KI für schnellere Angebote: Zeichnungen auslesen, Herstellzeiten prognostizieren, Risiken quantifizieren
Im Projekt mit der INOMETA GmbH wurde die Nutzung von KI zur automatisierten Analyse technischer Zeichnungen und zur Prognose von Fertigungszeiten untersucht. In der Machbarkeitsstudie konnte gezeigt werden, dass in den unterschiedlichen Baugruppen des Variantenfertigers ab einer Datenmenge von 500 Baugruppen je Baugruppenklasse bessere Prognoseergebnisse im historischen Datensatz erzielt werden, als mit der bislang eingesetzten Methode.
Herausforderung und Zielsetzung
Der Angebotsprozess bei variantenreichen technischen Produkten erfordert eine präzise Bewertung der Kundenanforderungen sowie eine belastbare Abschätzung von Fertigungszeiten und -kosten. Technische Zeichnungen stellen dabei die wichtigste Informationsquelle dar, sind jedoch häufig nur eingeschränkt maschinenlesbar. Relevante Merkmale wie Toleranzen, Bearbeitungskennzeichen oder funktionsrelevante Geometrien müssen bislang manuell identifiziert werden. Dies stellt einen zeitintensiven Schritt dar, der Erfahrungswissen erfordert.
Aus vergangenen Aufträgen liegen umfangreiche historische Rückmeldedaten vor, in denen reale Arbeitspläne und Durchlaufzeiten dokumentiert sind. Diese Daten bieten großes Potenzial für eine datenbasierte Prognose der Herstellzeiten, werden im Angebotsprozess bislang jedoch nicht ausreichend genutzt. Die Kombination aus manueller Zeichnungsbewertung und heuristischen Zeitschätzungen geht mit Unsicherheiten in der Zeitansatzbildung und erhöhten Planungsaufwänden einher, insbesondere bei komplexen oder neuen Produktvarianten.
Ziel der gemeinsamen Machbarkeitsstudie des Mittelstand-Digital Zentrums Hannover und der INOMETA GmbH war es, zu untersuchen, ob moderne KI-Methoden eine automatisierte Analyse technischer Zeichnungen ermöglichen und aus Vergangenheitsdaten präzise Bearbeitungszeitprognosen abgeleitet werden können. Zusätzlich wurde geprüft, ob neben einem reinen Prognosewert auch eine Quantifizierung der Unsicherheit möglich ist, um die Transparenz hinsichtlich der Verlässlichkeit der Prognose zu erhöhen.
Angewendet wurde hierfür das methodische Vorgehen aus dem Projekt SzenoKalk des Instituts für Fertigungstechnik und Werkzeugmaschinen (IFW) (siehe Bild unten). Dabei werden Baugruppeninformationen extrahiert und über Korrelationen zu den Rückmeldedaten bereits gefertigter Baugruppen identifiziert. Diese Zusammenhänge sollen für neue Baugruppen mit den verfügbaren Informationen über die durchzuführenden Fertigungsmittel in der Angebotsphase für Kosten- und Fertigungszeitprognosemodelle genutzt werden. Auf dieser Grundlage besteht die Möglichkeit, den Angebotsprozess künftig datenbasierter, schneller und objektiver zu gestalten.
Lösungsweg
Automatisierte Analyse technischer Zeichnungen
Zur Bewertung der Potenziale bei der automatisierten Auswertung von technischen Zeichnungen wurde ein KI-gestütztes Verfahren getestet, das sowohl Textinformationen als auch geometrische Symbole automatisiert erkennt. Zum Einsatz kamen zwei etablierte Computer-Vision-Modelle: PaddleOCR zur Extraktion von Schrift- und Maßangaben sowie YOLO zur Erkennung von Symbolen und Toleranzelementen. Da in der industriellen Praxis häufig keine annotierten Trainingsdaten für die Symbolerkennung vorliegen, wurde im Projekt ein synthetischer Trainingsdatensatz erzeugt. Hierfür wurden technische PDF-Zeichnungen mithilfe des interaktiven CAD/CAM/CAE-Systems Siemens NX vom IFW automatisiert erstellt und anschließend mit der Python-Bibliothek PyMuPDF analysiert.
PyMuPDF ermöglicht den programmgesteuerten Zugriff auf die Vektordaten einer PDF-Datei und erlaubt das Auslesen grafischer Elemente einschließlich ihrer geometrischen Positionen. Auf diese Weise konnten die in den Zeichnungen enthaltenen Symbole automatisiert erkannt und deren Positionen als Trainingslabels für das Nachtrainieren des YOLO-Symbolerkennungsmodells abgeleitet werden. Eine manuelle Annotation war somit nicht erforderlich.
Um die Robustheit und Generalisierungsfähigkeit des Modells zu erhöhen, wurden die Positionen der erkannten Symbole zusätzlich systematisch variiert. Die resultierende Heatmap zeigt, an welchen Stellen der Zeichnung diese synthetisch erzeugten Symbolpositionen platziert wurden (siehe Bild „Heatmap der Symbolpositionen“ am Dokumentenende). Damit lässt sich nachvollziehen, wie breit das Modell hinsichtlich möglicher Layouts und Platzierungen angelernt wurde.
Der entwickelte Ansatz dient als prototypischer Workflow, der es ermöglicht, technische Zeichnungen maschinenlesbar aufzubereiten und daraus relevante Merkmale für weitere Auswertungen zu gewinnen. Die Vorgehensweise wurde an ausgewählten Zeichnungsbeispielen erprobt und bildet die Basis für eine spätere Integration in den Angebotsprozess. Die Übertragbarkeit auf technische Zeichnungen aus weiteren CAD-Systemen mit einer hohen Varianz an Schriftarten wird als technisch machbar eingeschätzt und stellt überwiegend eine IT-seitige Fragestellung dar.
KI als Unterstützung in der Angebotskalkulation
Da Herstellkosten zeitabhängigen Einflussfaktoren wie Inflation oder Lohnentwicklungen unterliegen, wird im Projekt nicht der Kostenwert selbst, sondern die zugrunde liegende Herstellzeit prognostiziert. Diese Kennzahl ist bei konstanten Fertigungstechnologien deutlich stabiler und kann im Anschluss über aktuelle Kostensätze in einen Kostenwert überführt werden.
Für die automatisierte Abschätzung von Bearbeitungszeiten werden zunächst alle verfügbaren technischen Informationen der jeweiligen Baugruppe als Eingabeparameter genutzt. Dazu zählen strukturelle Merkmale aus den technischen Zeichnungen, produkt- und fertigungsrelevante Stammdaten sowie die Rückmeldezeiten der Bauteile. Auf dieser Grundlage wird die voraussichtliche Fertigungszeit eines neuen Bauteils datenbasiert prognostiziert.
Die Basis dafür bilden umfangreiche historische Rückmeldedaten, in denen reale Rüst-, Maschinen- und Laufzeiten dokumentiert sind. Eine Analyse dieser Daten zeigt Unterschiede zwischen geplanten und tatsächlich angefallenen Zeiten. Die Verteilung dieser Abweichungen verdeutlicht, wie variantenreich die Produktgruppen sein können und welches Prognosespektrum ein Modell abdecken muss (siehe Bild „Rückmeldezeitenverteilung“ am Dokumentenende).
Zur Modellierung der Herstellzeiten wurden automatisierte Machine-Learning-Verfahren (AutoML) aus der Python-Bibliothek TPOT getestet. Diese Ansätze durchsuchen eigenständig eine Vielzahl möglicher Regressionsmodelle und identifizieren jene, die die vorliegenden Datenstrukturen am besten abbilden. So entsteht ein belastbares prädiktives Modell, das Eingabeparameter der Baugruppe mit den zu erwartenden Fertigungszeiten verknüpft.
Um die Leistungsfähigkeit des Modells zu bewerten, wurden Lernkurven untersucht, die den Einfluss der Trainingsdatenmenge auf die Güte der Vorhersage darstellen (siehe Bild „Lernkurven und Skalierbarkeit des Modells“ am Dokumentenende). Die Ergebnisse zeigten erwartungsgemäß, dass mit wachsender Datenbasis sowohl Genauigkeit als auch Stabilität der Prognosen deutlich zunehmen. Bei zunehmender Datenmenge ist eine weitere Verbesserung des Ergebnisses zu erwarten. Zusätzlich wurde die Skalierbarkeit, d. h. die Auswirkung der Anlerndauer auf die Prognosequalität, analysiert. Es konnte festgestellt werden, dass die Trainingszeit moderat ansteigt, sodass die Modelle auch bei größeren Datensätzen praxistauglich bleiben.
Eine Besonderheit des entwickelten Ansatzes ist die Quantifizierung der Prognoseunsicherheit. Neben der Zeitvorhersage wird ein weiteres Modell eingesetzt, das den erwarteten Prognosefehler durch den Residualfehler des vorherigen Modells prognostiziert. Daraus wird ein Konfidenzintervall abgeleitet. So liegt nicht nur ein Prognosewert vor, sondern auch eine Einschätzung darüber, wie verlässlich die Prognose in einem konkreten Fall ist. Dies schafft mehr Transparenz und bietet einen entscheidenden Vorteil für die Angebotserstellung sowie die Bewertung von Risiken in der Arbeitsvorbereitung.
Durch die Kombination der prototypisch getesteten Ansätze zur datengetriebenen Zeitprognose, zur Unsicherheitsschätzung und zur strukturierten Verarbeitung technischer Eingangsparameter wird deutlich, wie ein zukünftiges Softwaretool zur Unterstützung der Angebotskalkulation aussehen könnte. Ein solches KI-Tool bietet zudem erhebliches Potenzial, die Bewertung neuer Kundenanfragen zu beschleunigen.
Nutzen für den Mittelstand
Die Unterstützung der Angebotskalkulation durch KI-basierte Analyseverfahren bietet dem Mittelstand Vorteile. Durch die automatisierte Verarbeitung technischer Informationen und die datengetriebene Abschätzung von Fertigungszeiten kann der Aufwand für die Bewertung neuer Anfragen reduziert werden. Dies ergänzt bestehende Kalkulationswerkzeuge, in denen Informationen bisher vollständig manuell eingegeben und bewertet werden müssen, und erleichtert die schnelle Einschätzung der Herstellkosten komplexer Produktvarianten.
Der zusätzliche Grad an Objektivität, der durch die Nutzung historischer Fertigungsdaten und die integrierte Unsicherheitsschätzung erreicht wird, führt zu einer transparenteren Entscheidungsgrundlage im Angebotsprozess. Limitiert wird der Ansatz jedoch durch Änderungen der Produktionstechnologien, da diese bei identischen Bauteilen zu kürzeren oder längeren Bearbeitungszeiten führen können.
Darüber hinaus kann eine datenbasierte Unterstützung zu einer effizienteren Ressourcennutzung beitragen und Fachkräfte entlasten, indem sie wiederkehrende Analyseschritte reduziert und dadurch Zeit für komplexere Aufgaben schafft. Langfristig stärkt dies die Wettbewerbsfähigkeit kleiner und mittlerer Unternehmen, die in dynamischen Märkten zunehmend gefordert sind, Angebote schnell, konsistent und gut begründet zu erstellen. Damit diese Vorteile erreicht werden, sind zukünftig weitere Anstrengungen erforderlich, um die prototypischen Untersuchungen dieses Vorhabens auf industrielle Anwendungen und Datenbasen zu übertragen. Insbesondere die zunehmende Komplexität und Variantenvielfalt technischer Zeichnungen stellen weiterhin Hürden für die Anwendung der erzielten Ergebnisse in der industriellen Praxis dar.
Die INOMETA GmbH zählt zu den führenden Herstellern von Leichtbauprodukten aus Aluminium sowie Faserverbundwerkstoffen. Das Unternehmen entwickelt, fertigt und veredelt rotierende Komponenten für die Folien-, Papier-, Druck- und Verpackungsindustrie. Zum Produktspektrum gehören unter anderem funktionsbeschichtete Walzen, Bauteile aus kohlenstofffaserverstärktem Kunststoff und glasfaserverstärktem Kunststoff sowie Präzisionsrohre und Druckwalzen. Neben der Produktfertigung bietet INOMETA einen umfassenden Walzenservice an und unterstützt Kunden entlang des gesamten Lebenszyklus ihrer Walzensysteme.
Noch Fragen offen?
Unsere Projekte umfassen einen großen zeitlichen, organisatorischen und thematischen
Umfang. Erfragen Sie die Details einfach beim Projektverantwortlichen. Wir leiten Sie gerne weiter!
