Verwendung eines zweistufigen D‑optimalen Verfahrens zur Auswahl von Ausrüstung für flexible Fertigungssysteme

Warum das für moderne Fabriken wichtig ist

Weltweit rüsten Hersteller ihre Produktionslinien mit Robotern, intelligenten Maschinen und computergesteuerten Transportsystemen auf. Aber wie viel Automatisierung lohnt sich tatsächlich? Dieser Beitrag untersucht diese Frage in einer realen Elektronikfabrik und kommt zu einer überraschenden Erkenntnis: Das leistungsfähigste System ist nicht vollständig automatisiert, sondern ausgewogen zwischen Maschinen und Menschen. Mit fortgeschrittenen Computerexperimenten und Simulationen zeigen die Autorinnen und Autoren, wie sich die richtige Mischung aus Ausrüstung wählen lässt, um Verschwendung zu reduzieren, die Produktion zu beschleunigen und übermäßige Ausgaben für Technologie zu vermeiden.

Fabriken als lebendige, flexible Systeme

Die Studie konzentriert sich auf ein flexibles Fertigungssystem (FMS), in dem verschiedene Maschinentypen, Roboter, Lager- und Transportsysteme von einer zentralen Steuerung koordiniert werden. Beim untersuchten Unternehmen bauen zwei parallele Linien Niederspannungs- und Hochspannungsprodukte, die jeweils fünf Hauptstufen von der Wareneingangsprüfung bis zur Endverpackung durchlaufen. Das Management möchte, dass diese Linien schnell auf wechselnde Kundenaufträge reagieren, muss aber strikte Grenzen hinsichtlich der einsetzbaren Maschinen und Arbeitskräfte einhalten. Anstatt einfach mehr Automatisierung hinzuzufügen, fragen die Forschenden: Welche Kombination aus automatisierten und manuellen Ressourcen liefert unter diesen Beschränkungen die beste Gesamtleistung?

Testen von Tausenden „Was‑wäre‑wenn“‑Szenarien auf einer virtuellen Linie

Statt direkt auf dem realen Shopfloor zu experimentieren, bauen die Forschenden ein detailliertes Computermodell der Fabrik mit diskreter‑Ereignis‑Simulation. Diese virtuelle Linie bildet ab, wie Teile ankommen, wie lange jede Operation dauert, wie oft Fehler auftreten und wie Maschinen und Mitarbeiter beschäftigt oder frei sind. Anschließend koppeln sie dieses Modell an ein rechnergestütztes Versuchsplanungswerkzeug, das festlegt, welche Ausrüstungskombinationen zu testen sind. Ein spezielles zweistufiges „D‑optimal“-Design deckt dabei eine sehr große Zahl von Möglichkeiten mit möglichst wenigen Simulationsläufen ab, während eine feste Gesamtkapazität von 84 Ressourceneinheiten, die zwischen automatisierter und manueller Ausrüstung geteilt werden, eingehalten wird.

Den Sweet Spot zwischen Menschen und Maschinen finden

Um zu beurteilen, ob eine bestimmte Konfiguration gut ist, kombinieren die Autorinnen und Autoren mehrere praktische Kennzahlen zu einer einzigen Punktzahl. Dazu gehören die täglich gefertigte Stückzahl, Verweilzeiten im System, Zwischenbestände (Work‑in‑Progress), Ausschussmengen, die Auslastung von Maschinen und Mitarbeiterinnen bzw. Mitarbeitern sowie die Produktionsrate. Managerinnen und Manager des Unternehmens helfen, die relative Bedeutung dieser Indikatoren mittels einer strukturierten Vergleichsmethode zu gewichten, wobei der schnellen Herstellung hoher guter Stückzahlen besonderes Gewicht zukommt und Inventare sowie Abfall geringer (aber weiterhin) berücksichtigt werden. Jede simulierte Konfiguration erhält so eine zusammengesetzte Bewertung, die die tatsächlichen Prioritäten der Fabrik widerspiegelt.

Warum Vollautomation nicht gewinnt

In der ersten Stufe sondiert der D‑optimale Plan eine breite Landschaft von Automatisierungsgraden und weist auf vielversprechende Regionen hin. In der zweiten Stufe zoomt die Methode in diese Regionen hinein und testet zahlreiche feinere Ausrüstungskombinationen. Die Ergebnisse zeigen ein stark nichtlineares Muster: Die Leistung steigt, wenn die Automatisierung vom aktuellen moderaten Niveau erhöht wird, erreicht ihren Gipfel bei etwa 92,8 % automatisierter Ressourcen und sinkt dann wieder, wenn die Linie nahezu vollständig automatisiert wird. Im Optimum kann die Fabrik die tägliche Produktionsrate um rund zwei Drittel steigern, den Ausschuss um etwa 40 % reduzieren, Durchlauf‑ und Produktionszeiten verkürzen und die Auslastung der Ausrüstung erhöhen, während der durchschnittliche Work‑in‑Progress im System nur geringfügig ansteigt.

Was das für Entscheidungsträger in der Industrie bedeutet

Die zentrale Botschaft für Nicht‑Spezialisten ist klar: „Mehr Automatisierung“ ist nicht automatisch besser. In dieser realen Elektronikfabrik hätte das Streben nach vollständiger Automatisierung mehr gekostet und eine schlechtere Gesamtleistung geliefert als eine fein abgestimmte Mischung, in der ein kleiner, aber wesentlicher Anteil der Arbeit manuell verbleibt. Die hier entwickelte zweistufige, rechnergestützte Methode bietet Managerinnen und Managern einen praktischen Weg, Tausende von Was‑wäre‑wenn‑Szenarien an einem digitalen Zwilling ihrer Produktionslinie durchzuspielen — unter realistischen Einschränkungen von Budget, Personal und Ausrüstung. Durch Anpassung der Leistungsmaße und Beschränkungen kann derselbe Ansatz die Auswahl von Ausrüstungen in anderen Branchen steuern und Fabriken helfen, ihren eigenen Sweet Spot zwischen Menschen und Maschinen zu finden, statt blind auf 100 % Automatisierung zu setzen.

Zitation: Yu, X., Mi, J., Liu, J. et al. Using a two-stage D-Optimal mode to select equipment for flexible manufacturing systems. Sci Rep 16, 11136 (2026). https://doi.org/10.1038/s41598-026-41466-7

Schlüsselwörter: flexible Fertigungssysteme, Optimierung des Automatisierungsgrads, diskrete‑Ereignis‑Simulation, Ausrüstungswahl, Industrie 4.0