Daniel Roßner - Hochschule Hof – University of Applied Sciences

Problemstellung

Sowohl Experten als auch Laien beschäftigen sich mittlerweile mit energieautarken Gebäuden. Ein Problem, mit dem sie sich konfrontiert sehen, ist die dazu existierende Informationsfülle. Die Themenbereiche reichen von neuen Materialien über Gesetze und Fördermaßnahmen bis hin zu Erfahrungsberichten von Hausherren. Die Recherche nach Informationen in einem volatilen Umfeld erfordert es, die gewonnenen Erkenntnisse zu strukturieren.

Unabhängig von der Art und Weise wie dies geschieht, entsteht ein Medienbruch und kognitiver Mehraufwand. Zudem muss dieser Prozess von jedem Interessierten durchgeführt werden, es gibt keine Möglichkeit, von den Erkenntnissen anderer zu profitieren.

 

Zielsetzung

Dem kann ein Informationssystem entgegenwirken, das (i) dem Benutzer relevante Informationen anzeigt, ohne dass dieser danach explizit sucht, (ii) Informationen einfach, intuitiv und ohne Formalismen strukturieren lässt und (iii) vom Benutzer erzeugte Assoziationen und neues Wissen direkt oder indirekt auch anderen Benutzer zugänglich macht, so dass diese davon profitieren können.

Das angedachte Informationssystem nutzt eine räumliche Umgebung zur Visualisierung.

Eine wesentliche Fragestellung ist daher die bedeutungsvolle Positionierung von maschinell erstellten Vorschlägen in diesem Raum.

Promovend: Sascha Lang

Betreuer: Prof. Dr. Ute Schmid, Kognitive Systeme, Universität Bamberg

Prof. Dr. Valentin Plenk, Steuerungstechnik, Hochschule Hof

 

Das Ziel des Forschungsprojektes ist die Erhöhung der Benutzerfreundlichkeit einer komplexen Produktionsmaschine. Dies geschieht aktuell am Beispiel des kontinuierlichen Extrusionsprozesses in der Kunststoffproduktion.

Durch den Einsatz von Case-Based-Reasoning wird versucht die Interaktion zwischen Maschinenführer und Anlage zu steigern. Der Bediener erhält Handlungsvorschläge, welche auf die aktuelle Situation im Prozess abgestimmt sind. Dies geschieht in Form einer Handlungsempfehlung, z.B.: „Bei der vorliegenden Störung hat in der Vergangenheit meist folgendes Vorgehen geholfen...“

Die hierfür notwendige Wissensbasis, generiert die Software durch die korrelative Zuordnung von historischen Sensordaten mit zugehörigen Bedienerinteraktionen.

Dies geschieht anhand einer Konfigurationsdatei weitestgehend automatisch somit wird die Anpassung auf weitere Prozesse ermöglicht.

Dazu werden Benutzereingriffe aus den Maschinendaten extrahiert. Die Menge an Prozessdaten die vor einem solchen Eingriff liegen betrachten wir als Fingerprint (Key) und die eigentlichen Bedienvorgänge als Lösungen (Value). Darauf speichern wir dieses Ereignis als ein Key-Value-Paar in der Wissensbasis.

Tritt ein Fehler auf, wird aufgrund des derzeitigen Maschinezustandes ein Key erzeugt. Die Wissensbasis wird nach dem ähnlichsten Key abgefragt. Die Value zu diesem Key ergibt den Handlungsvorschlag.

 

Literatur

[1]  V. Plenk, “Improving Special Purpose Machine User-Interfaces by Machine-Learning Algorithms“, Proceedings of CENTRIC 2016: The Ninth International Conference on Advances in human-oriented and Personalized Mechanisms, Technologies, and Services, Seiten 24-28, August 2016, Rom

[2]  V. Plenk, S. Lang, F. Wogenstein. „Scoring of machine-learning algorithms for providing user guidance in special purpose machines”. Proceedings of CENTRIC 2017: The Tenth International Conference on Advances in Human-oriented and Personalized Mechanisms, Technologies, and Services, Seiten 7-13, Athen, Oktober 2017.

[3]  V. Plenk, S. Lang, F. Wogenstein. „Providing user guidance in special purpose machines by machine-learning algorithms.” International Journal On Advances in Software, 10(3 and 4): Seiten 167 – 179, Dezember 2017.