Ziel der Entwicklung

Logo: Beispiel eines Energiesystemmodells, das mit TOP-Energy® erstellt wurde. Die entwickelten Verfahren unterstützen Anwenderinnen und Anwender bei der grafischen Modellierung solcher Modelle.
Beispiel eines Energiesystemmodells, das mit TOP-Energy® erstellt wurde. Die entwickelten Verfahren unterstützen Anwenderinnen und Anwender bei der grafischen Modellierung solcher Modelle.

Das FuE-Vorhaben befasste sich mit der Entwicklung und Implementierung von Algorithmen aus dem Bereich des Graph Drawing. Graphen sind im mathematischen Sinne Paare aus Knoten und Kanten, wobei Knoten als Objekte und Kanten als Verbindungen zwischen diesen Objekten interpretiert werden können. Verbinden Kanten mehr als zwei Knoten, bezeichnet man sie auch als Hyperkanten und den entsprechenden Graphen als Hypergraphen. Das Gebiet des Graph Drawing umfasst die Entwicklung von Platzierungsalgorithmen für Knoten und Routingalgorithmen für Kanten.
Im Projekt GAMMa lag der Schwerpunkt auf Graphen, deren Knoten als rechteckige Shapes und deren Kanten als orthogonale Linienzüge dargestellt wurden. Hyperkanten wurden als orthogonale Linienzüge mit Verzweigungen visualisiert. Knoten enthielten am Rand ihrer Shapes definierte Anschlusspunkte – sogenannte Pins –, an denen Kanten angeschlossen werden konnten.
Das FuE-Vorhaben fokussierte sich auf interaktiv erzeugte Darstellungen von Graphen. Solche Visualisierungen werden von Nutzerinnen und Nutzern ausgehend von einem leeren Schema inkrementell erstellt, beispielsweise durch die Nutzung eines grafischen Editors. Die verfügbaren Nutzerinteraktionen umfassen u. a. Modifikationen von Knoten (z. B. Platzieren, Kopieren, Einfügen, Löschen, Ausschneiden, Verschieben, Drehen, Spiegeln, Ausrichten) und Modifikationen von Kanten (z. B. Erzeugen, Löschen, Verschieben). Jede Interaktion führt dabei zu einer neuen Visualisierung eines Graphen. Mit solchen Sequenzen von Darstellungen beschäftigt sich das Teilgebiet des Dynamic Graph Drawing, in dem die Bewahrung der Mental Map der Anwenderinnen und Anwender im Mittelpunkt steht. Die Mental Map soll helfen, Graphen nach Änderungen und insbesondere nach Nutzerinteraktionen wiederzuerkennen.
Das erste Ziel des FuE-Vorhabens bestand darin, intelligente Automatismen zu entwickeln, die Anwenderinnen und Anwender bei der Modifikation von Knoten unterstützen und somit die Anzahl der erforderlichen Nutzerinteraktionen minimieren. Einerseits sollten Platzierungsalgorithmen entwickelt werden, die Knoten gemäß der Intention der Anwenderinnen und Anwender automatisch platzieren. Andererseits sollten Verfahren entwickelt werden, die ein automatisches Routing anstoßen.
Darüber hinaus sollten Verfahren zur Bewahrung der Mental Map entwickelt werden. Auf der einen Seite sollten Verfahren zur Bewahrung der knotenbezogenen Mental Map entwickelt werden, die insbesondere bei der Verdrängung von Knoten Anwendung finden. Auf der anderen Seite sollten Verfahren zur Bewahrung der kantenbezogenen Mental Map in einem inkrementellen, interaktiven Szenario entwickelt werden.
Alle zu entwickelnden Verfahren sollten in das Softwareframework ForGE (Framework for Graph-Based Engineering Systems) der GFaI integriert werden, das als Plattform für die Entwicklung domänenspezifischer Lösungen dient.
Ein weiteres Ziel des FuE-Vorhabens bestand in der Durchführung anwendungsorientierter Untersuchungen, auf deren Grundlage u. a. die zu entwickelnden intelligenten Automatismen entworfen werden sollten. Zudem sollten die im FuE-Vorhaben entwickelten Algorithmen durch den Vergleich einer vorbereitenden und einer nachbereitenden anwendungsorientierten Untersuchung evaluiert werden.

Vorteile und Lösungen

Zunächst wurden Verfahren entwickelt, die Benutzerinteraktionen bei der Platzierung und Modifikation von Knoten sowie der Kantengeometrie unterstützen und dabei die knotenbezogene Mental Map bewahren.
Eine entwickelte Methode zur automatischen Platzierung von Knoten minimiert Knicke in der Kantengeometrie. Dabei werden benachbarte Knicke analysiert. Liegt ihr Abstand unter einem konfigurierbaren Schwellwert, wird der entsprechende Knoten so verschoben, dass ein knickfreies Routing möglich ist. Ergänzend wurden Verfahren zur automatischen Ausrichtung von Knoten entwickelt, die neu platzierte oder verschobene Knoten an nahegelegenen Knoten ausrichten. Bevorzugt wird jeweils die Ausrichtung (oben-, unten-, links- oder rechtsbündig sowie horizontal oder vertikal zentriert), die die geringste Verschiebung erfordert.
Ein weiteres entwickeltes Verfahren ist das automatische Routing nach der Platzierung oder Verschiebung von Knoten. Ein automatisches Routing wird genau dann angestoßen, wenn ein Knoten in ein Routinggebiet verschoben wird. Für jede Kante existiert genau ein Routinggebiet, das die Vereinigung minimaler Rechtecke bildet und jegliche Kantengeometrie sowie alle mit der Kante verbundenen Knoten umfasst.
Zur Behandlung von Kollisionen zwischen Knoten und Kanten wurden Verdrängungsverfahren entwickelt. Kanten werden dabei temporär wie Knoten behandelt, sodass Kollisionen auf den Fall „Knoten auf Knoten“ reduziert werden. Kollidierende Knoten werden horizontal oder vertikal mit minimalen Verschiebungskosten verschoben. Ausgehend von dieser initialen Verschiebung wird eine minimale Verschiebungsregion konstruiert, die sicherstellt, dass bei der Verdrängung keine neuen Knicke oder Verzweigungen entstehen.
Weitere Verfahren wurden für hierarchische Knoten entwickelt, die selbst schematische Darstellungen enthalten. Solche hierarchischen Knoten können sowohl expandiert (d. h. ausgeklappt) als auch reduziert (d. h. zusammengeklappt) werden. Beim Expandieren werden umliegende Netzwerkelemente vom Mittelpunkt des Knotens weg verschoben, beim Reduzieren entsprechend zum Mittelpunkt hin. In beiden Fällen bleiben relative Lagen erhalten, ohne neue Knicke oder Verzweigungen zu erzeugen.
Zur Bewahrung der kantenbezogenen Mental Map wurde ein Flexibilitätsmodell eingeführt. Jede Linie erhält einen Wert zwischen 0 (fixiertes Routing) und 1 (freies Routing). Es wurden vier Kriterien ausgewählt, deren arithmetisches Mittel den Flexibilitätswert bestimmt. Erstens: Das Alter einer Linie ist durch die Anzahl der Nutzerinteraktionen bestimmt, die seit dem Erzeugen dieser Linie durchgeführt wurden. Je jünger eine Linie ist, desto flexibler ist sie – und umgekehrt. Zweitens: der minimale euklidische Abstand einer Linie zu der modifizierten Komponente, die zum Routing der Linie geführt hat. Je geringer der Abstand, desto flexibler ist die Linie – und umgekehrt. Drittens: Der Bus selbst erhält einen geringeren Flexibilitätswert als Stichverbindungen. Als Bus wird die Hauptlinie (d. h. längste Linie) einer Kante bezeichnet. Von diesem Bus können weitere Kantenabschnitte abzweigen, die als Stichverbindungen bezeichnet werden. Viertens: Interaktiv verschobene Linien erhalten einen geringeren Flexibilitätswert als automatisch geroutete Linien.
Darauf aufbauend ermöglicht ein Relaxationsmodell auch eine Abkehr von der kantenbezogenen Mental Map. Dies ist beispielsweise dann relevant, wenn Anwenderinnen und Anwender Fehler machen oder sich aus ästhetischen Gründen dafür entscheiden, ein Schema umzubauen. Hierzu werden sowohl ein Routing mit dem aktuellen Flexibilitätswert als auch eines mit dem Flexibilitätswert 1 (d. h. freies Routing) mit dem Routing vor einer Interaktion verglichen. Das Routing mit dem geringeren Differenzwert wird bevorzugt. Bei gleichem Differenzwert wird das Routing mit aktuellem Flexibilitätswert bevorzugt, um eine höhere Stabilität zu gewährleisten.
Abschließend wurden Animationsverfahren entwickelt, die neue Geometrien sanft einblenden und alte ausblenden, um die Mental Map der Anwenderinnen und Anwender zusätzlich zu unterstützen. Erste Tests haben gezeigt, dass eine Dauer von 0,5 Sekunden zu breiter Nutzerakzeptanz führt.

Zielgruppe und Zielmarkt

Mit der Digitalisierung werden komplexe Modelle wie der digitale Zwilling – die Repräsentanz von Objekten und Prozessen der realen Welt – verstärkt zum Gegenstand von Arbeitsprozessen. Dies betrifft nicht nur die Fertigungsindustrie, sondern auch Prozesse in Verwaltung, Logistik und Medizin und umfasst (neben der Großindustrie) in besonderem Maße auch die mittelständische Industrie. Die Modelle digitaler Zwillinge bilden sehr oft Abläufe oder strukturelle Zusammenhänge ab. Um diese Modelle nutzungsfreundlich zu gestalten, werden (neue) Modellierungssysteme benötigt. Für diese Modellierungssysteme sind die Ergebnisse des hier vorgestellten Projekts von großer Bedeutung. Die Resultate wurden in einer Softwarebibliothek zusammengefasst und der mittelständischen Industrie zur Verfügung gestellt.
Direkt profitiert die mittelständische Industrie durch die Anbindung der Lösungen des Projekts an die Softwareprogramme TOP-Energy®, AutoPlan® und QuickSteps® der GFaI. Die Integration erleichtert die Modellierung komplexer Energieversorgungssysteme (digitaler Zwilling eines Energiesystems) erheblich. Davon profitieren einerseits direkt die Anwender von TOP-Energy® – vornehmlich kleine und mittelständische Energieberatungs- und -versorgungsunternehmen – und andererseits indirekt die Unternehmen, die von der Optimierung ihrer Energiesysteme profitieren.
Auch die Anwenderinnen und Anwender von AutoPlan® und QuickSteps® sind hauptsächlich Unternehmen der mittelständischen Industrie. Mit AutoPlan® können große Fertigungssysteme modelliert werden. Mit QuickSteps® können komplexe Fehleranalysemodelle aufgebaut und umfangreiches Erfahrungswissen bei der Fehlersuche und -behebung digitalisiert werden. Im Ergebnis können so die Stillstandzeiten von Maschinen und Anlagen verringert werden.