF |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/67668