Materialzeugnisse DIN EN 10204 automatisch prüfen mit KI

Pexon Consulting | 10 Min. Lesezeit | 09.06.2026

TL;DR

Materialzeugnisse DIN EN 10204 sind das Standard-Beweisdokument für Werkstoff-Konformität in der Stahl- und Metallbeschaffung — und ihr manueller Abgleich gegen ERP-Spec ist eine der größten ungelösten Backoffice-Aufgaben im Maschinenbau. Pexon Consulting baut eine KI-Pipeline, die alle vier Zeugnis-Typen (2.1, 2.2, 3.1, 3.2) automatisch parst, gegen die Bestell-Spezifikation prüft, Plausibilitäts-Regeln anwendet und unklare Fälle ins Sperrlager schickt. Bei einem Pilotkunden mit 10.000 Werkstoffzeugnissen pro Jahr läuft das seit zwölf Monaten produktiv.

Warum DIN EN 10204 die Spezial-Welt im Document-Intelligence-Markt ist

Wer Stahl, Aluminium, Sonderwerkstoffe oder geschmiedete Bauteile beschafft, kennt DIN EN 10204 — die Norm definiert seit Jahrzehnten, in welcher Form Werkstoff-Eigenschaften nachgewiesen werden müssen. Die vier Typen 2.1, 2.2, 3.1 und 3.2 unterscheiden sich in der Prüf-Tiefe und in der Frage, wer das Zeugnis ausgestellt hat — der Hersteller selbst oder ein unabhängiger Sachverständiger.

Praktisch im Wareneingang sieht das so aus: Jede Lieferung kommt mit einem PDF-Anhang (gelegentlich noch Papier). Auf dem Zeugnis steht die chemische Zusammensetzung (typisch C, Si, Mn, P, S, Cr, Ni, plus 5-15 weitere Elemente je nach Werkstoff), die mechanischen Eigenschaften (Zugfestigkeit Rm, Streckgrenze Re/Rp0,2, Bruchdehnung A, Härte HB oder HV), die Wärmebehandlung, die Chargennummer, die Schmelzanalyse-Nummer und die Unterschrift des Prüfers. Der Wareneingangs-Mitarbeiter muss prüfen, ob das Zeugnis zur Bestellung passt — Werkstoff stimmt, Menge stimmt, Charge ist nachvollziehbar, alle geforderten Werte sind im erlaubten Bereich.

Bei einem mittelständischen Stahlbau-Hersteller mit 10.000 Werkstoffzeugnissen pro Jahr sind das im Schnitt 35-45 Minuten Wareneingangs-Zeit pro Zeugnis. Das macht zwei vollständige Wareneingangs-Stellen, die nichts anderes machen. Schlimmer: Die Fehlerquote bei manueller Prüfung liegt bei 30-50% (Stichproben-Ergebnisse aus zwei Pilotkunden), und die unentdeckten Fehler sind das eigentliche Problem — falsche Charge, falscher Werkstoff, abweichende Streckgrenze, die im Fertigungs-Prozess Probleme machen.

Dieses Thema ist verwandt mit unserem Document-Intelligence-Pattern für Materialzeugnis-Validierung mit Document-AI, das den Defense-Manufacturing-Fokus behandelt — hier fokussieren wir auf den breiten Maschinenbau-Markt mit Standard-DIN-EN-10204.

Was die KI-Pipeline konkret tut

Die Architektur ist hybrid: Klassisches Document Intelligence (Azure AI Document Intelligence oder Mistral OCR) für die Layout-Extraktion, plus ein LLM-Schema-Extraktor (Claude oder GPT-4.1) für die strukturierte Datengewinnung, plus eine eigene Domain-Regel-Engine für die Plausibilitäts-Prüfung.

Schritt 1: Layout-Extraktion. Das PDF wird in strukturiertes JSON umgewandelt — Tabellen werden als Tabellen erkannt, Fließtext als Fließtext, eingravierte Texte und Stempel separat markiert. Bei guten Scans erreicht Azure Document Intelligence rund 96-98% OCR-Genauigkeit auf Werkstoffzeugnissen.

Schritt 2: Schema-Extraktion. Ein Pydantic-Schema definiert das DIN-EN-10204-Datenmodell — Werkstoffbezeichnung, Norm-Referenz, Typ (2.1/2.2/3.1/3.2), Charge, Schmelze als Dict mit Element-Werten, Zugfestigkeit, Streckgrenze, Bruchdehnung, Härte, Wärmebehandlung, Aussteller, Prüfer-Signatur-vorhanden. Das LLM bekommt das OCR-Output und das Schema und füllt strukturiert.

Schritt 3: Plausibilitäts-Prüfung. Hier liegt der eigentliche Engineering-Wert. Wir pflegen für die wichtigsten Werkstoff-Familien (S235, S355, S690QL, X5CrNi18-10, X6CrNiMoTi17-12-2, 42CrMo4 etc.) klare Plausibilitäts-Regeln — chemische Zusammensetzung im Norm-Bereich, mechanische Eigenschaften im erlaubten Streubereich, Wärmebehandlungs-Konsistenz mit Werkstoff. Bei rund 280 Plausibilitäts-Regeln decken wir 85% der typischen Werkstoff-Familien ab.

Schritt 4: ERP-Abgleich. Das Zeugnis wird gegen die zugehörige Bestellposition geprüft — Werkstoff stimmt, Charge ist eindeutig zuordenbar, Liefermenge passt, alle in der Bestellung geforderten Werte sind belegt.

Schritt 5: Sperrlager-Routing. Zeugnisse mit Gesamt-Confidence > 95% gehen automatisch ins ERP, Rest geht ins Sperrlager — eine UI für den Wareneingangs-Mitarbeiter, der die markierten Punkte gezielt prüft, statt das ganze Zeugnis von vorne zu lesen. Sperrlager-Quote liegt typisch bei 8-15% nach drei Monaten Reife.

Pilot-Ergebnisse aus einem Stahlbau-Mittelständler

Konkrete Hausnummern aus einem Pilotprojekt 2024/2025. Stahlbau-Hersteller, 1.100 Mitarbeiter, drei Werke, 10.000 Werkstoffzeugnisse pro Jahr, dominant Typ 3.1 (rund 78% des Volumens).

Der größte Effekt-Hebel war nicht die Personal-Einsparung allein, sondern die früh erkannten Werkstoff-Abweichungen. In den ersten zwölf Monaten produktiver Nutzung wurden 23 echte Werkstoff-Fehler gefangen, die manuell unentdeckt geblieben wären — Schadensumfang vermieden im sechsstelligen Bereich.

Häufig gestellte Fragen

Was unterscheidet Typ 3.1 von Typ 3.2 in der Pipeline-Logik?

Beide sind Abnahmeprüfzeugnisse mit spezifischer Prüfung — der Unterschied liegt im Aussteller. Typ 3.1 wird vom Hersteller-QS ausgestellt, Typ 3.2 von einem unabhängigen Sachverständigen oder einer benannten Stelle. Für die Pipeline-Logik bedeutet das: Bei Typ 3.2 prüfen wir zusätzlich die Anerkennung des Sachverständigen gegen unsere Liste benannter Stellen und markieren Zeugnisse von nicht-anerkannten Ausstellern automatisch als Review-Fall.

Funktioniert das auch mit alten Scan-Qualitäten oder Stempel-Layouts?

Bei guten Scans liegen wir bei 96-98% OCR-Genauigkeit, bei schlechten Scans (krumm gescannt, niedrige Auflösung, Stempel über Text) fällt das auf 78-88%. Wir kompensieren das mit zusätzlicher Plausibilitäts-Prüfung — wenn OCR unsicher ist, der Wert aber im Norm-Bereich liegt und mit anderen Zeugnisfeldern konsistent ist, akzeptieren wir mit Confidence-Marker. Hartnäckige Schlecht-Scans gehen automatisch ins Sperrlager.

Wie integriert sich das in unser ERP — SAP, Microsoft Dynamics, proAlpha?

Über die jeweiligen REST-APIs oder ODATA-Schnittstellen. Bei SAP nutzen wir typisch BAPIs für Bestell- und Wareneingangs-Daten plus eigene Custom-Funktionen für die Sperrlager-Aktionen. Setup-Aufwand für die ERP-Anbindung typisch 1-2 Wochen zusätzlich zum 10-Wochen-Kern. proAlpha und Microsoft Dynamics sind ebenfalls produktiv unterstützt.

Können wir die Plausibilitäts-Regeln selbst pflegen?

Ja. Die Regel-Engine ist als YAML-strukturierte Definition aufgesetzt — euer Werkstoff-Verantwortlicher kann neue Werkstoffe und Regeln selbst eintragen, ohne dass wir den Code anfassen müssen. Wir liefern die ersten 280 Standard-Regeln, ihr ergänzt branchenspezifische und werkseigene Sonderregeln.

Was passiert mit Zeugnissen von Werkstoffen, die wir noch nicht im Schema haben?

Bei unbekannten Werkstoff-Familien fällt der Plausibilitäts-Check auf Basic-Logik zurück (Format-Check, Vollständigkeit, ERP-Konsistenz). Das Zeugnis geht trotzdem in den auto-getaggten Pool, aber mit niedriger Confidence-Markierung. Wir bauen die Regel-Bibliothek typisch in den ersten drei Monaten produktiv aus — bis ihr eure Top-30-Werkstoff-Familien abgedeckt habt.

Nächster Schritt

Wenn dein Wareneingang heute viele tausend Werkstoffzeugnisse pro Jahr manuell prüft: Wir machen einen 45-Minuten-Call mit dir und idealerweise einem QS-Manager. Du beschreibst Werkstoff-Spektrum und ERP-Lage, wir skizzieren die Pipeline mit Festpreis-Sprint.

Verwandte Themen