Modellieren und Visualisieren von Kausalbeziehungen in Prozessketten: Wie beeinflussen multi-lineare, systemische und kombinierte Methoden die menschliche Störungsdiagnose?

• Antragstellerinnen / Antragsteller: Dr. Romy Müller; Dr.-Ing. Lukas Oehm
• Fachliche Zuordnung: Arbeitswissenschaft, Ergonomie, Mensch-Maschine-Systeme
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 530537983

Viele Störungen in der Verarbeitungs- und Verpackungsindustrie sind auf vorherige Produktionsschritte zurückzuführen. Solche Ursachen sind Operateuren oft nicht bekannt, so dass es schwierig ist, Fehler richtig zu diagnostizieren. Unterstützungssysteme könnten das Verständnis für kausale Zusammenhänge fördern, indem sie zum Beispiel Kausaldiagramme anbieten. Solche multilinearen Fehlermodelle bilden jedoch die Komplexität der Anlagen nicht angemessen ab. Dies können systemische Methoden, die zeigen, wie Wechselwirkungen von Systemfunktionen möglicherweise unerwünschte Effekte hervorrufen. Allerdings können diese komplexen und eher abstrakten Modelle schwer zu verstehen und anzuwenden sein. Daher werden Methodenkombinationen benötigt, aber es ist unklar, welche Information wie dargestellt werden soll und wie sich dies auf die menschliche Fehlerdiagnose auswirkt. Diese Fragen werden im Projekt untersucht. Zunächst modellieren wir die kausalen Beziehungen in einer Prozesskette mit einer multi-linearen, einer systemischen und zwei kombinierten Methoden. Die Kombinationen basieren entweder auf Kausaldiagrammen oder Funktionsnetzen, in die sie Informationen der jeweils anderen Methode integrieren. Darüber hinaus liefern sie Information auf verschiedenen Abstraktionsebenen und unterstützen damit das Erkennen allgemeiner Prinzipien sowie das Integrieren von Funktionswissen mit konkreten Symptombeobachtungen. Anschließend testen wir die Generalisierbarkeit der Modelle, indem wir sie auf drei weitere Verpackungslinien übertragen, die sich in ihrer Ähnlichkeit zur ersten unterscheiden. Schließlich formalisieren wir die Modelle in einer domänenspezifischen Ontologie der Kausalbeziehungen. Im empirischen Teil untersuchen wir, wie sich die Modellvisualisierungen auf die menschliche Fehlerdiagnose sowie auf das Lernen und Verstehen von Kausalbeziehungen auswirken. In vier Experimenten wird jeweils eine der Visualisierungen verwendet, wobei zwei situative Faktoren variiert werden, die die Auswirkungen der Visualisierungen beeinflussen könnten (Komplexität der Fehler und Verfügbarkeit visueller Hervorhebungen). Ein fünftes Experiment vergleicht die Visualisierungen in ein und demselben Experiment. Wir messen die Geschwindigkeit und die Korrektheit bei der Auswahl von Fehlerursachen, das Prüfen relevanter Prozessparameter und das Erinnern und Ableiten von Kausalinformation. Folgende Hypothesen werden getestet: (1) für einfache Fehler sind Kausaldiagramme nützlich, das systemische Modell jedoch nicht, (2) für Wechselwirkungen sind beide Basismodelle unzureichend (weil Kausaldiagramme sie nicht adäquat darstellen, während systemische Modelle zu komplex sind und diagnostisch relevante Information fehlt), (3) die kombinierten Visualisierungen erhalten die Vorteile beider Methoden und mildern die Probleme ab. Die Ergebnisse dienen dazu, unsere Modelle anzupassen und das beste in ein Unterstützungskonzept zu integrieren, das wir mit Operateuren evaluieren.

• DFG-Verfahren: Sachbeihilfen