AR-unterstütztes Lernszenario „Energieeffiziente Produktion“ (ILehLe)

Das Lernszenario richtet sich an Studierende produktionstechnischer Studiengänge sowie an verantwortliche und interessierte Mitarbeitende aus mittelständischen Betrieben, die sich dem Thema Industrie 4.0 und modernen Ansätzen zur Produktionsoptimierung nähern wollen. Wesentliche Lernziele sind, Energieverbräuche in Produktionsprozessen transparent und damit bewusst zu machen sowie Anreize, Methoden und Werkzeuge zu vermitteln, diese Verbräuche zu senken. Neben der Vermittlung von Fach- und Methodenkompetenz sollen die Lernenden motiviert werden, in ihrem beruflichen Umfeld der industriellen Produktion energieeinsparende Maßnahmen umzusetzen.

Das Ziel des Forschungsprojekts „ILehLe – Die lernende Lernfabrik – eine intelligente Lehr-Lernumgebung zur Energie- und Ressourceneffizienz“ ist die Einbettung einer physischen Experimentierfabrik in ein adaptives Planspiel (Posselt et al. 2016). In der Lernfabrik des Instituts für Werkzeugmaschinen und Fertigungstechnik (IWF) der TU Braunschweig befindet sich dazu eine modular aufgebaute, flexibel konfigurierbare Experimentierfabrik.

Ziele der AR-Technologie sind es dabei, die Wahrnehmung des und die Interaktion mit den Lernenden sowie ihre Motivation und ihren Lernerfolg zu verbessern. AR kann außerdem dazu dienen, nicht Sichtbares wie Energie sichtbar zu machen, um den Lernenden Grundlagen für Entscheidungen zu liefern.

Inhaltlich besteht das Szenario aus aufeinander aufbauenden, komplexer werdenden Leveln, bei denen die AR-Anteile je nach didaktischem Ziel variieren. Jedes Level korrespondiert mit der Erlangung relevanter Kompetenzen, die durch Aufgaben und abschließende Multiple-Choice Tests ermittelt werden (Müller-Frommeyer et al. 2017, Aymans et al. 2017).

Lernziele, für welche aus didaktischer Sicht eine Ergänzung um AR-Elemente nicht förderlich erscheint, werden weiterhin rein in 2D vermittelt. Dazu zählen das Aufbauen von standardisierten Diagrammen (hier u. a. Sankey-Diagramme und Lastprofile) und das Erlernen deren Interpretation.

Die erste Einführung bereitet zunächst den Kontext der Lernumgebung, indem an den einzelnen Stationen die Prozessschritte einer Produktherstellung erläutert werden. Die Stationsmodule sind unterschiedlich und komplex bestückt. AR reduziert diese Komplexität durch einfache virtuelle Objekte (Abb. 1). Ein späteres Level hebt in ähnlicher Weise die einzelnen Teilkomponenten einer Station hervor. So erfolgt ein top-down Lernen des strukturellen Aufbaus der Experimentierfabrik.

Die anschließende Sicherheitsunterweisung weist auf die zahlreichen Gefahren hin, die der Umgang mit der Fabrik mit sich bringt. Standardisierte Schilder sind in AR unmittelbar an den realen Gefahrenquellen verortet (Abb. 2). Die Sicherheitsunterweisung erfolgt bei abgeschalteter Anlage, so dass sich die Lernenden frei an ihr bewegen und sich alle Hinweise selbstständig erschließen können.

Während sich die Lernenden anfangs in einem eng begrenzten Bereich um die Module bewegen mussten, bezieht das folgende Teilszenario einen Großteil der Fabrikhalle mit einer Fläche von ca. 60m x 20m ein. So  wurden bspw. reale Objekte augmentiert, die nicht leicht zu finden oder weit von den Modulen der Lernfabrik entfernt sind (Abb. 3).

Dass sich die Lernenden bereits von Beginn an unbeaufsichtigt in der Halle bewegen können, wird durch ein weiteres AR-Element ermöglicht: Ein virtuelles Absperrband umzäunt Bereiche mit besonders hohem Gefährdungslevel, die daher noch nicht betreten werden dürfen (Abb. 4). Um deren Präsenz zu verstärken, vibriert das AR-Gerät spürbar, sobald sich die Lernenden auf einen Meter nähern. Bei weiterer Annäherung, erhöht sich die Deutlichkeit des taktilen Feedbacks und zusätzlich wird ein warnender Ton hörbar, dessen Lautstärke mit der Entfernung variiert. Entgegen den Erwartungen der Autoren wurden die virtuellen Absperrungen bereits in ersten Nutzertests als „cool“ empfunden und respektiert. Somit erübrigt sich das Aufstellen realer Absperrungen, was die Akzeptanz „herumlaufender“ Lernender und damit des gesamten AR-unterstützten Lernszenarios erhöht.

Um in höheren Leveln den Energieverbrauch einer Station zu optimieren, können die Lernenden zunächst die relevanten Komponenten mit AR identifizieren. In Verbindung mit einem Simulationsmodell der Stationen eröffnet ergänzend dazu der virtuelle Austausch von AR-Komponenten dem Lernenden weitere Möglichkeiten des Probehandelns (Thiede et al. 2017). So können z. B. elektrische gegen pneumatische Vereinzeler getauscht oder unterschiedliche Ofendämmungen aufgebracht werden. Virtuelle Energiediagramme können grundsätzlich an allen verbrauchsrelevanten Komponten angezeigt werden und ermöglichen eine unmittelbare Rückmeldung zur Wirksamkeit der getroffenen Maßnahme (Abb. 5).

Nach dem positiven Feedback in einer ersten Usability-Studie sind aktuell weitere Evaluationen der AR-Umsetzung und ihre Anwendung in weiteren Lernumgebungen geplant.

Posselt, G., Böhme, S., Aymans, S., Herrmann, C., & Kauffeld, S. (2016). Intelligent learning management by means of multi-sensory feedback. Procedia CIRP, 54, 77-82.

Müller-Frommeyer, L. C., Aymans, S. C., Bargmann, C., Kauffeld, S., & Herrmann, C. (2017). Introducing competency models as a tool for holistic competency development in learning factories: Challenges, example and future application. Procedia Manufacturing, 9, 307-314.

Aymans, S. C., Horn, N. & Kauffeld, S. (2018). Welchen Nutzen haben Lernfabriken als Lehrmethode in den Ingenieurswissenschaften wirklich? – Eine Prä-Post-Erhebung mit Experimental-Kontrollgruppen-Vergleich. In GfA, Dortmund (Hrsg.), ARBEIT(S).WISSEN.SCHAF(F)T — Grundlage für Management & Kompetenzentwicklung (Beitrag Z.1.1.) Dortmund: GfA-Press.

Thiede, B., Posselt, G., Kauffeld, S., & Herrmann, C. (2017). Enhancing learning experience in physical action-orientated learning factories using a virtually extended environment and serious gaming approaches. Procedia Manufacturing, 9, 238-244

Kontaktdaten

Dr. Frank Höwing
in-tech GmbH, R&D Center of Innovation, Braunschweig
E-Mail: frank.hoewing@in-tech.com
Telefon: + 49 (0) 531 22 43 55 – 81

Nine Reining, M.Sc.
Technische Universität Braunschweig
Lehrstuhl für Arbeits-, Organisations- und Sozialpsychologie
E-Mail: n.reining@tu-braunschweig.de
Telefon: + 49 (0) 531 391 – 2579

Bastian Thiede, M.Sc.
Technische Universität Braunschweig
Institut für Werkzeugmaschinen und Fertigungstechnik
E-Mail: b.thiede@tu-braunschweig.de
Telefon: + 49 (0) 531 391 – 7153