Numerical simulation and analysis of human work-based learning in smart factories using analytic hierarchy process

Abstract

Traditionelle Fabrikationsprozesse verändern sich von einfachen, isolierten Aufgaben zu einer hoch automatisierten Kollaboration multipler Systeme. Durch diese Veränderung erhöht sich der Bedarf an hochqualifizierten Mitarbeiter, welcher nicht durch das derzeitige Arbeitskräftepotential am Arbeitsmarkt gedeckt werden kann. Dadurch wird mehr Bildung von Mitarbeitern benötigt, um den neuen Anforderungen zu entsprechen. Trainings sollten ideal konzipiert werden, um den Bedürfnissen zukünftiger Aufgaben gerecht zu werden. Externe Faktoren wie Arbeitsunterstützungssysteme oder Wissenstransfers von Arbeitskollegen, welche den Lernprozess beeinflussen, sollten kontrollierbar sein und den exakten Lernbedürfnissen entsprechen. Vorherrschende Lernmethoden entsprechen nicht den Bedürfnissen der Nutzer zugeschnittenes Wissen für spezifische Aufgaben zu erlangen. Des Weiteren kann die Vielfalt an Faktoren in cyber-physisch-sozialen Produktionssystemen nicht durch existierende Modelle abgebildet werden. Wissen kann über verschiedene Wege übermittelt werden, wie beispielsweise Lernen am Arbeitsplatz oder im Klassenzimmer, jedoch ist der Output des Trainings schwer kontrollierbar und vorhersagbar. Heutzutage wird der Lernprozess hauptsächlich retrospektiv durch Evaluationsmethoden analysiert, welche nicht an den Arbeitsprozess angepasst sind. In Bezug auf die Vorhersage zur Verbesserung der Arbeitsleistung durch vermehrte Übung, erlaubt bisher nur das Modell der Lernkurve Aussagen zur Durchführungszeit zukünftiger Aufgaben. Dieses Modell berücksichtigt jedoch nicht den Einfluss mehrerer Faktoren. Daher soll ein Modell entwickelt werden, welches erlaubt das Lernergebnis vorherzusagen und Trainings effizient zu planen. Dieses soll auf cyber-physisch-sozialen Produktionssystemen anwendbar sein und die Mensch-Maschine Interaktion mit intelligenten Einheiten modellieren. Dabei sollen verschiedene Szenarien abhängig von der Entscheidungsmacht innerhalb des CPSPS berücksichtigt werden. Um dieses Modell im industriellen Umfeld anwenden zu können, ist eine Verbindung mit Leistungskennzahlen notwendig zur Analyse einzelner Faktoren auf die gesamte Effizienz. In dieser Arbeit wurde ein prädiktives Modell durch die Evaluation existierender Lerntheorien und der Analyse von menschlicher Interaktion in CPSPS entwickelt. Vorhandene Faktoren innerhalb des CPSPS, welche vorhanden waren, wurden klassifiziert und in das entwickelte Modell aufgenommen. Das Modell wurde durch einen analytisch hierarchischen Prozess optimiert. Die Ergebnisse zeigen, dass die Vorhersage verschiedener Einflussfaktoren auf das Lernen möglich war. Für diesen Algorithmus wurden generische Daten verwendet, welche Aussagen in Bezug auf verschiedene Szenarien der Entscheidungsmacht in CPSPS auf den Lernprozess zuließen. Leistungskennzahlen wurden berechnet und erlauben eine Analyse der Einflussfaktoren. Verschiedene Lernszenarien in Bezug auf den Einfluss unterschiedlicher Faktoren können verwendet werden und determinieren den effizientesten Weg, den gewünschte Lernerfolg zu erreichen. Zukünftige Forschung soll den Einfluss und die Beziehung der Faktoren untereinander bestimmen. Eine Erweiterung des Modells um andere Faktoren wie beispielsweise Umwelteinflüsse könnte in einer höheren Präzision des Modells resultieren. Eine weitere Limitation dieser Arbeit ist die fehlende Validierung des Modells anhand von Daten aus dem Feld, welche bei zukünftigen Studien berücksichtigt werden soll.

Traditional fabrication processes are changing from simple isolated tasks to a highly automated collaboration of multiple systems. Due to this change, an increasing need of highly qualified employees emerged which cannot be covered by the current workforce potential on the labour market. This requires further education of present employees to meet the new demands. Trainings should be ideally designed to fit the needs of the workers future tasks. External factors influencing the learning process, such as work support systems or knowledge transfer from working colleagues should be controllable and applicable to meet the exact learning demands. Current learning methods do not meet the user’s needs to gain tailored knowledge for specific tasks. Furthermore, the variety of factors present in cyber-physical-social production systems cannot be represented by existing learning models. Knowledge can be transferred via different paths, such as workplace or classroom learning but training output is hardly controllable or predictable. Nowadays the learning process is mainly analysed retrospectively by evaluation methods based on theories not adapted to today’s working processes. In terms of predicting performance improvement through advanced practice, only the model of the human learning curve allows to calculate future task execution times but does not allow to take several influencing factors into consideration. Therefore, exists a need to design a tool which enables to predict learning outcome and plan trainings efficiently. Applicable to cyber-physical-social production systems modelling the interaction of humans with smart entities and taking into account the different scenarios depending on the decision authority within the CPSPS. For the application in an industrial environment, the connection towards key performance indicators allows to analyse the impact of influencing factors on the overall efficiency. In this thesis a predictive model was developed by the evaluation of existing learning models and the analysis of the human interaction in CPSPS. Factors available in CPSPS were researched and classified and incorporated in the developed model. The model was optimized by applying an analytical hierarchy process. The results indicate that the prediction of different factors influencing learning was possible. For this model generic data were incorporated in the algorithm and allowed to conclude about the learning process for different scenarios of decision-making authority in CPSPS. A connection towards the key performance indicators was generated allowing to analyse the influences of the used factors. Due to the more efficient usage of factors influencing the learning curve, a better control of the learning process is possible with this approach. Knowledge transfer can be planned in a precise way based on the required demands. Different learning scenarios regarding the impact of factors can be used and evaluated to determine the most efficient way to reach the desired goal. Further research is needed to determine the influence and relationship among the factors. An extension towards further factors such as environmental influences could result in a higher precision of the model. Another important limitation to this study is the validation of the model by field data which should be considered for future research.