Wie lassen sich Fertigungszeiten bereits vor Produktionsstart verlässlich abschätzen – trotz komplexer Aufträge und unterschiedlicher Bearbeitungsschritte? Dieser Fragestellung widmete sich ein Pumpenhersteller gemeinsam mit dem Mittelstand-Digital Zentrum Augsburg. Im Rahmen eines KI-Anwendungsprojekts wurde ein Ansatz entwickelt, der Zeitprognosen ermöglicht und damit die Planung im Unternehmen verbessert.
Komplexe Fertigung mit gewachsener Struktur
Die Dickow Pumpen GmbH & Co. KG aus Waldkraiburg mit rund 210 Mitarbeitenden ist ein Unternehmen mit langer Tradition und hat sich über die Jahrzehnte hinweg auf die Herstellung von industriellen Pumpen spezialisiert. Die Lösungen werden beispielsweise für anspruchsvolle Anwendungen wie die Betankung von Flugzeugen entwickelt und gefertigt. Neben der Produktion ist die Wartung ein zentrales Standbein des Unternehmens.
Die Fertigung zeichnet sich durch eine hohe Variantenvielfalt aus: Bauteile werden auf verschiedenen Anlagen gedreht, gefräst und montiert – oft in individuellen Konfigurationen. Diese Vielfalt erschwert eine genaue Planung der Bearbeitungs- und Rüstzeiten, die jedoch eine zentrale Grundlage für Kapazitätsplanung und Angebotskalkulationen bilden.
Eine zusätzliche Herausforderung: Viele relevante Informationen liegen in unstrukturierter Form vor und gleichzeitig sind vorhandene Daten ungleich verteilt – Standardprozesse stehen wenigen zeitintensiven Aufträgen gegenüber.
Fundierte Prognosen vor Produktionsstart als Ziel
Da sich bei Dickow schon seit einiger Zeit der Wunsch entwickelt hat, Künstliche Intelligenz zur Verbesserung von Prozessen einzusetzen, kam das Unternehmen mit den beiden Geschäftsführern Alexander Hammer und Dr.-Ing. Wolfgang Schmitz sowie dem Abteilungsleiter der IT Reinhard Schossig auf das Mittelstand-Digital Zentrum Augsburg zu. Gemeinsam mit KI-Trainer Sebastian Maier vom Fraunhofer IGCV wurde bald ein passender Use Cases identifiziert: eine KI-basierte Fertigungszeitprognose.
Ziel des Projekts war es, aus bestehenden Produktionsdaten zu lernen und dadurch zukünftige Fertigungsaufträge möglichst genau vorherzusagen. Die Datenbasis wurde durch das kürzlich eingeführte BDE-System geliefert.
BDE-System
BDE (Betriebsdatenerfassung) bezeichnet die systematische Erfassung von Daten direkt aus der Produktion. Dazu zählen beispielsweise Bearbeitungszeiten, Rüstzeiten, Maschinenlaufzeiten oder Störungen. Die Daten werden in der Regel während oder nach der Durchführung eines Arbeitsschritts erfasst und in einem System gespeichert. Unternehmen nutzen BDE-Daten, um ihre Produktionsprozesse zu analysieren, zu planen und kontinuierlich zu verbessern. Insbesondere für Anwendungen im Bereich Künstliche Intelligenz stellen BDE-Daten eine wichtige Grundlage dar, da sie Einblicke in tatsächliche Abläufe und Zeitaufwände liefern.
Bestehende Daten intelligent nutzbar machen
Zusammen mit dem KI-Experten des Augsburger Zentrums wurde ein Ansatz entwickelt, der strukturierte und unstrukturierte Daten für die Prognose zusammenführt. Ein Teil der relevanten Informationen lag in Freitexten vor, etwa in Tätigkeitsbeschreibungen oder Artikeltexten. Diese Inhalte wurden mit Methoden des Natural Language Processing (NLP) ausgewertet. Dabei wurde analysiert, welche Begriffe besonders häufig vorkommen und welche Muster sich in den Texten zeigen. Zusätzlich wurden technische Angaben wie Größen oder Druckwerte automatisiert aus den Daten ausgelesen und als weitere Merkmale in das Modell übernommen. Durch die Verbindung von Textinformationen und klassischen Produktionsdaten entstand eine deutlich breitere Datengrundlage.
Natural Language Processing (NLP)
Natural Language Processing (NLP) ist ein Teilgebiet der Künstlichen Intelligenz, das sich mit der Verarbeitung und Analyse von natürlicher Sprache beschäftigt – also von Texten, wie sie Menschen schreiben oder sprechen. Im industriellen Kontext wird NLP eingesetzt, um Informationen aus unstrukturierten Texten nutzbar zu machen, beispielsweise aus Arbeitsbeschreibungen oder Kommentarfeldern in IT-Systemen. So können auch Inhalte, die nicht in festen Datenfeldern vorliegen, automatisiert ausgewertet und in Analysen oder Prognosen einbezogen werden. Das ermöglicht es Unternehmen, vorhandene Daten umfassender zu nutzen.
Für die anschließende Prognose wurde ein Regressionsmodell eingesetzt. Es lernt aus früheren Aufträgen, welche Merkmale mit bestimmten Bearbeitungszeiten zusammenhängen. Um auch seltene, besonders aufwendige Fertigungsaufträge realistisch abzubilden, wurden die Daten vor dem Training gezielt aufbereitet. So konnte das Modell sowohl typische als auch besonders aufwendige Fertigungsaufträge realistischer abbilden. Zusätzlich wurden im Training die seltenen, aber zeitintensiven Aufträge stärker gewichtet. Dadurch sinkt das Risiko, genau diese komplexeren Fälle zu unterschätzen.
Das trainierte Modell bildet die Grundlage für die Anwendung im Unternehmen. Über eine Benutzeroberfläche können Prognosen für neue Aufträge berechnet und direkt in die Planung übernommen werden.
Regression
Regression ist ein Verfahren aus der Datenanalyse und Künstlichen Intelligenz, das dazu dient, numerische Werte vorherzusagen – also zum Beispiel Zeiten, Kosten oder Mengen. Dabei lernt ein Modell aus bestehenden Daten, welche Zusammenhänge zwischen verschiedenen Einflussfaktoren bestehen. Auf dieser Grundlage kann es für neue Fälle eine möglichst realistische Schätzung abgeben. In der Praxis bedeutet das: Wenn beispielsweise bekannt ist, wie lange frühere Fertigungsaufträge unter bestimmten Bedingungen gedauert haben, kann ein Regressionsmodell daraus ableiten, wie lange ein neuer Auftrag voraussichtlich dauern wird. Regression wird häufig eingesetzt, wenn Unternehmen Planungswerte benötigen, etwa für Produktionszeiten, Lieferzeiten oder Ressourcenbedarf.
„Die Datengrundlage bei der Firma Dickow Pumpen war eine sehr gute Basis für diese KI-Modelle, allerdings wird diese Anwendung in Zukunft durch immer neu entstehende Daten immer besser, immer weiter trainiert, und dadurch wird der Use Case viel sinnvoller angewendet.“
Sebastian Maier, KI-Trainer im Mittelstand-Digital Zentrum Augsburg
Mehr Transparenz und bessere Planbarkeit
Die im Projekt entstandene Lösung ermöglicht automatisierte Prognosen und schafft damit eine fundierte Grundlage für Planung und Kalkulation – auch differenziert nach Maschinen oder Bearbeitungsschritten. Die vorhergesagten Zeiten können als Soll-Werte mit den tatsächlichen Werten verglichen werden, sodass Abweichungen schneller sichtbar werden und sich so gezielt analysieren lassen.
„Ich sehe es als Starthilfe von Herrn Maier [vom Mittelstand-Digital Zentrum Augsburg] für uns, um selbst eine Dickow-KI bei uns im Haus betreiben zu können.“
Reinhard Schossig, Abteilungsleiter IT, Dickow Pumpen
Gerade für KMU zeigt das Projekt, dass sich bereits vorhandene, zunächst unstrukturierte Daten mit überschaubarem Aufwand sinnvoll nutzen lassen. So entsteht ein konkreter Mehrwert im operativen Geschäft, ohne bestehende Prozesse grundlegend neu aufsetzen zu müssen. Bei Dickow sind bereits Schritte in Planung, um die entwickelte Lösung für weitere Anwendungen einzusetzen.
Video zum Projekt