Simulation als Entscheidungshilfe in der Fertigungsplanung: Was das Siemens-Projekt wirklich gezeigt hat

Im Jahr 2021 wurde die Siemens AG am Standort Karlsruhe als Fabrik des Jahres ausgezeichnet. Einer der Gründe: die konsequente Einführung eines Matrixproduktionssystems mit digitalen Zwillingen und fahrerlosen Transportsystemen. Was von außen wie ein großes IT-Projekt wirkt, begann mit einer sehr klassischen Ingenieursfrage: Wie bewerten wir drei verschiedene Konzeptalternativen – methodisch, transparent und entscheidungsrelevant?

Ich war an diesem Projekt beteiligt und habe das Vorgehensmodell sowie die technisch-wirtschaftliche Feinplanung erarbeitet. Was ich dabei gelernt habe, geht weit über Matrixfertigung hinaus – es betrifft jeden Planungsprozess, bei dem Simulation und Entscheidung zusammenkommen müssen.

Das Problem: Drei Konzepte, keine klare Grundlage

Das Ausgangsszenario ist typisch für den Mittelstand: Ein bestehendes Fertigungssystem – in diesem Fall eine Festverkettung aus manuellen und automatisierten Bestückplätzen – kommt an seine Grenzen. Steigende Produktvarianten, kürzere Lebenszyklen, wechselnde Losgrößen.

Das Team hatte drei technisch unterschiedliche Konzeptalternativen erarbeitet. Alle plausibel. Alle vertretbar. Aber ohne methodische Einordnung war keine belastbare Entscheidung möglich.

Warum mathematisch-analytische Methoden hier nicht ausreichen

Die erste Reaktion in vielen Teams: Kapazität ausrechnen, Taktzeiten vergleichen, Amortisation überschlagen. Das sind wichtige Bausteine – aber sie beantworten die eigentlich relevante Frage nicht: Wie verhält sich das System unter dynamischen Bedingungen? Was passiert, wenn Losgrößen schwanken, Maschinen ausfallen, Puffer voll laufen?

Mathematisch-analytische Methoden gehen von stabilen, konstanten Bedingungen aus. Die Realität in der Serienproduktion ist das Gegenteil. Genau hier entfaltet die diskrete ereignisbasierte Simulation ihren Mehrwert.

Was die Simulation tatsächlich gezeigt hat

Das ereignisdiskrete Modell wurde in Tecnomatix Plant Simulation aufgebaut. In einer Reihe von Faktorexperimenten wurden Modulanzahl, Konfiguration und FTF-Flotte systematisch variiert.

Das Ergebnis war eindeutig: Die optimal ausgelegte Variante (a) mit einem vorgelagerten Arbeitsplatz, fünf Bestückplätzen und vier Selektivlötanlagen, versorgt durch acht fahrerlose Transportfahrzeuge, erzielte eine Anlagenauslastung von durchschnittlich 70 % gegenüber der starren Festverkettung. Gleichzeitig war Konzept (a) kostengünstiger als die hochautomatisierten Alternativen – weil der höhere Automatisierungsgrad den Investitionsmehraufwand nicht rechtfertigte.

• Durchsatz: +20 % gegenüber Festverkettung
• Durchlaufzeit: −40 %
• Mitarbeiterauslastung: +25 %
• Investition: geringer als Konzepte (b) und (c)

Diese Zahlen hätten sich analytisch nicht herleiten lassen. Sie entstanden erst durch die Simulation dynamischer Prozesse – und sie veränderten die Entscheidung fundamental.

Der Digitale Zwilling als methodische Erweiterung

Parallel zur Simulationsstudie wurde ein Digitaler Zwilling im Siemens-eigenen PLM-System Teamcenter aufgebaut. Dieser vereinte alle fertigungsrelevanten Daten, Modelle und Arbeitspläne in einer integrierten Umgebung.

Was das bedeutet: Der Zwilling ist nicht nur ein Planungswerkzeug – er ist ein Optimierungswerkzeug über den gesamten Lebenszyklus des Systems. Nach der Inbetriebnahme können Szenarien simuliert, Engpässe frühzeitig erkannt und Rekonfigurationen geplant werden, ohne den Produktivbetrieb zu unterbrechen.

Für mittelständische Unternehmen ohne eigene Simulationsabteilung klingt das nach einem Enterprise-Projekt. Das ist es nicht zwingend. Die Kernfrage ist: Welche Entscheidungen müssen getroffen werden, und welche Dynamiken sind dafür relevant? Oft reicht ein schlankes Simulationsmodell für die kritischen Fragen – es muss kein vollständiger Digitaler Zwilling sein.

Was das für Ihre Fertigungsplanung bedeutet

Das Siemens-Projekt zeigt ein Muster, das ich seitdem in vielen Kontexten wiedersehe: Die Konzeptalternativen liegen vor. Die analytischen Zahlen sprechen für eine Variante. Aber niemand weiß, wie robust diese Aussage unter realen dynamischen Bedingungen ist.

Genau hier ist der Moment für eine methodische Einordnung – nicht durch eine neue, teure Simulationsstudie, sondern durch die Frage: Welche Unsicherheiten in den bestehenden Berechnungen sind entscheidungsrelevant? Und was braucht es, um sie zu quantifizieren?

• Schritt 1: Klare Entscheidungsfrage formulieren, bevor ein Simulationsmodell aufgebaut wird
• Schritt 2: Kritische Parameter identifizieren, die den größten Einfluss auf das Ergebnis haben
• Schritt 3: Simulation gezielt für diese Parameter einsetzen – nicht als Blackbox, sondern als Entscheidungshilfe
• Schritt 4: Ergebnis methodisch einordnen: Was können wir mit diesem Modell entscheiden – und was nicht?