Automatisierte Formerkennung mittels Machine Learning – Kostenoptimierung in einem Produktionsbetrieb in Toronto

In einer Fabrik in Toronto wurden täglich hunderte Metallteile ausgeschnitten – von einfachen Formen bis hin zu komplexen Konturen. Die Produktion erfolgte auf zwei Maschinen: einer modernen, vollautomatisierten, jedoch teuren Anlage und einer älteren, nach wie vor funktionsfähigen Maschine, die jedoch manuell eingestellt werden musste.

Aus wirtschaftlicher Sicht war der Einsatz der älteren Maschine deutlich günstiger – die Produktionskosten pro Teil waren nur halb so hoch. Das Problem? Jede Formänderung erforderte eine manuelle Neukonfiguration. Die Bediener verbrachten Stunden damit, auf Basis von DXF-Dateien die richtigen Schnittparameter einzustellen. Jeder Fehler führte zu Material- und Zeitverlusten.

Um die Produktionskosten nachhaltig zu senken, benötigte das Unternehmen eine Lösung, die diesen Prozess automatisiert – damit die günstigere Maschine mit der gleichen Präzision und Geschwindigkeit arbeiten kann wie das moderne Pendant.

Wir entwickelten ein Machine-Learning-basiertes System, das DXF-Dateien analysiert und automatisch erkennt, welche Form ausgeschnitten werden soll.

Das System:

• erkennt die Form,
• überprüft die geometrische Korrektheit,
• generiert die passenden Schnittparameter.

Das bedeutet: Der Bediener muss keine Zeichnungen mehr manuell analysieren oder Daten eingeben. Er wählt einfach die Datei aus – den Rest übernimmt der Algorithmus.

Zunächst haben wir ein MVP erstellt, das mit 500 Beispiel-Dateien arbeitet. In Zukunft soll das System bis zu 35.000 verschiedene Varianten unterstützen. Und das Wichtigste? Das System läuft auf der älteren Maschine – jener, bei der die Kosten pro Teil bei nur 0,5 Cent liegen – im Vergleich zu 1 Cent auf dem modernen Gerät.

Dank der Automatisierung konnte ein großer Teil der Produktion auf die kostengünstigere Maschine verlagert werden – ohne Fehlerrisiken und ohne die ständige Anwesenheit erfahrener Bediener.

• Die Produktion wurde beschleunigt.
• Das Fehlerrisiko wurde deutlich reduziert.
• Die Bediener mussten keine Zeit mehr mit Einstellungen verbringen und konnten sich auf ihre eigentliche Arbeit konzentrieren.
• Die Produktionskosten wurden gesenkt.

Daten- und Prozessanalyse
Wir haben den gesamten Ablauf kartiert – vom DXF-Dateiimport bis zur Maschineneinstellung. Dabei identifizierten wir gezielt die Bereiche, in denen Verluste entstehen, und analysierten, wie diese Prozesse automatisiert werden können.

Startmodell mit großem Potenzial
Zu Beginn erkannte das Modell 500 verschiedene Formen. Das reichte aus, um die Funktionsfähigkeit zu demonstrieren. In den nächsten Phasen soll das System die gesamte Datenbank – bis zu 35.000 einzigartige Dateien – abdecken.

Integration ohne Hardware-Austausch
Wir passten das System an die bestehende, ältere Maschine an – ohne dass neue Maschinen angeschafft werden mussten.

Tests unter Produktionsbedingungen
Das System wurde direkt in der Produktionslinie getestet – mit echten Dateien und im realen Arbeitsrhythmus des Betriebs.

Dokumentation und Weiterentwicklung
Der Kunde erhielt eine vollständige Dokumentation sowie die Möglichkeit, das Modell eigenständig weiter zu skalieren.