Die Ergebnisse des Projektes gliedern sich in drei Teilgebiete Zeiterfassungssystem, Datenanalyse und KI-Angebotskalkulationstool auf: Das Zeiterfassungssystem selbst wurde bewusst schlank und modular konzipiert – mit klarem Fokus auf Benutzerfreundlichkeit, nur geringfügiger Eingriff in den Fertigungsprozess des Mitarbeiters und Anpassungsfähigkeit – Die App fordert die Prozesskette (z.B. die Schritte des Walzprozesses) erst bei Bedarf vom Server an. Die Prozessketten liegen als editierbare JSON-Datei vor. Dadurch lassen sich neue Abläufe ohne Programmierkenntnisse ergänzen. Die Lösung ist damit nicht nur für den Walzprozess, sondern auch für andere Produktionsbereiche zukünftig nutzbar. Um zu verstehen, welche Blechparameter (Durchmesser, Breite, Dicke) den größten Einfluss hat, wurde eine Datenanalyse mit überraschender Erkenntnis durchgeführt: Nur die Blechdicke zeigte eine nennenswerte Korrelation mit den Prozesszeiten. Andere Faktoren wie Rohrdurchmesser oder Blechdicke spielten kaum eine Rolle. Dies führt zur Schlussfolgerung, dass komplexere Zusammenhänge (multivariate Abhängigkeiten), die sich nicht durch einfache Einzelanalysen erklären lassen ausschlaggebend sind, ein Indiz dafür, dass die Nutzung eines KI-Modells hier der richtige Ansatz ist. Basis der Erstellung des Modells war die geschaffene Datengrundlage an Aufträgen und verknüpften Prozesszeiten inkl. den Fertigungszeiten, Sonderoperationen und Blechparameter. Wesentliches Ziel war die Abweichung der KI-Schätzungen von den zu Testzwecken vorgehaltenen Daten zu minimieren. Während der Entwicklungs- und Testphase wurde dies mit dem Root Mean Squared Error (RMSE) gemessen – einem Standardverfahren, um die Genauigkeit des Modells zu bewerten. Folgende Messergebnisse waren zu beobachten: • Abweichung bei der Gesamtprozesszeit (inkl. Nebentätigkeiten wie Transport): RMSE = 4,54 Minuten (entspricht 15,2 % Abweichung von der realen Fertigungszeit). • Abweichung bei der reinen Walzzeit (ohne Nebentätigkeiten): RMSE = 3,81 Minuten (entspricht 16,5 % Abweichung von der realen Fertigungszeit). Um die Qualität des Modells zu überprüfen, wurden die KI-Vorhersagen mit Schätzungen erfahrener Mitarbeitender verglichen. Die Messergebnisse bei den Experten zeigten sich wie folgt: • Abweichung bei der Gesamtprozesszeit (inkl. Nebentätigkeiten wie Transport): durchschnittlich 24,27 Minuten (entspricht 72,6% Abweichung von der realen Fertigungszeit) • Abweichung bei der reinen Walzzeit (ohne Nebentätigkeiten): durchschnittlich 8,55 Minuten (entspricht 39,0% Abweichung von der realen Fertigungszeit) Dies zeigte zum einen, dass das KI-Modell bei der Schätzung der Gesamtzeit um den Faktor 5 näher an der Realität lag als die Experten von Herges, zum anderen in Bezug auf die reine Walzzeit immerhin noch doppelt so präzise war wie die manuellen Schätzungen. Eine Erklärung ist, dass die Experten vor allem die Nebentätigkeiten (z. B. Transportzeiten) aufgrund von subjektiven Erfahrungen überschätzen, während die KI objektive Muster erkannte. Das trainierte KI-Modell wurde in ein praktisches und alltagstaugliches Tool für Herges überführt. Funktionen umfassen den Forecast der Mitarbeiter- und Maschinenzeiten für Bleche jeglicher Abmessung – basierend auf dem aktuellen Modell. Auf Basis verschiedener Eingangsparameter wie Rohrdurchmesser, Blechbreite und -dicke können sich Mitarbeiter für die Angebotskalkulation die erforderlichen Fertigungszeiten bestimmen lassen und somit die Kosten ableiten. Durch die Fortführung der Datenerhebung neuer Fertigungsaufträge wird das Modell in regelmäßigen Abständen optimiert. Um die Zuverlässigkeit der Vorhersagen zu gewährleisten, kombiniert das Tool KI mit menschlicher Expertise, d.h. zu jeder Vorhersage werden die 10 ähnlichsten Bleche aus der Datenbank angezeigt – inklusive ihrer tatsächlich gemessenen Zeiten. Das unterstützt den Mitarbeiter bei der Plausibilitätsprüfung des KI-Ergebnisses. Als Maß für die Ähnlichkeit dient die euklidische Distanz zwischen den Blechmaßen. So können die Mitarbeitenden Abweichungen sofort erkennen und die KI-Schätzung bei Bedarf manuell anpassen. Zudem bietet das Tool die Möglichkeit, das Modell mit neuen Daten neu zu trainieren. Herges kann damit Fehler korrigieren und die Genauigkeit weiter steigern, neue Einflussfaktoren (z. B. Materialeigenschaften) einbeziehen sowie das System langfristig an veränderte Produktionsbedingungen anpassen.