Fabriekssimulatie: zo test je wijzigingen voordat je de lijn aanraakt

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-11

Met fabriekssimulatie kunnen productiemanagers een nieuwe ploeg, machine of buffer eerst in een model testen. Lees wanneer het loont, welke gegevens je nodig hebt en hoe je het uitvoert.

Automatically translated with AI from the original post. Read the English original

Fabriekssimulatie betekent dat je een model van een deel van je fabriek bouwt en op een computer laat draaien, zodat je kunt zien wat een wijziging zou doen voordat je ze op de lijn doorvoert. Dit artikel is bedoeld voor productiemanagers die voor beslissingen staan zoals een extra ploeg, een nieuwe machine of een kleinere buffer, en eerst bewijs willen. Je leert wat een simulatie kan beantwoorden, welke gegevens ze nodig heeft, hoe je stap voor stap een studie uitvoert en hoe je de gebruikelijke fouten vermijdt.

Belangrijkste punten

• Een fabriekssimulatie is een gecontroleerd model van hoe werk door een deel van de fabriek beweegt, zodat je een wijziging in het model kunt testen voordat je die op de lijn doorvoert.
• De meeste tools gebruiken discrete-event-simulatie. Die modelleert getimede gebeurtenissen en houdt rekening met toeval, zoals storingen, omstelling en vraagschommelingen.
• Simulatie levert de meeste waarde op als een beslissing complex, kostbaar of moeilijk om te draaien is, zoals een nieuwe machine, een nieuwe indeling of een nieuw ploegenpatroon.
• Een model moet worden gevalideerd aan de hand van bekend gedrag, bijvoorbeeld de output van vorige maand, voordat iemand de wat-als-resultaten vertrouwt.
• Begin met één zakelijke vraag en een beperkte scope, en verfijn het model naarmate je meer leert.

Wat kun je testen met een simulatie?

Een overzicht van Autodesk beschrijft fabriekssimulatie als een virtueel model van een productiesysteem dat wordt gebruikt om te analyseren, te testen en te optimaliseren hoe de productie zich gedraagt. Modellen kunnen een productielijn, werkstations, materiaalstroom en buffers omvatten, personeel, machines en variabiliteit zoals stilstand, omstelling en vraagschommelingen. Lees de Autodesk-gids over de basisprincipes van fabriekssimulatie.

Hetzelfde artikel noemt typische toepassingen:

• het ontwerpen van een nieuwe lijn of faciliteit
• capaciteitsplanning en doorvoeranalyse
• het vinden van de bottleneck en het verminderen van werk in uitvoering
• personeels- en ploegenplanning, inclusief toewijzing van middelen
• wijzigingen in de fabrieksindeling, automatisering en uitbreiding

Simulatie helpt je het productieproces en de orderstroom te analyseren zonder giswerk. Het overzicht voegt toe dat simulatie de meeste waarde oplevert wanneer beslissingen complex, kostbaar of moeilijk terug te draaien zijn. Dat sluit aan bij de praktijk op de productievloer. Een machine verplaatsen, een tweede aanschaffen of een ploegenpatroon wijzigen is duur om ongedaan te maken. Een test in het model is dan relatief goedkoop en een risicoloze manier om bottlenecks op te sporen en de opzet te optimaliseren. Goede software voor productiesimulatie maakt dit soort wat-als-analyses mogelijk in een virtuele omgeving, van fabrieksplanning tot de dagelijkse optimalisatie van de procesflow.

Een factory simulation is een gecontroleerd model van hoe het werk door een deel van een fabriek stroomt. Het gebruikt de huidige bedrijfsregels, middelen, orders en normale schommelingen, zodat je een wijziging eerst in het model kunt proberen. Het kernwoord is gecontroleerd: je verandert één ding tegelijk en vergelijkt de resultaten. Wanneer zo'n model wordt gevoed met actuele data uit de productiehal, beweegt het richting een digital twin van de fabriek, maar voor een eerste studie heb je geen live data nodig.

Waarom misleiden gemiddelden, en wat is discrete event simulation?

Een spreadsheet werkt met gemiddelden, en de cyclustijden daarin zijn losse getallen. Echte productielijnen zijn zo niet. Machines vallen uit, omsteltijden lopen op sommige dagen uit en orders komen in klompjes binnen. Deze effecten zorgen voor groeiende wachtrijen en dalende output, ook wanneer de gemiddelde capaciteit voldoende lijkt.

De meeste tools gebruiken discrete event simulation. Volgens hetzelfde overzicht modelleert die een systeem als een reeks getimede gebeurtenissen, zoals aankomsten van onderdelen, start en afronding van processen, en storingen. Het past goed bij productie omdat het toeval en variatie vastlegt, wachtrijen, wachttijden en benutting bijhoudt, en laat zien hoe mensen, machines en materialen op elkaar inwerken.

De praktische consequentie: simuleer dezelfde wijziging vele keren met verschillende willekeurige getallen en kijk naar de spreiding van de resultaten, niet naar één getal. Een lijn die in de ene run het doel haalt en in de volgende niet, is een risico, ook als het gemiddelde er goed uitziet.

Welke data heeft een simulatie nodig?

Je hebt genoeg data nodig om te beschrijven hoe de lijn echt werkt. Begin met deze lijst:

1. Stroom. De route van elk product langs de stations, de volgorde van de stappen en de buffers ertussen.
2. Tijden. Cyclustijden, insteltijden en omsteltijden, en hun spreiding, niet alleen de gemiddelden.
3. Middelen. Machines, medewerkers, gereedschap en hun shiftkalenders.
4. Verliezen. Storingsfrequentie en reparatietijd, afval en herbewerking.
5. Vraag. Ordergroottes, leverdata en productmix, bijvoorbeeld uit de productieplanning van de afgelopen maanden.
6. Regels. Hoe taken worden gekozen, hoe batches worden samengesteld en hoe mensen worden ingedeeld.

Het overzicht adviseert om realistische data te gebruiken waar beschikbaar en die na verloop van tijd te verfijnen. Wacht niet op perfecte data. Een eerste model met eerlijke schattingen, duidelijk als schatting gemarkeerd, is beter dan geen model. Maar noteer welke invoer zwak is, want dat bepaalt hoeveel vertrouwen je in het antwoord kunt hebben.

Hoe voer je een factory simulation-studie uit?

Een gepubliceerde case laat de belangrijkste stappen zien. Een paper van de Winter Simulation Conference beschrijft een discrete event-studie bij een fabrikant van huishoudapparaten. Daar was de opdracht om apparaten te sorteren na een assemblagelijn en om handmatig bediende klemtrucks in te plannen. Het team testte zeven scenario's en ontdekte dat het aanpassen van de ophaallogica het benodigde wagenpark in de beste scenario's terugbracht van acht trucks naar vijf. Zie de Winter Simulation Conference-paper. Beschouw dit als één voorbeeld van hoe een studie eruit kan zien, niet als benchmark voor jouw fabriek.

De onderstaande stappen volgen dezelfde logica:

1. Formuleer de vraag. Bijvoorbeeld: "Laat een tweede operator bij de afwerking de cel toe om 130 eenheden per dag te halen?" Een heldere vraag houdt het model klein.
2. Bepaal scope en meetwaarden. Welke stations, welke producten, welke outputmeting: doorvoer, doorlooptijd, benutting of wachtrijlengte.
3. Verzamel data. Gebruik de lijst hierboven. Markeer schattingen.
4. Bouw het model. Begin eenvoudig en voeg alleen detail toe waar het het antwoord beïnvloedt.
5. Verifieer. Controleer of het model doet wat je bedoelde. In de paper gebruikte het team runs zonder willekeur, runs met één item en animatiecontroles.
6. Valideer. Vergelijk het model met de werkelijkheid. In dezelfde studie reproduceerde het model de huidige werkwijze van de klant, en onder de aanname van geen storingen kwam het overeen met de spreadsheetschatting van het team. Het overzicht zegt evenzo dat je moet controleren tegen bekend of historisch gedrag.
7. Experimenteer. Draai elk scenario met een opwarmperiode en meerdere replicaties. De paper gebruikte een opwarmperiode van vijf dagen, twintig dagen aan data en twaalf replicaties per scenario.
8. Beslis en evalueer. Kies de optie, voer de wijziging door en vergelijk de echte resultaten met de prognose. Gebruik het verschil om het model te verbeteren.

Voorbeeld: drie opties voor een afwerkcel

Dit voorbeeld gebruikt aangenomen cijfers.

Een cel heeft twee bewerkingsmachines, die elk 6 minuten per stuk nodig hebben, en één handmatig afwerkstation met één operator, dat 4 minuten per stuk nodig heeft. De shift heeft 7,5 productieve uren. De planning vraagt 130 stuks per dag.

Capaciteit per uur:

• Bewerken: 2 machines × 60 ÷ 6 = 20 stuks
• Afwerken: 60 ÷ 4 = 15 stuks

Afwerken is de bottleneck. De uitgangssituatie is 15 × 7,5 = 112,5 stuks per dag, dat is 17,5 stuks tekort.

Optie A: een tweede afwerkoperator. Afwerken komt op 30 stuks per uur, dus bewerken met 20 stuks per uur is de beperking. Output: 20 × 7,5 = 150 stuks.

Optie B: een derde bewerkingsmachine. Bewerken komt op 30 stuks per uur, maar afwerken blijft op 15. Output: 112,5 stuks. Geen winst, omdat de machine op de verkeerde plek wordt toegevoegd. Een model als dit helpt kosten te verlagen, omdat je de verkeerde aankoop vermijdt, en het helpt de efficiëntie te verbeteren waar het er echt toe doet.

Optie C: 1,5 uur overwerk. Output: 15 × 9 = 135 stuks. Op papier net genoeg.

Voeg nu variatie toe. Stel dat stilstanden, omsteltijden en wachttijden de echte output met een vaste 10 procent verlagen. Optie A geeft 150 × 0,9 = 135 stuks en voldoet nog steeds aan de vraag. Optie C geeft 135 × 0,9 = 121,5 stuks en haalt de norm niet. Een simulatie vervangt deze vaste 10 procent door de echte spreiding van gebeurtenissen, zodat je ook ziet hoe vaak elke optie het doel mist. Het punt van dit voorbeeld is de volgorde van werken: zoek eerst de beperking, test daarna de opties daartegen en houd een marge aan voor variatie.

Veelgemaakte fouten

• Beginnen zonder vraag. Een model dat probeert alles te beantwoorden, beantwoordt niets goed.
• Te veel detail modelleren. Detail kost tijd en data. Voeg het alleen toe waar het de beslissing verandert.
• Validatie overslaan. Als het model de vorige maand niet kan reproduceren, gebruik het dan niet om de volgende maand te voorspellen.
• Alleen met gemiddelden werken. Variabiliteit veroorzaakt wachtrijen. Neem stilstanden, omsteltijden en vraagschommelingen mee.
• Eén replicatie draaien. Eén run is één willekeurige uitkomst. Gebruik er meerdere en kijk naar de bandbreedte.
• Het resultaat als belofte behandelen. Een simulatie ondersteunt een beslissing. Ze vervangt geen oordeel of een proef op de lijn.
• De mensen op de vloer vergeten. Operators kennen de uitzonderingen die de data niet laat zien.

Hoe software kan helpen

Sommige leveranciers noemen zo'n model een digitale fabriek. Simulatiesoftware laat je deze modellen bouwen en draaien zonder code te schrijven, wat een datagedreven beslissing ondersteunt. iFAKT's Polaris Simulator is een module van iFAKT Polaris die het productiesysteem virtueel test, bijvoorbeeld scenario's voor capaciteit, bezetting en buffers, en die knelpunten zichtbaar maakt voordat er wijzigingen worden doorgevoerd. Vergelijk je tools, vraag dan hoe het model zijn data krijgt, hoe eenvoudig je het kunt valideren en of niet-specialisten de resultaten kunnen lezen. Een model dat maar één expert begrijpt, houdt zelden stand.

Volgende stap

Kies één wijziging waar je over nadenkt, zoals een nieuw shiftpatroon of een machine, en schrijf de vraag en de outputmaat op voor een eerste fabriekssimulatie. Verzamel daarna de cyclustijden en verliesdata voor dat gebied en valideer een eenvoudig model aan de hand van vorige maand voordat je de wijziging test.