Kostenkalkulation auf Basis von technischen Zeichnungen

Die KIESELSTEIN International GmbH mit Sitz in Chemnitz ist ein weltweit tätiger Hersteller moderner Drahtziehanlagen und Drahtziehschälmaschinen. Das Unternehmen beschäftigt rund 45 Mitarbeitende und zählt mit kunden-spezifischen Maschinenlösungen, intensiver Forschungs- und Entwicklungsarbeit sowie über 100 Jahren Branchentradition zu den führenden Anbietern im Drahtziehmaschinenbau.

Der Angebots- und Kalkulationsprozess für Zukaufteile ist bislang stark manuell geprägt. In der Konstruktionsabteilung werden technische Zeichnungen erstellt und auf dieser Basis erste Einschätzungen zur Einhaltung des vorgesehenen Kostenrahmens vorgenommen.

Anschließend holt die Einkaufsabteilung Angebote geeigneter Zulieferer ein. Bis zur Rückmeldung können jedoch mehrere Wochen vergehen. Liegt der Angebotspreis über dem geplanten Budget, müssen Konstruktion und Anfrage erneut angepasst werden.

Da komplexe Anlagen mit vielen Einzelkomponenten entwickelt werden, führen solche Iterationsschleifen zu spürbaren Verzögerungen und zusätzlichem Aufwand. Auch die Auswahl passender Lieferanten basiert stark auf Erfahrungswissen, früheren Angeboten und manueller Bewertung. Unpassende Anfragen können zu langen Rückmeldezeiten oder ungeeigneten Angeboten führen und erhöhen die Belastung für Konstruktion und Einkauf.

Im Pilotprojekt wird ein KI-basierter Prototyp entwickelt, der Konstruktion und Einkauf bereits in frühen Prozessphasen unterstützt. Auf Grundlage historischer Unternehmensdaten soll das System Preisprognosen für Zukaufteile erstellen und geeignete Lieferanten vorschlagen. Dafür werden vorhandene CAD-Zeichnungen im DXF-Format mit früheren Angebotspreisen und Zulieferinformationen verknüpft und für die Modellentwicklung nutzbar gemacht.

Das Vorgehen folgt einem iterativen, anwendungsnahen Forschungsprozess. Zunächst werden Zielsetzung, Ausgangsprozess und Anforderungen gemeinsam mit den beteiligten Fachbereichen präzisiert. Darauf aufbauend erfolgt die technische Entwicklung des KI-Modells, das schrittweise getestet und angepasst wird. Abschließend wird der Prototyp hinsichtlich Funktionalität, Prognosequalität und Nutzbarkeit evaluiert. Ziel ist es, fundierte Preisinformationen schneller verfügbar zu machen, Lieferantenauswahl zu erleichtern und aufwendige Iterationsschleifen zwischen Konstruktion und Einkauf zu reduzieren.

Die praktische Umsetzung des Pilotprojekts begann mit der systematischen Aufbereitung der vorhandenen Unternehmensdaten. Aus dem ERP-System wurden historische Preisdaten sowie bereits vorhandene Teilekategorisierungen exportiert. Über die Artikelnummern konnten diese Informationen den zugehörigen technischen Zeichnungen zugeordnet werden. Dadurch entstand eine Datengrundlage, in der geometrische Merkmale der Bauteile mit realen Angebotspreisen, Kategorien und Lieferanteninforma-tionen verknüpft wurden.

Ein zentraler Arbeitsschritt bestand darin, die CAD-Zeichnungen im DXF-Format algorithmisch auszuwerten. Dazu wurde eine technische Verarbeitungskette in Python aufgebaut. Mit der Bibliothek ezdxf wurden relevante Informationen aus den Zeichnungsdateien ausgelesen. Da Bauteile in den DXF-Dateien aus verschiedenen Ansichten dargestellt sind, mussten zunächst geeignete Dimensionen identifiziert und extrahiert werden. Aus diesen Rohinformationen wurden anschließend weitere Merkmale berechnet, beispielsweise minimale und maximale Längen oder andere geometrische Kennwerte. Die so gewonnenen Features bildeten gemeinsam mit Preis- und Kategoriedaten die Trainingsgrundlage für die KI-Modelle.

Für die Datenstrukturierung, Bereinigung und Weiterverarbeitung kam Pandas zum Einsatz. Auf dieser Basis wurden unterschiedliche Modelle zur Preis- und Kategorievorhersage entwickelt. Die Modellierung erfolgte mit TensorFlow; als Architektur wurde ein Feed-Forward-Neuronales Netz eingesetzt. Für die Preisprognose gibt das Modell einen erwarteten Preisbereich aus, bestehend aus Minimal- und Maximalpreis. Das Kategorienmodell berechnet für jede mögliche Teilekategorie eine Wahrscheinlichkeit. Als Vorhersage wird anschließend die Kategorie mit der höchsten Wahrscheinlichkeit ausgegeben.

Die Entwicklung erfolgte bewusst iterativ. Zu Beginn wurde ein einfaches Modell mit wenigen Eingangsmerkmalen aufgebaut, um die grundsätzliche Machbarkeit zu prüfen. Anschließend wurden die extrahierten Merkmale schrittweise erweitert, zusätzliche abgeleitete Features integriert und die Modellparameter angepasst. Nach jeder Entwicklungsstufe wurden die Ergebnisse bewertet und für die nächste Iteration genutzt.

Durch dieses Vorgehen konnte der webbasierte-Prototyp eng an den betrieblichen Anforderungen ausgerichtet werden. Gleichzeitig blieb das wissenschaftliche Vorgehen erhalten, da Datenaufbereitung, Merkmalsextraktion, Modelltraining und Evaluation methodisch nachvollziehbar durchgeführt wurden. Der Prototyp wird iterativ gemeinsam mit den Endnutzenden evaluiert und kontinuierlich verbessert.

Das Pilotprojekt verdeutlicht, dass KI-gestützte Preisvorhersagen vor allem als Orientierungshilfe für frühe Entscheidungen im Beschaffungsprozess zu verstehen sind. Externe Einflussfaktoren wie Werkstoffpreisschwankungen, Lieferantenauslastung, kurzfristige Marktveränderungen oder besondere Toleranzanforderungen lassen sich nur begrenzt datenbasiert abbilden. Einzelne Prognosen müssen daher kritisch interpretiert und im fachlichen Kontext bewertet werden.

Ein wesentliches Learning ist, dass KI-gestützte Prognosen nicht allein von der Modellarchitektur abhängen, sondern maßgeblich von der Qualität und Struktur der betrieblichen Daten. Gleichzeitig zeigte sich, dass ein nutzbarer Prototyp nur dann Mehrwert schafft, wenn er transparent macht, welche Merkmale in die Vorhersage einfließen, und Rückmeldungen aus der Praxis systematisch aufnehmen kann. Dies verbessert nicht nur die Modellgrundlage, sondern auch das Verständnis der eigenen Konstruktions- und Beschaffungslogik.

Im weiteren Projektverlauf steht nun die Evaluation mit Konstruktion und Einkauf im Vordergrund. Dabei werden Bedienbarkeit, Akzeptanz und fachlicher Nutzen untersucht. Die Ergebnisse sollen genutzt werden, um das Tool funktional zu erweitern und in reale Arbeitsabläufe zu integrieren.