Industries with batch size one manufacturing philosophies for highly customized products have been largely limited in manufacturing automation. The control cabinet industry is particularly affected by this problem during the mounting and wiring of components due to high variety, variance, and complexity of components as well as handling tasks. Rapid advances in the field of machine learning are opening new possibilities for automating previously manual processes. This paper proposes a concept for identifying geometric features of electrical components that starts from STEP files and transforms them into modular metrics relevant to build a digital twin and (automatic)manufacturing. The architecture is tested on a self-aggregated and processed dataset of control cabinet components and achieves an average dice score of 65.27% and an intersection over union of 51.41% across all segmentation classes. In addition to semantic part segmentation of the components, the cluster, volume and surface centroids, the normal vectors and the size of each feature are computed. The paper evaluates the suitability of cutting-edge techniques such as diffusion as well as established deep learning architectures. The result is a hybrid end-to-end inference pipeline suitable for general spatial assembly processes.

Die Kontakt- und Leitungsverarbeitung ist charakterisiert durch eine hohe Komponentenvielfalt, kurze Zykluszeiten und steigende Anforderungen hinsichtlich Qualität, Dokumentation und Rückverfolgbarkeit. Mit dem Ziel, diese Rahmenbedingungen zu erfüllen, wird in diesem Beitrag eine holistische und auf maschinellen Lernverfahren basierende Qualitätsüberwachung vorgestellt. Darüber hinaus liegt der Qualitätsüberwachung die intelligente Analyse von Crimpkraftkurven zugrunde. Die Auswertung von Bilddaten und Zeitreihen ermöglicht die Fehlererkennung und Anomaliedetektion an der Maschine, ohne dass es zu Einbußen in der Taktzeit kommt. Für die Visualisierung und Werkerakzeptanz der Qualitätsparameter und Prognosen der Modelle wird das Thema Erklärbarkeit in der vorgestellten Qualitätsüberwachung besonders betrachtet.