KI-gestützte Kostenprognose aus 2D‑Zeichnungen: Revolution im Fertigungswesen

Ein neues, integriertes Machine‑Learning‑Framework verändert die Art und Weise, wie Fertigungskosten aus 2D‑Ingenieurzeichnungen geschätzt werden. Anstatt auf aufwändige Prozessplanungen zurückzugreifen, nutzt das System rund 200 geometrische und statistische Merkmale, die direkt aus 13.684 DWG‑Zeichnungen von Aufhängungs‑ und Lenkwagenkomponenten extrahiert werden. Diese Daten stammen aus 24 Produktgruppen und decken ein breites Spektrum an Fahrzeugteilen ab.

Durch den Einsatz von Gradient‑Boosted Decision‑Tree‑Modellen – XGBoost, CatBoost und LightGBM – erreicht die Kostenvorhersage einen durchschnittlichen Fehler von knapp 10 % der absoluten prozentualen Abweichung. Das Ergebnis zeigt, dass die Methode über einzelne Teil‑Heuristiken hinaus skalierbar ist und konsistente Schätzungen für unterschiedliche Produktfamilien liefert.

Die Kombination mit Erklärungswerkzeugen wie SHAP ermöglicht es, die wichtigsten Gestaltungsfaktoren zu identifizieren: maximale Rotationsdimensionen, Kurvenstatistiken und Divergenzmetriken. Diese Erkenntnisse geben Designern konkrete Handlungsanweisungen, um Kosten schon in der frühen Entwurfsphase zu reduzieren. Das komplette CAD‑zu‑Kosten‑Pipeline verkürzt die Angebotsvorbereitung, sorgt für transparente und einheitliche Kostenbewertungen und eröffnet einen klaren Weg zur Echtzeit‑ERP‑Integration – ein echter Fortschritt für die Industrie 4.0.