Die einflussreichsten Produktionsfluss-Details

Viele Teams starten mit unrealistischen Erwartungen in die Simulation – „wenn ich die Maschinenzahl verdoppele, verdoppelt sich auch der Durchsatz“ –, nur um festzustellen, dass schon kleine Änderungen die Prognosen drastisch verzerren. Unter Berücksichtigung der nichtlinearen Effekte von Prozesszeit-Variabilität, Nacharbeitschleifen, Mehrfachdurchläufen oder Pufferblockierungen zeigen wir – gestützt auf Forschungs- und Industrie-Studien –, wie schon eine Handvoll einflussreicher Modelldetails den Durchsatz um zweistellige Prozentwerte beeinflussen kann.

Die unten aufgeführten Spannen sind illustrative Beispiele aus veröffentlichten Studien und keine verbindlichen Vorhersagen für einen beliebigen Anwendungsfall.

1. Prozesszeit-Variabilität

Wenn der Variationskoeffizient (CV) der Bearbeitungszeiten steigt, vergrößert sich das Warten und der Durchsatz wird verringert.

• Beispiel: –35 % Durchsatz, wenn der CV von 0,2 auf 0,3 ansteigt [1].

2. Nacharbeitschleifen

Inspektions- oder Teststationen, die fehlerhafte Teile zurück in Reparaturwege leiten, schaffen Rückführungs-Schleifen und erhöhen die Zykluszeit-Varianz.

• Beispiel: –15 % bis –20 % Netto-Durchsatz bei mittlerer Ausschussrate (≈ 5 %) [2].

3. Mehrfachdurchläufe (Reentrant Routing)

Mehrfache Besuche derselben Ressource bündeln Warteschlangen und Blockaden.

• Beispiel: –25 % bis –50 % Unterschied im Durchsatz allein durch Reentrant-Dynamik in einer recht einfachen Halbleiter-Fab mit 172 Prozessen auf 24 Stationen [3].

4. Zufuhrsysteme (Feeder-Lines)

Kleine Zuführsysteme – z. B. Vibrationsschalen, Behälter oder Pick-and-Place-Loader – beliefern die Hauptlinie. Die Annahme perfekter Zufuhr ignoriert mögliche Unterversorgung und Blockierungen.

• Beispiel: Durchsatz wird um 5 % bis 20 % überschätzt wenn Zufuhrdynamik nicht korrekt erfasst wird [4].

5. Rüstwechsel und Rüstvariationen

Umrüsten und die Variation der Rüstzeiten beeinflussen die Losgrößen und damit die Auslastung.

• Beispiel: 40 % bis 50 % Durchsatz-Unterschied durch Umrüstzeiten [5] und bis zu 121 % im Fall von SMED [6].

6. Losgrößen und Chargenbildung

Größere Chargen erhöhen WIP und Wartezeiten; kleinere Chargen verbessern den Fluss, verursachen aber mehr Rüstvorgänge.

• Beispiel: Anpassung der Losgröße kann den Durchsatz um – 20 % bis + 15 % verändern [7].

7. Nacharbeitsrouten

Nacharbeitsrouten führen zu zusätzlichem Materialfluss mit Puffern und Variation, die den Nettodurchsatz mehr reduzieren als Materialverluste und Ausschuss allein.

• Beispiel: 5 % bis 15 % unterschied durch Nacharbeitsschleifen [8].

8. Personaleinsatz und Schichtmuster

Konstante Verfügbarkeitsannahmen ignorieren Pausen, Schichtwechsel und Qualifikationsunterschiede.

• Beispiel: Realistische Schicht- und Pausenmodelle können den Durchsatz um 5 % bis 15 % senken im Vergleich zu idealisierten Annahmen [9].

Fazit

Jedes fehlende Detail kann den Durchsatz um ±10%, ±50% oder mehr verzerren. Mit Linelab können Sie all diese kritischen Elemente – stochastische Zeiten, Nacharbeitswege, Zufuhrlinien, Wiedereintrittsschleifen, Umrüstzeiten, Batchgrößen, Instandhaltung, Ausbeute und Personaleinsatz – einfach definieren. Passen Sie Parameter an und führen Sie binnen Minuten alle „Was-wäre-wenn“-Szenarien durch, quantifizieren Sie prozentuale Auswirkungen auf ± Baseline-Niveau, ohne von Grund auf neu zu modellieren, und treffen Sie zuverlässige, investitionsreife Empfehlungen.

---

Quellen

1. Govindarajan, M., & Kumar, S. (2024). Variability propagation in manufacturing systems: the impact of the processing time distribution on the inter-departure time. Journal of Manufacturing Systems. https://doi.org/10.1080/21681015.2024.2346080

2. Flapper, S. D. P., Bekker, R., & Hoeven, J. (2004). Performance analysis of production systems with rework loops. International Journal of Production Research, 42(22), 4709–4732. https://doi.org/10.1080/07408170490458553

3. Arabaca, F., & Cosgun, B. (2018). Simulation Analysis of Segmented CONWIP: Application to Reentrant Flow Lines. ExtendSim Conference Paper. https://extendsim.com/images/downloads/academic/adopters/arabaca-conwip2018.pdf

4. Li, J., Alden, J., Rabaey, J. (2005). Approximating feeder line reliability statistics with partial data collection in assembly systems,.Computers & Industrial Engineering, 48(2), 181-203. https://doi.org/10.1016/j.cie.2005.01.006

5. Şahin, R., & Koloğlu, A. (2022). A case study on reducing setup time using SMED on a turning line. Gazi University Journal of Science. https://doi.org/10.35378/gujs.735969

6. Ang, Z., Cheah, C. K., and Prakash, J. (2025). “Enhancing Throughput in Labor Intensive Assembly Lines.” E3S Web of Conferences 603:04021. https://doi.org/10.1051/e3sconf/202560304021.

7. Chung, K., & Nelson, B. L. (1994). Batch size effects in the analysis of simulation output. Operations Research, 30(3), 556–567. https://doi.org/10.1287/opre.30.3.556

8. Li, J. (2004). Performance analysis of production systems with rework loops. IIE Transactions, 36(8), 755–765. https://doi.org/10.1080/07408170490458553

9. Song, H., Tucker, A., Murrell, K, Kauffman, M. (2013). The Impact of Pooling on Throughput Time in Discretionary Work Settings. Academy of Management Annual Meeting Proceedings. https://doi.org/10.5465/ambpp.2013.10886abstract