Organisationsprofil
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.
Ausgangssituation
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.
Maßnahmen in der Praxis
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.