制造車間基于RFID與CEP的工件實時監測

張存吉+姚錫凡+張劍銘

摘 要：為解決智慧制造車間工件異常情況的實時監測問題，以及追蹤工件加工過程的軌跡，提出基于RFID與復雜事件處理的實時監測方法.基于信息物理融合系統理念構建智慧制造車間的感知環境和定義各類事件模型，采用基于SMURF的綜合方法清洗RFID數據，應用復雜事件處理技術監聽工件的異常情況，并形成工件實時狀態矩陣.仿真實驗證明，該系統可以實現預期功能，為智慧制造車間的主動調度提供依據.

關鍵詞：智慧制造；無線射頻識別；復雜事件處理；數據處理；實時監測

中圖分類號：TP391；TH166 文獻標志碼：A

Real-time Monitoring of Workpieces Based on RFID and CEP for Manufacturing Workshop

ZHANG Cunji， YAO Xifan， ZHANG Jianming

（School of Mechanical and Automotive Engineering， South China University of Technology， Guangzhou 510640， China）

Abstract：To solve the problems on monitoring abnormal conditions of workpieces in real time and tracking machining processes in wisdom manufacturing workshop， a real-time monitoring method based on RFID and CEP was proposed. The sensing-aware environment of wisdom manufacturing workshop was built based on Cyber-Physical Systems， and all kinds of event models were defined. A synthetic data cleaning method based on SMURF was adopted to clean the raw RFID data. The complex event processing system was also applied to detect the abnormal conditions of workpieces， and a real-time status matrix was then formed. This system achieves the expected functions by simulation experiment， which provides a basis for proactive job-shop scheduling in wisdom manufacturing.

Key words： wisdom manufacturing； radio frequency identification； complex event processing； data processing； real-time monitoring

隨著物聯網（Internet of Things， IoT）、云計算（Cloud Computing， CC）、普適信息（Ubiquitous Information， UI）[1]、信息物理融合系統（Cyber-Physical Systems， CPS）[2]等信息技術的迅猛發展，以及工業互聯網（Industrial Internet， II）[3]、工業4.0（Industrie 4.0）[4]、中國制造2025[5]的提出，一種面向服務、基于知識運用的人機物協同制造模式——智慧制造（Wisdom Manufacturing， WM）[6]正在興起.智慧制造強調社會世界（Social World）、信息世界（Cyber World）和物理世界（Physical World）的融合，即形成一個社會信息物理系統（Socio-cyber-physical systems， SCPS）[7]，在人、機、物融合的環境下，智慧制造體現制造即服務的理念.

近年來，已經有許多國內外學者嘗試將物聯網用于制造生產車間，基于無線射頻識別（Radio Frequency Identification， RFID）與復雜事件處理（Complex Event Processing， CEP）[8]技術監測產品整個生產過程.黃向明等[9]提出一種基于活動的工程機械再制造過程信息追溯模型；Wang等[10]提出一種在制品（Work In Process， WIP）狀態監測模型，描述了在制品狀態的分層結構和重要內容；Zhou等[11]描述了基于RFID的遠程監測系統；Guo等[12]提出基于RFID的智能決策系統，應用RFID和云技術，實時獲取分布式制造環境下的產品信息；Hu等[13]介紹一種基于RFID離散事件（Discrete Event， DE）的制造車間監測系統；Tu等[14]提出基于Agent的分布式產品控制框架，將超高頻RFID技術應用于動態的制造環境中；Bichet等[15]介紹了超環境（Hyper Environments）中RFID在裝配企業生產流程和供應鏈中的追蹤應用；黃毅等[16]提出一種RFID實時事件處理系統的設計方法及其實現案例；臧傳真等[17]定義了智能物件復雜事件的語法、語義和操作符；白翱等[18]研究了從車間物流實時數據中提取有效信息的語義分析原理，將簡單事件聚合為6種常見的物流復雜事件；Gyllstrom等[19]開發了一個復雜事件處理系統SASE；Ku等[20]提出一個CEP面向模式的方法處理RFID數據，基于規則的方法用于有效識別原始事件和復合事件；Jin等[21]應用表達流語言（ESL）有效收集RFID事件，并用時間Petri網給復雜事件引擎建模；Bülow等[22]介紹了一種用實時數據進行業務流程監測的方法.

通過分析以上文獻得出：RFID可以應用于制造生產車間，監測各種制造資源，從大的框架方面加以論述，然而很少涉及到具體的應用場景，進一步挖掘某一方面的具體應用，諸如只監測工件，或只監測人員等；研究CEP的各種算法、原型，與實際的車間生產流程結合不是很緊密；制造生產過程產品監測的實時性不是很強，不能體現出某物某時在某地的信息以及挖掘出生產過程的異常事件.針對以上問題，本文在總結和借鑒上述研究成果的基礎上，構建智慧制造車間具體的應用場景，以離散制造車間機械加工工件為監測對象，實時監測工件由物料加工為產品的過程，監測生產過程中各個工位的異常事件，為制造車間的主動調度提供依據，提高制造車間的生產效率.

1 智慧制造車間感知環境構建

在智慧制造環境下，網絡（如LAN，WIFI等）覆蓋整個生產車間，基于信息物理融合系統理念構建生產車間感知環境，如圖1所示.生產車間由調度中心、原料倉庫、AGV、數控機床、工件統計區、暫存區、產品倉庫等組成.各個工位安裝定向、配置LAN（WIFI）接口的UHF RFID讀寫器，工件粘貼有抗金屬陶瓷RFID標簽，完成從原料出庫經過機床加工以及產品入庫整個加工過程的監測與追蹤.在物料所經過的各個工位都配置有RFID感知節點，實時感知到達工件的ID號、時間、位置等數據，該數據經過數據分析，可以實時監測工件的異常事件.

2 RFID事件模型

在智慧制造車間，粘貼了抗金屬標簽的工件依次經過各個工位時，安裝在各個工位的RFID讀寫器探測到標簽，產生大量離散的原始數據，而數據之間缺乏聯系，因此，本文采用復雜事件處理（CEP）技術處理原始數據，挖掘出原始數據之間的關系.

2.1 事件

事件是指某件事情正在發生的事實（如系統狀態的改變）， RFID事件按照粒度從小到大可以分為標簽事件、簡單事件（原子事件、基本事件）、復雜事件（復合事件、聚合事件）.

2.2 標簽事件

標簽事件是由RFID讀寫器閱讀標簽產生的事件，表示RFID讀寫器于某時間間隔探測到標簽，會在短時間內產生大量零碎、重復的標簽事件，記為Et，則

其中，wid為工件ID（標簽綁定），即對象信息；rid為讀寫器ID（讀寫器IP與工位綁定），即空間信息；t為事件發生時間點，即時間信息.標簽事件中包含有大量不重要、重復的事件，需要經過收集、聚積、過濾、組合、報告處理，提煉為有意義的簡單事件.

2.3 簡單事件

簡單事件是發生在某個時間點的事件，蘊含的信息直接表征系統的行為狀態，記為Es，則

其中，wid和t的含義同上；l為事件發生時工件所在的區域（工位），即實時空間信息.簡單事件僅直接反映工件某時間的單一狀態，本文所涉及到的工件在各個工位發生的簡單事件如表1所示，AEsagv1表示原料（工件，ID為wid）在t時間點到達AGV小車工位Nagv1發生的到達事件；LEsrw表示原料（工件，ID為wid）在t時間點離開原料倉庫工位Nrw發生的離開事件，其他事件的含義以此類推.各工位具體位置如圖1所示.

2.4 復雜事件

復雜事件是由簡單事件或復雜事件再次組合獲得，并反映符合特定規則（事件操作符定義）的事件，記為Ec，則

Ec=ewid，l，es，ts，te（3）

其中，wid和l的含義同上；es為構成復雜事件的子事件集合，es={{Es1， Es2，…， Esm}，{Ec1，Ec2，…， Ecn}}，Esm表示簡單子事件，Ecn表示復雜子事件；ts，te為復雜事件發生的開始時間與結束時間，若ts=te，即復雜事件在某時間點發生.構成復雜事件的操作符見文獻[23]，本文所涉及到的工件在各個工位發生的復雜事件如表2所示，SEcagv1表示原料（工件，ID為wid）在時間段[ts， te]位于AGV小車工位Nagv1停留（加工），發生停留事件；DEcrw-agv1表示原料（工件，ID為wid）在時間段[ts， te]處于原料倉庫工位Nrw與AGV小車工位Nagv1之間的盲區，發生消失事件，其他事件的含義以此類推.

3 RFID復雜事件處理

RFID數據具有高流量、實時、邏輯復雜的特征，從實時標簽數據挖掘出車間現場的信息，采用復雜事件處理技術實現. 復雜事件流處理（Event Stream Processing， ESP）[24]主要功能是分析傳入的事件流，丟棄不重要的事件，標記出相關的事件.RFID復雜事件處理系統的實現如圖2所示.

3.1 復雜事件處理系統

位于不同工位配置有LAN（WIFI）接口的讀寫器，通過路由器/交換機/集線器接入互聯網，探測到的標簽事件通過互聯網實時傳輸.標簽數據的采集、處理與發布采用Rifidi Edge Server[25]實現，該平臺由傳感器抽象層、應用引擎層、通信層（集成層）和操作、管理層組成，包含ALE中間件和Esper[23]復雜事件處理引擎，并嵌入有Derby數據庫，采用MQTT信息協議和Restlet插件，實現信息傳送與操作管理.

標簽事件預處理的實現基于應用層事件（Application Level Events， ALE），ALE中間件定義EPC處理系統（如RFID讀寫器）與客戶端交互的國際標準，就RFID系統而言，交互活動包括讀標簽與寫標簽.對于讀標簽活動，ALE收集源自于RFID讀寫器的數據，等時間間隔聚集，過濾并剔除重復和不感興趣的數據，最后以不同形式發送事件報告，形成蘊含直觀信息的簡單事件.

簡單事件經過創建（聲明）而成為含有語義的事件，并插入數據倉庫中的歷史事件，與事件操作符一起聚合為復雜事件，復雜事件處理采用Esper引擎， Esper采用事件處理語言（Event Processing Language， EPL）定義客戶規則，用事件模式（Event Patterns）與事件流查詢（Event Stream Queries， ESQ）方法處理事件，監聽事件的發生或推送事件結果給訂閱者.

3.2 RFID數據清洗

由于受RFID讀寫器和環境噪聲的影響，RFID數據具有內在的不穩定性，經常會發生漏讀、多讀和重讀的情況.重讀是指當標簽長時間位于讀寫器的讀寫范圍內時，被讀寫器多次讀寫，或者也常發生在多個讀寫器的重疊區域內.RFID數據清洗對于準確監測工件的異常情況非常關鍵.

SMURF方法被廣泛應用于RFID數據清洗[26]，其原理是基于滑窗處理器和二項式采樣定理，根據RFID標簽在滑窗內的平均讀取率，動態調整窗口尺寸，使窗口大小保持最優.每個標簽在單個讀周期的采樣概率定義為pi，t，則

式中Ni為讀寫器在單個讀周期內發出讀請求的次數；Nr為讀寫器接收到的標簽響應的次數.

在所有觀測周期內的平均讀取率為：

式中Si為滑窗內標簽i的采樣周期數.

在讀標簽時，首先滿足標簽讀取的完整性，滑窗尺寸需要滿足以下條件：

式中wi是滑窗大小（周期數）；δ是完整性信任參數.

其次，為滿足標簽讀取的動態性，同時需要滿足以下條件：

基于SMURF方法，增加參數p*和η[27-28]，提出綜合的數據清洗方法， p*是即將進入滑窗讀周期標簽的讀取率，調整窗口尺寸滿足如下條件：

式中ω是概率閾值.

在SMURF方法中，平均讀取率僅僅是用算術平均值的方法計算，該平均值不能描述觀測周期內各個標簽的采樣概率與平均值的離散程度，文中引入參數varw，用于描述該離散度，定義如下：

在計算平均讀取率時，標簽動態信任參數η滿足以下條件：

綜合的單標簽數據清洗算法偽代碼如算法1所示，該方法基于信任參數δ， ω和η，動態調整滑動窗口的尺寸大小.

算法1 綜合的單標簽數據清洗算法

3.3 基于RFID與CEP的異常事件監測

在制造生產車間，RFID讀寫器IP與工位綁定，標簽EPC與工件綁定，RFID讀寫器IP、工位與觸發事件之間對應關系如表3所示.RFID數據的時空性、實時性有助于實時監測車間出現的異常情況，諸如原料缺乏，緊急工件插入，停留（加工）時間異常，暫存區阻塞，無產品入庫等，這些異常情況的判斷及發現，可以根據工件在各個工位所停留（加工）的時間、讀寫器是否讀出數據等做出決策，結果

通過狀態矩陣匯集，為進一步的分析及主動調度提供依據.

1）原料缺乏、無產品入庫

針對原料倉庫安裝RFID讀寫器的工位Nrw，若讀寫器長時間沒有讀出數據或者事件LEsrw沒有發生，判定是原料缺乏異常情況發生；針對產品倉庫工位Npw，若讀寫器長時間沒有讀出數據或者事件AEspw沒有發生，判定是無產品入庫異常情況發生.設定時間閾值trw-th，tpw-th，查詢在trw-th，tpw-th時間內是否有事件LEsrw，AEspw發生，以原料倉庫工位Nrw為例，監聽語句如下：

2）緊急工件插入

在工件加工生產過程中，由于生產任務（生產訂單）的臨時變化，導致工件需要緊急插入到生產線加工，從而發生緊急工件插入異常事件.安裝在工件數量統計工位Nws的RFID閱讀器統計進入生產線的工件數量（到達事件數量），若總的數量大于先前下達的生產任務工件數，則判定有工件緊急插入，監聽語句如下：

3）停留（加工）時間異常

針對AGV小車工位Nagv1，Nagv2以及機器設備工位Nncm1，Nncm2，Nncm3，假設工件在機械加工設備的停留時間即為加工時間（工時），設定時間閾值范圍[tlow-th，thigh-th]，查詢各工位停留事件SEcagv1，SEcncm1，SEcncm2，SEcncm3，SEcagv2的時間屬性是否在閾值范圍內，若超出閾值范圍，判定是停留（加工）時間異常情況發生（工時異常）.以機械加工設備工位Nncm1為例，加工事件SEcncm1由簡單事件AEsncm1和LEsncm1復合而成，監聽語句如下：

閾值上限查詢：

閾值下限查詢：

4）暫存區阻塞

暫存區在工件加工車間環境中，具有原料、半成品緩存的作用，用于臨時存放待加工工件，若待加工工件只被存放進暫存區而沒有被取出，則會導致暫存區阻塞.針對暫存區工位Nts1，Nts2，Nts3，設定允許的時間閾值tts1-th，tts2-th，tts3-th，查詢各工位的到達事件AEsts1，AEsts2，AEsts3與離開事件LEsts1，LEsts2，LEsts3是否發生，若只有到達事件而沒有離開事件，則暫存區阻塞異常情況發生.以機械加工設備工位1的暫存區工位Nts1為例，監聽語句如下：

通過以上對RFID數據的處理，形成工件實時狀態矩陣S=（αij）（1≤i≤m， 1≤j≤11），i表示工件序號，j表示工位序號， αij=1，工件在該工位加工情況正常； αij=0，加工情況異常.同時，實時監測的各類事件存儲于數據倉庫，作為歷史數據，供查詢追蹤.

4 實驗結果與分析

4.1 構建實驗環境

操作系統windows7，32位，基于開源Eclipse集成開發環境，嵌入Rifidi-SDK3.2，Esper5.2等插件，構建RFID復雜事件處理的仿真實驗環境.設定加工工件數量m=10，RFID讀寫器采用系統支持的Alien.虛擬環境下工件EPC，RFID讀寫器的IP（單機仿真，用不同端口號表示不同IP）、各屬性閾值的設定值如表4所示.

4.2 結果與分析

實驗過程中，工件原料wid= 35B2B5A08B3F 39347F4A8FA7離開原料倉庫之后，再沒有其他原料出庫；工件產品wid= 35B2B5A08B3F39347F4A8 FA7進入產品倉庫之后，也再沒有其他產品入庫；工件wid=353DA13164E84B7643142F11在工位Nncm1加工時間過短；工件wid=350922349F908951 CF5F4127在工位Nws停留時間過長，如原料缺乏異常情況監測算法如算法2所示.

經過實驗仿真，得出仿真結果如圖3所示，可以看出第10個工件在20：55：42離開原料庫之后，超過30 s的閾值時間，再沒有其他原料出庫，在第1個工位即Nrw發生原料缺乏異常情況，狀態矩陣中元素a101=0.類似方法可以驗證a1011=0；a15=0；a23=0，其他元素為1，證明系統實時監測的可靠性.

5 結束語

本文提出一種基于RFID與CEP的實時監測系統，用于智慧制造車間實時監測工件的異常情況.首先構建了智慧制造車間的感知環境，并且定義了標簽事件、簡單事件、復雜事件等事件模型，然后提出用Eclipse開發環境并嵌入Rifidi-SDK，Esper等插件，實現RFID復雜事件處理，挖掘出原料缺乏，緊急工件插入，停留（加工）時間異常，暫存區阻塞，無產品入庫等異常情況，最后實驗證明系統的可行性.

制造系統非常復雜，智慧制造理念也是剛剛萌芽，本文主要針對制造車間的機械加工工件提出一種實時監測方法.在以后的研究中，將進一步探討車間設備的健康狀態監測與預測，甚至其他相關影響因素的監測，為智慧制造車間的主動調度提供依據.

參考文獻

[1] VODANOVICH S， SUNDARAM D， MYERS M. Research commentary-digital natives and ubiquitous information systems[J]. Information Systems Research， 2010， 21（4）： 711-723.

[2] GILL H. NSF perspective and status on cyber-physical systems[R]. Austin ：National Science Foundation， 2006： 1-14.

[3] EVANS P C， ANNUNZIATA M. Industrial Internet： Pushing the Boundaries of Minds and Machines[R]. New York：General Electric， 2006： 1-37.

[4] KAGERMANN H， WAHLSTER W， HELBIG J. Recommendations for implementing the strategic initiative INDUSTRIE 4.0[R]. Munich： National Academy of Science and Engineering， 2013： 1-84.

[5] 國務院. 中國制造2025[EB/OL]. （2015-05-19）[2016-04-20].http：//www.gov.cn/zhengce/content/2015-05/19/content_9784.htm.

State Council. Made in China 2025[EB/OL]. （2015-05-19）[2016-04-20].http：//www.gov.cn/zhengce/content/2015-05/19/content_9784.htm. （In Chinese）

[6] 姚錫凡，練肇通，楊屹，等. 智慧制造——面向未來互聯網的人機物協同制造模式[J]. 計算機集成制造系統， 2014， 20（6）： 1490-1498.

YAO Xifan， LIAN Zhaotong， YANG Yi， et al. Wisdom manufacturing： a humans-computers-things collaborative manufacturing model[J]. Computer Integrated Manufacturing Systems， 2014， 20（6）： 1490-1498. （In Chinese）

[7] 張存吉，姚錫凡，張翼翔，等. 從“數控一代”到“智慧一代”[J]. 計算機集成制造系統， 2015， 21（7）： 1734-1743.

ZHANG Cunji，YAO Xifan， ZHANG Yixiang， et al. From "NC Generation" to "Wisdom Generation"[J]. Computer Integrated Manufacturing Systems， 2015， 21（7）： 1734-1743 . （In Chinese）

[8] WANG Fusheng， LIU Shaorong， LIU Peiya. Complex RFID event processing[J]. International Journal on Very Large Data Bases， 2009， 18（4）： 913-931.

[9] 黃向明，張傳杰，王伏林，等. 工程機械再制造過程信息追溯模型研究[J]. 湖南大學學報： 自然科學版， 2015， 42（2）： 17-21.

HUANG Xiangming， ZHANG Chuanjie， WANG Fulin， et al. Research on information tracing model for the process of construction machinery remanufacturing[J]. Journal of Hunan University： Natural Sciences， 2015， 42（2）： 17-21. （In Chinese）

[10]WANG Zhiguo， XU Jiahong， ZHANG Jun. Real-time WIP status monitoring model in discrete manufacturing workshop[C]// Proceedings of the 2009 WRI Global Congress on Intelligent Systems. Washington， DC： IEEE Computer Society， 2009： 379-383.

[11]ZHOU Shouqin， LING Weiqing， PENG Zhongxiao. An RFID-based remote monitoring system for enterprise internal production management[J]. International Journal of Advanced Manufacturing Technology， 2007， 33（7/8）： 837-844.

[12]GUO Z X， NGAI E W T， YANG Can， et al. An RFID-based intelligent decision support system architecture for production monitoring and scheduling in a distributed manufacturing environment[J]. International Journal of Production Economics， 2015， 159：16-28.

[13]HU J W， LEWIS F L， GAN O P， et al. Discrete-event shop-floor monitoring system in RFID-enabled manufacturing[J]. IEEE Transactions on Industrial Electronics， 2014， 61（12）： 7083-7091.

[14]TU M， LIN J H， CHEN R S， et al. Agent-based control framework for mass customization manufacturing with UHF RFID technology[J]. IEEE Systems Journal， 2009， 3（3）： 343-359.

[15]BICHET M A D， DE FREITAS E K H， ROCHA R S， et al. Utilization of hyper environments for tracking and monitoring of processes and supplies in construction and assembly industries[C]// Proceedings of the 2013 Symposium on Computing and Automation for Offshore Shipbuilding （Navcomp 2013）. New York： IEEE， 2013： 81-86.

[16]黃毅， 鄭力， 向晴. 基于復雜事件處理的RFID輔助實時生產監控[J]. 清華大學學報：自然科學版， 2013， 53（5）： 721-728.

HUANG Yi， ZHENG Li， XIANG Qing. RFID integrated real-time manufacturing monitoring based on complex event processing[J]. Journal of Tsinghua University： Natural Sciences， 2013， 53（5）： 721-728. （In Chinese）

[17]臧傳真， 范玉順. 基于智能物件的制造企業復雜事件處理研究[J]. 計算機集成制造系統， 2007， 13（11）： 2243-2253.

ZANG Chuanzhen， FAN Yushun. Complex event processing of manufacturing enterprises based on smart items[J]. Computer Integrated Manufacturing Systems， 2007， 13（11）： 2243-2253. （In Chinese）

[18]白翱， 唐任仲， 呂景祥，等. 面向U-制造的車間物流實時數據語義分析[J]. 計算機集成制造系統， 2012， 18（3）： 550-559.

BAI Ao， TANG Renzhong， LV Jingxiang. Semantic analysis of discrete shop logistics real-time data oriented to ubiquitous computing-based intelligent manufacturing[J]. Computer Integrated Manufacturing Systems， 2012， 18（3）： 550-559. （In Chinese）

[19]GYLLSTROM D， WU E， CHAE H-J， et al. SASE： Complex event processing over streams[DB/OL].（2016-04-20）[2016-12-22].http：//arxiv.org/abs/cs/0612128.

[20]KU L T， ZHU Y L， HU K Y， et al. A novel pattern for complex event processing in RFID applications[C]// MERTINS K，RUGGABER R， POPPLEWELL K， et al. Enterprise Interoperability III： New Challenges and Industrial Approaches. London： Springer， 2008： 595-607.

[21]JIN X Y， LEE X D， KONG N， et al. Efficient complex event processing over RFID data stream[C]// Proceedings of the 7th IEEE/ACIS International Conference on Computer and Information Science. Los Alamitos： IEEE Computer Society， 2008： 75-81.

[22]BLOW S， BACKMANN M， HERZBERG N， et al. Monitoring of business processes with complex event processing[C]// Proceedings of the Business Process Management Workshops. Switzerland： Springer International Publishing， 2014： 277-290.

[23]Esper Team and EsperTech Inc. Esper Reference Version 5.2.0[EB/OL]. （2015-03-15）[2016-04-20].http：//www.espertech.com/esper/release-5.2.0/esper-reference/pdf/esper_reference.pdf.

[24]DAVIS J. Open source SOA[M]. Greenwich： Manning Publications Co， 2009： 61-79.

[25]TRANSCENDS，LLC. Rifidi Edge Server Developers Guide [EB/OL]. （2015-03-18）[2016-04-20].http：//www.transcends.co/www/docs/Rifidi_Edge_Server_Developer_3.2.pdf.

[26]JEFFERY S R， GAROFALAKIS M， FRANKLIN M J. Adaptive cleaning for RFID data streams[C]// Proceedings of the 32nd International Conference on Very Large Data Bases. Almaden： VLDB Endowment Inc，2006： 163-174.

[27]LI Lingjuan， LIU Tao， RONG Xiang， et al. An improved RFID data cleaning algorithm based on sliding window[C]// Proceedings of International Workshop， IOT 2012.Heidelberg：Springer， 2012： 262-268.

[28]ZHAO Hongsheng， TAN Jie， ZHU Zhiyuan. Limitation of RFID data cleaning method—SMURF[C]// Proceedings of the 2013 IEEE International Conference on RFID Technologies and Applications （RFID-TA）.New York： IEEE， 2013： 1-4.