Wann lohnt sich Fabriksimulation? Fünf typische Anwendungsfälle

Transparenzhinweis: M365.FM-Host Mirko Peters arbeitet bei der iFAKT GmbH. Diese Seite beschreibt das Unternehmen sachlich; bezahlte Partnerschaften und Links sind als Anzeige gekennzeichnet.

Von Mirko Peters · 2026-11-11

Wann Fabriksimulation sinnvoll ist: bei komplexen, kostspieligen oder schwer umkehrbaren Entscheidungen. Fünf typische Anwendungsfälle, ein Rechenbeispiel zum ROI und Situationen, in denen sie sich nicht lohnt.

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Wann Fabriksimulation sinnvoll ist, hängt von Risiko und Komplexität ab. Setzen Sie sie ein, wenn eine Entscheidung über ein Produktionssystem komplex, kostspielig oder schwer umkehrbar ist und wenn Zufallsereignisse und Wechselwirkungen zwischen Stationen eine einfache Berechnung unzuverlässig machen. Dieser Leitfaden richtet sich an Verantwortliche für Operational Excellence, die entscheiden müssen, ob sich eine Studie lohnt. Er beschreibt drei Tests, fünf typische Anwendungsfälle, ein Rechenbeispiel mit Zahlen zum Ertrag einer Studie und die Situationen, in denen sich Fabriksimulation nicht lohnt.

Das Wichtigste in Kürze

• Fabriksimulation lohnt sich, wenn eine Entscheidung komplex, kostspielig oder schwer umkehrbar ist und wenn Zufallsereignisse und Wechselwirkungen eine einfache Berechnung unzuverlässig machen.
• Fünf typische Anwendungsfälle: neue Linien und Layouts, Kapazität vor einer Investition, Engpässe und Puffer, Personal und Schichten sowie Automatisierungsentscheidungen.
• Eine Studie lohnt sich, wenn der Wert einer besseren Entscheidung multipliziert mit der Wahrscheinlichkeit, dass die Studie die Entscheidung ändert, größer ist als die Kosten der Studie.
• Eine Simulation lohnt sich nicht, wenn die Frage einfach ist, das Ergebnis nicht genutzt wird, die Daten fehlen oder der Umfang immer weiter wächst.
• Ein Modell braucht einen Fürsprecher, der sich mit Modellierung auskennt, einen klar begrenzten Umfang und eine Dokumentation. Sonst verliert es an Glaubwürdigkeit.

Wann Fabriksimulation sinnvoll ist: drei Tests

Fabriksimulation ist ein kontrolliertes Modell dafür, wie Arbeit durch einen Teil einer Fabrik fließt. Grundlage sind die aktuellen Betriebsregeln, Ressourcen, Aufträge und die normalen Schwankungen. So lässt sich eine geplante Änderung, etwa eine zusätzliche Schicht, eine neue Maschine oder ein kleinerer Puffer, testen, bevor sie umgesetzt wird. Der Autodesk-Blog ist eine Herstellerquelle vom Anbieter der Software FlexSim und besagt, dass Simulation den größten Nutzen bringt, wenn Entscheidungen komplex, kostspielig oder schwer umkehrbar sind. Ähnlich äußert sich TWI, eine Forschungs- und Technologieorganisation. Auf der FAQ-Seite heißt es, bei Problemen mit dynamischen Effekten, nicht standardisierten Verteilungen und Zufallsereignissen liefere Simulation oft die wertvollste Lösung.

Aus diesen Quellen leiten wir drei Tests ab. Sie sind unsere eigene Planungshilfe und kein Standard.

1. Tragweite. Ist die Entscheidung teuer oder schwer rückgängig zu machen? Eine Maschine, ein Gebäude oder ein neues Schichtmodell fällt darunter. Eine Änderung an einem Schild oder einem Etikett nicht.
2. Wechselwirkung. Beeinflussen sich Stationen, Puffer, Personal und Aufträge gegenseitig, sodass eine Änderung das Problem an eine andere Stelle verschiebt? Das ist typisch für eine Linie mit Stopps und Warteschlangen.
3. Schwankung. Variieren Stillstände, Auftragsmixe und Ankunftszeiten? Durchschnittswerte verbergen die Wartezeiten, die durch Schwankungen entstehen.

Wenn alle drei Antworten Ja lauten, ist eine Simulation ein guter Kandidat. Lautet nur eine Antwort Ja, prüfen Sie zuerst mit einer Berechnung.

Wie Fertigungssimulation funktioniert: ereignisdiskrete Simulation

Die meisten Fabrikmodelle nutzen die diskrete Ereignissimulation. Das Simulationsmodell ändert seinen Zustand zu bestimmten Zeitpunkten: Ein Teil trifft ein, eine Maschine startet, ein Stillstand endet. Es verfolgt die daraus entstehenden Warteschlangen und Wartezeiten und meldet Ausbringung, Auslastung und Durchlaufzeit. Bevor Sie dem Modell vertrauen, validieren Sie es gegen die reale Linie. Da die Ereignisse zufällig sind, führen Sie viele Replikationen durch und betrachten die Spanne der Ergebnisse. Eine Änderung testen Sie im Modell und vergleichen sie mit der Ausgangsbasis unter denselben Bedingungen. Das WSC-2000-Papier von J. Michael Knoll und Joseph Heim von Genie Industries, zur Einführung der diskreten Ereignissimulation, liefert einen weiteren hilfreichen Gedanken: Der Vergleich aller Optionen unter denselben Bedingungen verringert die Abhängigkeit von einzelnen Meinungen.

In der Praxis ist Fertigungssimulation eine Möglichkeit, Simulation auf dem Shopfloor einzusetzen, ohne die Produktion zu stören. Sie können Engpässe an einer Montagelinie erkennen, eine Änderung der Produktionsplanung testen und das Systemverhalten unter Spitzenlast sehen, und das alles in einer virtuellen Umgebung. Ein Smart-Factory-Programm beginnt oft mit denselben Fragen.

Anwendungsfall 1: Planung einer neuen Linie oder eines neuen Layouts

Der klassischste Anwendungsfall ist die Planung einer neuen Linie oder Anlage. Laut dem Papier von Knoll und Heim erlaubt die Simulation, beliebig viele Layoutänderungen zu modellieren, bevor auch nur ein einziges Betriebsmittel bewegt wird. Der Autodesk-Artikel nennt unter seinen Anwendungsfällen an erster Stelle das Testen neuer Linien oder Anlagen und die Planung von Layoutänderungen.

Die Frage ist konkret: Liefert das vorgeschlagene Layout die geplante Ausbringung, und wo warten Teile? Ein Modell des Entwurfs beantwortet sie, bevor Stahl gekauft wird, und dasselbe Modell kann später Echtzeitdaten der laufenden Linie nutzen. Außerdem lassen sich zwei Layouts unter demselben Bedarf vergleichen. Das lohnt sich besonders, wenn der Entwurf neu ist, denn dann gibt es keine reale Linie zum Messen, und ein falsches Layout kostet viel.

Anwendungsfall 2: Kapazität, Durchsatz und Optimierung vor einer Investition

Das zweite Beispiel ist die Prüfung der Kapazität. Ein Werk möchte wissen, ob eine zusätzliche Schicht, eine zweite Maschine oder ein schnellerer Rüstvorgang die Ausbringung auf das Ziel anheben. Der Autodesk-Artikel nennt unter seinen Anwendungen die Kapazitätsplanung und die Analyse der Ausbringungsraten.

Ein Modell mit den realen Stillständen, Rüstvorgängen und dem Auftragsmix zeigt die Ausbringung, die Sie tatsächlich erwarten können, nicht den Nennwert. Es zeigt auch, ob die zusätzliche Kapazität genutzt wird oder ob die Linie an anderer Stelle stehen bleibt. Hier ist der Einsatz klar. Eine Maschine ist eine große Investition, und eine Simulation kann zeigen, dass sie die Ausbringung nicht steigert, wenn eine andere Station die Linie begrenzt.

Anwendungsfall 3: Engpässe, Puffer und Work in Process

Das dritte Beispiel ist die Suche nach dem Engpass und die Dimensionierung von Puffern. Der Autodesk-Artikel nennt das Finden von Engpässen und die Reduzierung von Work in Process. Auf einer Produktionslinie mit zufälligen Stillständen kann der Engpass wandern. Ein zu kleiner Puffer lässt die nachfolgende Station ohne Material dastehen, ein zu großer Puffer verlängert dagegen die Wartezeit.

Ein Modell kann Puffergrößen und -positionen mit realen Stilldaten, Taktzeiten und der Auslastung jeder Station simulieren und die Wirkung auf Ausbringung und Durchlaufzeit zeigen. Das Ergebnis ist eine nach Wirkung sortierte Rangliste der Änderungen, sodass das Team mit der Maßnahme beginnt, die die Ausbringung am stärksten bewegt. Das funktioniert gut bei Linien, bei denen eine Tabellenkalkulation nur Durchschnittswerte zeigen kann.

Anwendungsfall 4: Personaleinsatz und Schichtpläne

Das vierte Beispiel betrifft die Menschen. Der Autodesk-Artikel nennt die Optimierung von Personaleinsatz und Schichtplänen. Die Frage lautet, wie viele Bediener eine Linie zu welcher Zeit benötigt und was mit der Ausbringung geschieht, wenn einer fehlt, damit Sie den Plan optimieren können.

Ein Modell, das die Ressourcenzuordnung von Bedienern, Pausen und Abwesenheiten einschließt, kann Schichtpläne vergleichen. Es zeigt, wo das Warten auf eine Person die Ausbringung begrenzt. Das ist oft günstiger als die anderen Ansätze, weil das Modell einfach ist und die Entscheidung in jeder Saison wiederholt wird. Außerdem betrifft es Menschen direkt, daher sollten Sie sie in das Modell einbeziehen.

Anwendungsfall 5: Automatisierung und andere schwer rückgängig zu machende Investitionen

Das fünfte Beispiel ist die Investition in Automatisierung, etwa ein Förderband, eine Roboterzelle oder eine Flotte fahrerloser Transportfahrzeuge. Der Autodesk-Artikel führt Automatisierung unter den Änderungen auf, die zu planen sind. Solche Entscheidungen lassen sich nur mit hohen Kosten rückgängig machen, und sie bringen Wechselwirkungen mit sich, etwa Warteschlangen an Stationen und Staus auf den Transportwegen.

Ein Modell kann die Anzahl der Fahrzeuge oder die Geschwindigkeit eines Förderbands unter Spitzenlast und bei Störungen simulieren und zeigen, wie sich das auf den Produktionsprozess und die Lieferungen in der Lieferkette auswirkt. Ein digitaler Zwilling, also eine gepflegte digitale Abbildung einer physischen Ressource, die anhand von Beobachtungen aktuell gehalten wird, kann nach dem Anlauf der Anlage die aktuellen Daten für ein solches Modell liefern. Vor der Anschaffung reicht meist ein Modell aus, das auf Planungsdaten aufbaut.

Diese Liste mit fünf Punkten ist eine eigene Gruppierung, die auf den oben genannten Quellen und gängiger Praxis beruht. Sie ist keine Rangfolge. Eine Studie kann mehrere Anwendungsfälle gleichzeitig abdecken.

Beispiel: Lohnt sich eine Studie?

Dies ist eine beispielhafte Berechnung mit angenommenen Zahlen, kein gemessenes Beispiel. Ein Werk erwägt eine zweite Maschine für 180.000, um die Ausbringung einer Linie zu erhöhen. Eine Simulationsstudie würde 24.000 kosten, zum Beispiel 20 Ingenieurtage zu je 900 plus 6.000 für Lizenzen.

Die Studie kann zu einer anderen Entscheidung führen, etwa weil das Modell zeigt, dass eine andere Station die Linie begrenzt, und eine Änderung von Puffer und Schichtplan mit geringeren Kosten dieselbe Ausbringung ergibt. Angenommen, das Werk geht davon aus, dass die Studie die Entscheidung in 1 von 4 Fällen ändert, also in 25 %. Diese Zahl ist eine Schätzung und sollte anhand Ihrer eigenen Historie überprüft werden.

• Betroffener Wert: 180.000.
• Wahrscheinlichkeit, dass sich die Entscheidung ändert: 25 %.
• Erwarteter Wert der Studie: 0,25 × 180.000 = 45.000.
• Kosten der Studie: 24.000.

Der erwartete Gewinn beträgt 45.000 − 24.000 = 21.000. Die Gewinnschwelle liegt bei 24.000 ÷ 180.000 = etwa 13 %. Wenn Sie glauben, dass die Studie die Entscheidung in mehr als 13 % solcher Fälle ändert, lohnt sie sich allein für diese Entscheidung. Wird das Modell für spätere Änderungen wiederverwendet, etwa für zwei kleine Änderungen mit einem Wert von je 20.000, wächst der Nutzen, ohne dass die Kosten stark steigen. Die Rechnung ist einfach, aber sie zwingt das Team, den betroffenen Wert und die Wahrscheinlichkeit zu benennen, und das ist bereits nützlich.

Wann sich Simulation nicht lohnt

Simulation ist nicht immer das richtige Werkzeug. Die Arbeit von Knoll und Heim, die über einen mittelständischen Hersteller berichtet und keine quantifizierten Einsparungen nennt, gibt praktische Warnungen:

• Kein Fürsprecher. Der Erfolg hängt von einem Fürsprecher mit Modellierungserfahrung ab. Ohne ihn fehlt dem Fürsprecher die Glaubwürdigkeit.
• Ausufernder Umfang. Halten Sie den Umfang eng und erweitern Sie ein Modell nicht nur, weil es technisch möglich ist.
• Keine Verwendung der Ergebnisse. Ein Modell, dessen Ergebnisse nicht genutzt werden, sollte nicht gebaut werden.
• Das falsche Werkzeug. Passen Sie die Software an den Bedarf an und nicht an das günstigste Angebot.

Wir ergänzen drei eigene Punkte. Die Frage ist vielleicht einfach genug für eine Berechnung. Die Daten können Lücken haben, daher besteht die erste Aufgabe in einer Datenprüfung der Stillstandsgründe und Zykluszeiten sowie des Workflows dahinter. Die Entscheidung könnte bereits gefallen sein.

Häufige Fehler

• Ohne Entscheidungsfrage beginnen. Ein Modell ohne Frage liefert Diagramme, aber keine Entscheidungen.
• Alles modellieren. Details, die die Frage nicht braucht, verursachen Kosten und schwächen das Vertrauen.
• Validierung auslassen. Prüfen Sie, ob das Modell die aktuelle Linie korrekt abbildet, bevor Sie seinen Prognosen vertrauen.
• Nur ein Szenario rechnen. Zufällige Ereignisse erfordern viele Wiederholungen und eine Bandbreite an Ergebnissen.
• Die Produktion außen vor lassen. Menschen, die die Linie kennen, finden die fehlenden Regeln im Modell.
• Das Ergebnis als Versprechen behandeln. Das Modell unterstützt die Entscheidung. Getroffen wird sie von den Menschen.

Wie Software helfen kann

iFAKT's Polaris Simulator ist ein Modul von iFAKT Polaris, das das Produktionssystem virtuell testet, etwa Kapazitäts-, Personal- und Pufferszenarien, und Engpässe sichtbar macht, bevor Änderungen umgesetzt werden. Es gibt auch andere Simulationssoftware für die Fertigung mit anderen Stärken, und ein datengetriebenes Modell braucht saubere Eingangsdaten. Wenn Sie Werkzeuge vergleichen, fragen Sie, wie das Modell aus vorhandenen Daten aufgebaut wird, wie die Ergebnisse validiert werden und wer nach Projektende Szenarien durchrechnen kann.

Nächster Schritt

Nehmen Sie Ihre nächste Investitionsentscheidung und prüfen Sie sie mit den drei Tests für Tragweite, Wechselwirkung und Variation. Besteht sie den Test, notieren Sie den betroffenen Wert, die Kosten einer Studie und die Wahrscheinlichkeit, dass sie die Entscheidung ändert. So entscheiden Sie auf kurzem, belegbarem Weg, wann Fabriksimulation sinnvoll ist, und der Auftraggeber erhält eine klare Frage, die er beantworten kann.