Künstliche Intelligenz (KI) kann in der Angebotskalkulation zur Wertschöpfung beitragen. Ein entsprechender Anwendungsfall wurde in einem Projekt des Mittelstand-Digital Zentrums Hannover mit der INOMETA GmbH untersucht. Ziel war die prototypische Implementierung einer KI-basierten Lösung zur Beschleunigung des Angebotsprozesses unter Anwendung einer Analyse von Vergangenheitsdaten sowie einer Ähnlichkeitsbewertung und Analyse von Stammdaten zur automatisierten Herstellkostenabschätzung.
Von der Zeichnung zur maschinenlesbaren Struktur
Für die Entwicklung eines KI-gestützten Auswertungsverfahrens wurde zunächst die automatisierte Analyse von technischen Zeichnungen evaluiert. Dabei kamen zwei unterschiedliche Ansätze zum Einsatz, die jeweils eigene Aufgaben erfüllten:
- PaddleOCR für die Texterkennung in technischen Zeichnungen
- YOLO für die Erkennung von Symbolen und Toleranzelementen
Da keine annotierten Trainingsdaten vorlagen, wurde zunächst ein synthetischer Trainingsdatensatz mit Siemens NX erzeugt. Exemplarische technische PDF-Zeichnungen wurden hierzu mit PyMuPDF analysiert, um die in den Vektordaten enthaltenen Symbole und deren Positionen extraktiv zu erfassen. Diese Informationen ermöglichten die automatisierte Generierung von Trainingslabels für das Symbolerkennungsmodell, sodass eine manuelle Annotation entfallen konnte. Das anschließend trainierte Symbolerkennungsmodell wurde auf den eingescannten technischen Zeichnungen angewendet. Die Evaluation zeigte, dass das Modell auch bei eingescannten bzw. rasterbasierten Zeichnungen mit typischen Artefakten wie Rauschen oder Verzerrungen eine robuste Erkennungsleistung erzielte. Der Übertrag auf technische Zeichnungen aus weiteren CAD-Systemen mit unterschiedlichen Schriftarten ist prinzipiell gegeben und stellt überwiegend eine IT-seitige Fragestellung dar. Auf Basis der maschinenlesbaren Zeichnungen von INOMETA wurden automatisiert Bauteilmerkmale extrahiert, die als Eingangsgrößen für die Kostenprognose genutzt werden konnten. Eine manuelle Stichprobenprüfung zeigte, dass die Zuordnung einzelner Informationen aus den Zeichnungen zu den entsprechenden Bauteilmerkmalen nicht in allen Fällen korrekt erfolgte. Die verbleibenden Zuordnungsungenauigkeiten wurden als akzeptabler Trade-off zwischen Automatisierungsgrad, Entwicklungsaufwand und erzieltem Nutzen bewertet.
KI lernt aus historischen Fertigungsdaten
Neben der Zeichnungsanalyse wurde ein prädiktives Kostenmodell entwickelt. Dieses basiert auf historischen Rückmeldedaten der Produktion, die bereits bekannte Fertigungszeiten und -kosten sowie Merkmale der gefertigten Bauteile enthielten.
Parallel zur Zeichnungsanalyse wurde ein prädiktives Modell entwickelt, das Bearbeitungszeiten für unterschiedliche Baugruppen prognostiziert. Die Grundlage bildeten historische Rückmeldedaten aus der Produktion, die reale Arbeitspläne und Durchlaufzeiten abbilden.
Zum Einsatz kamen KI-Regressionsverfahren durch die Python-Bibliothek TPOT für automatisiertes maschinelles Lernen, welche im Projekt eine gute Prognosegüte für geometrisch und prozessual ähnliche Baugruppen erreichten. Ergänzend wurde ein Verfahren zur Prognoseunsicherheitsquantifizierung integriert, um neben einem Punktwert auch ein Konfidenzintervall für die erwartete Bearbeitungszeit zu liefern. Dieses Verfahren prognostiziert den Residualfehler für die Eingabeparameter. Damit wird nicht nur eine Prognose, sondern auch deren Verlässlichkeit transparenter gemacht, was einen entscheidenden Vorteil bei der Entscheidungsunterstützung in der Arbeitsvorbereitung darstellt. Abschließend können die Herstellzeitprognosen mit den Kostensätzen verrechnet werden, um auf die Herstellkosten zu kommen.
Angebote automatisiert erstellen: Wir unterstützen Sie gern!
Sie möchten mehr über die automatisierte Angebotserstellung und das automatisierte Auslesen von technischen Zeichnungen erfahren? Dann kontaktieren Sie uns gern! Unser Experte für Angebotsautomatisierung, Marcus Nein, steht Ihnen unter nein@ifw.uni-hannover.de zur Verfügung.
Zudem bieten wir Orientierungsgespräche, Workshops und digitale Lernangebote an – ideal, um den nächsten Schritt in ihrem KI-Projekt gezielt vorzubereiten.
