Europe 
Türkiye 
United Kingdom 
Global 
Anmeldung mit meinem Xometry-Konto 
Nistha Mitra, CEO und Mitgründerin von Neuramill, erklärt, warum CNC-Programmierung nach wie vor ein Engpass ist, was es bedeutet, Erfahrungswissen in Software zu überführen, und wie ihr Team einen Co-Piloten für CNC-Fachkräfte entwickelt.
CNC-Programmierung als physikalisches Problem
Was ist heute das Problem bei der CNC-Programmierung?
Ich sehe CNC-Programmierung als ein physikalisches Problem, das sehr detailliertes Fachwissen in den Bereichen 3D-Modellierung, Materialwissenschaft sowie allen Aspekten der Zerspanung erfordert. Leider steckt dieses Wissen meist im Kopf einzelner Personen – und es ist sehr schwer, es an andere weiterzugeben. Ein junger CNC-Programmierer braucht etwa zehn Jahre, um diesen Prozess vollständig zu verstehen.
Gleichzeitig gibt es keine strukturierte Möglichkeit, dieses Erfahrungswissen zu erfassen und wiederholbar zu machen. Wenn ein erfahrener Zerspanungsexperte das Unternehmen verlässt, nimmt er dieses Wissen mit.
Kannst du das etwas genauer erklären?
Mit der Zeit lernt ein CNC-Fachmann, CAD- und STEP-Dateien sowie GD&T-Informationen aus der Konstruktion zu analysieren. Auf dieser Grundlage kann er beurteilen, ob ein Teil überhaupt sinnvoll bearbeitbar ist, und herausfinden, welche Kombination aus Material, Maschine und Werkzeugen erforderlich ist, um das Bauteil spezifikationsgerecht herzustellen.
Darin stecken enorm viele Feinheiten: Hunderte Werkzeugtypen, unterschiedliche Beschichtungen, verschiedene Schneidzahlen, Längen und Durchmesser. Welches Werkzeug passt zu welcher Operation? Je nachdem, ob die Toleranz hoch oder niedrig ist, verändert sich die Reihenfolge der Bearbeitung. In der Simulation sieht die Materialabtragung perfekt aus. In der Praxis kann sich das gesamte Bauteil verziehen, wenn zu schnell zu viel Material nahe am Schwerpunkt entfernt wird.
Ein junger CNC-Programmierer weiß das oft noch nicht. Ein erfahrener Fachmann hat solche Probleme bereits selbst erlebt und weiß deshalb, dass man eine große Kavität nicht einfach sofort ausräumen sollte.
Das Schlimmste daran ist: Niemand dokumentiert diese Fehler systematisch. Ich kann nicht aus deinen Fehlern lernen, und du kannst nicht aus meinen lernen. Wir machen dieselben Fehler immer wieder. Die Lösung ist eine Intelligenzschicht, die solche Entscheidungen erfassen, damit das angesammelte Wissen erhalten bleibt.
Warum können bestehende CAM-Systeme dieses Problem nicht lösen? Feature-Erkennung gibt es schließlich schon lange.
Erstens ist die Feature-Erkennung bei komplexen Bauteilen oft nicht besonders gut. Wir haben viel Zeit in den Aufbau unseres internen CAD-Klassifikators investiert und gerade einen Benchmark durchgeführt, in dem wir bei komplexen 5-Achs-Bauteilen besser abschneiden als die meisten Wettbewerber.
Zweitens macht CAM-Software genau das, was sie verspricht: CAM. Sie sagt im Grunde: „Triff alle Entscheidungen und gib sie dann ein.“ Sie begleitet den CNC-Fachmann, aber sie ist nicht dabei, diese Entscheidungen zu treffen. Eine CAD-Datei lässt sich in einem CAM-System nicht so analysieren wie in einer Pre-CAM-Software.
Im System gibt es keine physischen Plausibilitätsprüfungen. Wenn man zum Beispiel ein Werkzeug mit AlTiN-Beschichtung für ein Aluminiumbauteil verwendet, kann es zu Aufschweißungen kommen. CAM warnt davor nicht. Ein erfahrener CNC-Fachmann prüft so etwas im Kopf. Genau diese Prüfung integrieren wir in die Software.
Die Intelligenzschicht zwischen CAD und CAM
Was genau macht Neuramill?
Wir sind die Intelligenzschicht zwischen der technischen Absicht der Konstruktion und den fertigungsgerechten Entscheidungen. Wir sitzen genau zwischen dem Eingang des Designs und der Erstellung des NC-Codes.
Unsere Software interpretiert die Geometrie als physische Merkmale und als Fertigungsabsicht, ordnet passende Operationen, Werkzeuge und Aufspannungen zu und bewertet sie unter Randbedingungen wie Toleranzen, Materialverhalten und Werkzeugzugänglichkeit. Daraus entsteht ein strukturierter Fertigungsplan.
Neuramill analysiert ein komplexes Bauteil innerhalb weniger Minuten – ein Prozess, der sonst rund 20 Stunden dauern kann. Dabei basiert alles auf den Präferenzen des jeweiligen Unternehmens. Man kann eigene Richtlinien festlegen, die für jeden Auftrag wiederholt angewendet werden. Wenn der Nutzer bereit ist, unterstützen wir außerdem dabei, CAM zu automatisieren. Wir bieten ein CAM-Plug-in an, das sich aber auch als eigenständige Lösung nutzen lässt.
Die Idee ist, einen Co-Piloten für CNC-Fachkräfte zu entwickeln – nicht einfach nur CAM oder Pre-CAM. Unsere künftigen Produkte sollen die Lücke direkt von CAD bis zur Maschine schließen.
Was ist das konkrete Ergebnis?
Unser aktuelles Produkt erzeugt einen strukturierten Fertigungsplan: eine Bearbeitungsreihenfolge auf Basis der gewählten Spannstrategie, eine Werkzeugauswahl aus der vorhandenen Werkzeugbibliothek für jede Operation, die Bearbeitungszeit je Werkzeug sowie begründete Empfehlungen für Drehzahlen und Vorschübe.
Jede Entscheidung ist nachvollziehbar. Das System zeigt außerdem Konfidenzwerte auf Basis ähnlicher früherer Bauteile an. So können CNC-Fachkräfte erkennen, wie gut jede Empfehlung durch vorhandene Erfahrungswerte gestützt ist. All das lässt sich anschließend in das CAM-System integrieren.
Wir arbeiten zudem an einem Konfigurator, der Werkzeugwege halbautomatisch auf Basis des gewünschten Werkzeugwegverhaltens erstellt. Nutzer müssen dann nicht mehr wiederholt Flächen anklicken und Strategien manuell auswählen.
Gleichzeitig entsteht ein Dashboard für Erfahrungswissen. Angenommen, ein CNC-Fachmann passt bei einem Bauteil Drehzahl und Vorschub an, und das nächste Bauteil ist sehr ähnlich. Wenn er diese Änderung fünfmal hintereinander vorgenommen hat, schlägt das System beim sechsten Mal vor: „Bei den letzten fünf ähnlichen Bauteilen wurden Drehzahl und Vorschub gegenüber der Baseline reduziert – das sollte hier ebenfalls berücksichtigt werden.“ Genauso wird Erfahrungswissen dokumentiert und für zukünftige Aufträge nutzbar gemacht.
Was macht ein Bauteil zu einem ähnlichen Bauteil? Kleine Details können schließlich große Unterschiede machen.
Es gibt natürlich einige grundlegende Faktoren. Zwei Bauteile können geometrisch identisch sein – aber wenn eines aus einer Titanlegierung und das andere aus Aluminium besteht, ändern sich die Parameter vollständig.
Dann gibt es Merkmale wie offene Taschen mit innenliegenden Bohrungen, verschachtelte Bohrungen mit Senkungen oder besonders komplexe Geometrien.
Wir haben mit unseren Kunden gesprochen und herausgearbeitet, woran sie tatsächlich denken, wenn sie sagen: „Das ist ein ähnliches Bauteil.“ Sehr gute CNC-Programmierer sagen oft: „Ich weiß es einfach.“ Und ich antworte dann: „Bitte erklär mir, woran du es erkennst.“ Das hat Zeit gebraucht, aber wir konnten vieles von dem, was im Kopf eines CNC-Programmierers passiert, in Regeln und Modelle überführen.
Wie gelangen GD&T-Informationen ins System?
Wir nutzen ein Vision-Modell, das Kontrollrahmen und Anmerkungen aus technischen Zeichnungen extrahiert. Diese Informationen können anschließend mit den relevanten Features verknüpft werden.
In STEP-Dateien sind Gewinde manchmal nicht einmal als solche hinterlegt. Dort ist dann nur eine Bohrung vorhanden, obwohl die Zeichnung angibt, dass es sich um ein Gewinde handelt. In unserer Software verbindet der Nutzer diese Anmerkung einfach mit der entsprechenden Bohrung, und wir übernehmen diese Information für die nachgelagerten Schritte.
What role does the machinist still play?
Welche Rolle spielt der CNC-Fachmann weiterhin?
Ich glaube, es gibt viele Missverständnisse darüber, was KI in dieser Branche leisten wird. CNC-Programmierung ist extrem komplex und voller Nuancen. Keine KI kann das vollständig ersetzen.
Unsere CNC-Fachkräfte prüfen und genehmigen jeden Plan, den wir erstellen. Jede Ausgabe ist transparent und editierbar – keine Black Box.
Gleichzeitig besteht ein Mangel an qualifizierten CNC-Fachkräften. Unsere Software gibt Ihnen einen Co-Piloten, mit dem Sie Ihren Output verzehnfachen können. Ich sehe unsere Software wie einen Iron-Man-Anzug: Sie ermöglicht denselben Experten, mit der richtigen Ausstattung deutlich mehr zu leisten.
Fokus auf Luft- und Raumfahrt
Wer nutzt Neuramill heute?
Wir sind zunächst mit kleineren Fertigungsbetrieben gestartet, die etwa zehn bis zwanzig Millionen Dollar Umsatz erzielen. Außerdem onboarden wir derzeit ein mittelgroßes Unternehmen aus der Raumfahrtbranche.
Welche Kundentypen erzielen den größten Mehrwert?
Aktuell profitieren vor allem Unternehmen mit hoher Variantenvielfalt, da dort viele individuelle Aufspannungen erforderlich sind. Die Stückzahlen sind dabei zweitrangig.
Deshalb konzentrieren wir uns derzeit besonders auf Luft- und Raumfahrt. Dort gibt es komplexe 3+2- und 5-Achs-Bauteile, die wiederholt neu programmiert werden müssen.
Was überzeugt Kunden, sich Neuramill genauer anzusehen?
Kleinere Fertigungsbetriebe suchen vor allem nach der Werkzeugwegautomatisierung. Sie stehen stark unter Zeitdruck und wünschen sich einen digitalen Zwilling, der Werkzeugwege so erstellt, wie sie es selbst tun würden.
Größere Unternehmen interessieren sich ebenfalls dafür, aber für sie ist auch die Standardisierung sehr wichtig, die wir bieten.
Viele haben 2020 deutlich gespürt, wie schmerzhaft es ist, wenn große Teile der Belegschaft in den Ruhestand gehen. Ihnen geht es darum, Erfahrungswissen zu sichern und verbindliche Richtlinien für die gesamte Fertigung festzulegen, damit nicht zwanzig verschiedene Personen zwanzig verschiedene Strategien verwenden – und später niemand mehr nachvollziehen kann, was schiefgelaufen ist.
Gab es etwas, das Kunden am Ende wertvoller fanden, als sie zunächst erwartet hatten?
Viele kommen zu uns und denken, wir würden im Grunde das tun, was CloudNC macht. Dann sehen sie den Ablauf unserer Software – und dieser spiegelt wider, wie ein CNC-Fachmann tatsächlich darüber nachdenkt, ein Bauteil herzustellen: analysieren, GD&T zuordnen, Material verstehen, Maschine auswählen, Spannstrategie festlegen und anschließend die Operationen definieren.
Wenn Kunden diesen Prozess als standardisierten Ablauf sehen, merken sie, dass ihre zehn jungen Programmierer die Logik nachvollziehen können, ohne jedes Mal den erfahrensten Kollegen fragen zu müssen.
Sie kommen wegen des Werkzeugwegs. Sie bleiben für den gesamten Prozess von Pre-CAM bis zum Toolpath.
Mit welchen CAM-Systemen integriert ihr euch?
Aktuell unterstützen wir Fusion, Mastercam und NX, wobei NX derzeit produktiv umgesetzt wird. Außerdem arbeiten wir an etwas, das uns möglicherweise unabhängig davon macht, welche CAM-Software ein Kunde nutzt.
Bereitstellung innerhalb weniger Tage
Wie ist eure Preisstruktur aufgebaut?
Wir arbeiten mit einem Preismodell pro Maschine und richten die Preise an den geschäftlichen Anforderungen aus. Die endgültigen Kosten können daher variieren. Als Orientierung liegen monatliche Abonnements bei etwa 200 bis 1.000 US-Dollar pro Seat.
Wie lange dauert die Einführung?
Ich würde je nach Datenlage mit ein bis zwei Tagen Onboarding und bis zu zwei Wochen rechnen. Es hängt stark davon ab, wie unstrukturiert die Daten sind. Und wir übernehmen diesen Prozess nahezu vollständig für die Kunden.
Wir arbeiten mit einem Forward-Deployment-Engineering-Ansatz. Wir haben gesehen, dass viele Fertigungsbetriebe Schwierigkeiten haben, ihre Daten ins System zu importieren, und dafür Wochen benötigen. Deshalb gehen wir direkt in den Betrieb und analysieren, wie die Daten gespeichert werden.
Manche Betriebe haben gar keine strukturierten Daten. Größere Unternehmen verfügen vielleicht über eine Werkzeugausgabe oder einen eigenen Werkzeugdatensatz. Kleinere Betriebe haben manchmal nur eine Sammlung von Rechnungen.
Wir onboarden die Werkzeuge dann für den Kunden. Dafür nutzen wir interne Tools, mit denen wir Daten auslesen, standardisieren, normalisieren und innerhalb weniger Tage dem jeweiligen Profil hinzufügen können.
Wo liegen die Daten?
Derzeit sind wir cloudbasiert. Gleichzeitig sprechen wir mit mehreren Organisationen aus dem Verteidigungsbereich und unterstützen auch On-Premise-Bereitstellungen.
Innerhalb von On-Premise gibt es verschiedene Varianten. Einige Unternehmen betreiben interne AWS-Systeme, andere betreiben eigene physische Server. Wir paketieren unsere Lösung so, dass sie in beiden Umgebungen funktioniert.
Das Wachstum der Intelligenzschicht
Der Markt wirkt bereits ziemlich wettbewerbsintensiv.
Ehrlich gesagt hoffe ich, dass noch mehr Wettbewerb dazukommt – besonders von jüngeren Gründerinnen und Gründern. Wenn man noch nicht zu lange in einer Branche ist, hat man weniger feste Vorstellungen davon, wie Dinge gemacht werden müssen. Genau daraus entstehen oft die unkonventionellsten Lösungen.
Es gibt einen massiven Fachkräftemangel in der Zerspanung, und Reshoring gewinnt an Dynamik. Wie stark treibt das die Nachfrage nach dem, was ihr entwickelt?
Auf Makroebene sehen wir es überall: Alle sprechen darüber, Investoren kennen das Thema, und große Fertigungsunternehmen sammeln enorme Summen ein, um Reshoring zu unterstützen.
Auf Mikroebene sehen wir es am Stress der CNC-Programmierer. Sie müssen Bauteile liefern, damit der Betrieb funktioniert – haben aber trotzdem nur 24 Stunden am Tag.
Wir haben junge Programmierer erlebt, die stark unter Druck stehen. Sie wollen helfen, aber sie haben Angst, ein Teil zu beschädigen, weil dadurch schnell Hunderte Dollar verloren gehen können. Genau aus diesem Grund haben wir Neuramill gegründet.
Wird KI die CNC-Programmierung irgendwann vollständig automatisieren?
Wenn jemand sagt, KI werde alles von Anfang bis Ende übernehmen, und diese Person tatsächlich weiß, was KI ist, dann ist das aus meiner Sicht reines Marketing. Ich kann mir nicht vorstellen, dass ein ernsthafter KI-Wissenschaftler so etwas behauptet.
CNC-Programmierung ist extrem komplex und voller Nuancen. Keine KI kann das vollständig ersetzen. Wir werden immer Experten brauchen. Wir wollen sie einfach zehnmal produktiver machen.
Wie sieht die Zukunft von Neuramill aus?
Bis Ende 2027 werden wir uns auf CAM konzentrieren. Aber wir arbeiten nicht streng sequenziell. Ich habe bereits Machine-Learning-Praktikanten eingestellt und Forschung und Entwicklung in den Bereichen Reinforcement Learning und Simulation eingeleitet.
Dazu gehören auch Themen wie die Sensorik an Maschinen, das Erfassen von Vibrationen sowie das Verständnis dafür, wie sich die Wärme im Inneren der Maschine verändert – je nach Werkzeugen und Werkzeugwegen. Wir forschen jetzt daran, damit wir ab etwa 2028 über eine praktische Umsetzung nachdenken können.
Gibt es interessante KI-Unternehmen in der Fertigung, die du hervorheben würdest?
Ich mag Uptool sehr. Das Team hat einen breiten, horizontalen Pain Point erkannt und macht einen hervorragenden Job, um daraus eine sehr gute Nutzererfahrung zu schaffen.
Related Topics
Javier López Picazo
2
0
Comment(0)