Die Welle kommt

1/12 – Schichtbeginn im Reinraum

Ein Wafer durchläuft in der Chipfabrik Hunderte Prozessschritte. Viele Anlagen bedienen mehrere Produkte zugleich, und ein automatisches Transportsystem bewegt das Material rund um die Uhr.

In jeder Schicht entscheiden Planende, welches Los als Nächstes läuft und welche Anlage Aufmerksamkeit braucht. Unser Schauplatz ist das Ofen-Workcenter der 300-mm-Fertigung von Infineon in Dresden, untersucht im europäischen Forschungsprojekt AIMS5.0.

2/12 – Die Welle

Vor den Öfen kann sich die Zahl wartender Lose innerhalb weniger Stunden stark verändern. In der Fertigung heißt das WIP, Work in Process: Material, das unterwegs ist und auf Bearbeitung wartet.

Rollt eine solche Welle an, entstehen Engpässe. Die Durchlaufzeiten wachsen, Liefertermine geraten unter Druck und die Anlagen werden ungleichmäßig genutzt, was die Rentabilität senkt. Störungen pflanzen sich zudem entlang der Linie fort.

3/12 – Blindflug

Bisher stützten sich Prognosen in der Fab auf statische Langfristmodelle. Für die nächsten Stunden sagten sie nichts voraus, erst recht nicht bei lückenhaften Daten.

Ganzheitliche Simulationen mit dem Transportsystem gab es zwar. Für den Alltag rechneten sie aber zu lange oder waren zu grob.

4/12 – Spurensuche in den Daten

Die Forschungsgruppe SCO-TTi der HSZG hat zuerst eine belastbare Datengrundlage gebaut. Aus drei Produktionsdatenbanken mit historischen Daten aus zwei Produktionsjahren entstand ein Datensatz mit 4,7 Millionen Zeilen, 110 Variablen und rund 3 GB.

Mit solchen Rohdaten kann eine KI nicht direkt arbeiten. Zuerst werden die Daten bereinigt, vereinheitlicht und semantisch erklärt. Dann entstehen die Merkmale, die später vorhergesagt werden sollen, etwa Wartezeiten und der WIP je Workcenter. Dazu kommen die Variablen, aus denen das Modell lernt, vom WIP der vorherigen Zeitschritte bis zur Ofenkapazität. Schließlich werden die Dimensionen reduziert und die Losbewegungen zu einer Zeitreihe verdichtet.

Einen Rahmen für solche Datenqualitätsprozesse beschreibt die Norm ISO/IEC 5259-4:2024 (deutsche Fassung EN ISO/IEC 5259-4:2025).

Der Weg dorthin dauerte länger als geplant, weil der Zugriff auf die Daten beschränkt war.

5/12 – Der Blick nach vorn

Die Grafik zeigt eine einzelne Anlage: Ofen 2. Wir haben mehrere Verfahren verglichen, darunter ein neuronales Netz (CNN-LSTM) und XGBoost. Am Ende haben wir uns auf XGBoost konzentriert und das Modell feinabgestimmt.

Die helle Linie zeigt, wie sich der WIP tatsächlich entwickelt hat. Das blaue Band ist das 95-%-Konfidenzintervall der Prognose. Die Regression nutzt nur den WIP(t−1) und sieht die Welle nicht kommen.

KI braucht einen Rahmen und menschliches Verständnis.

Ein Beispiel: XGBoost sagt die Warte- und Prozesszeiten der Lose voraus. Aus ihnen wird in einem zweiten Schritt das künftige WIP-Niveau berechnet: Σ (Wartezeit + Prozesszeit) je Los = WIP. So läuft die Prognose der Welle voraus.

6/12 – Warum?

Wer entscheidet, will wissen, woher eine Zahl kommt. Die Grafik greift deshalb einen Zeitpunkt heraus: die Prognose für Ofen 2 um 12 Uhr.

Mit SHAP, einem Verfahren der erklärbaren KI, zeigen wir, welche Prozessgrößen diese Prognose nach oben oder unten schieben. WIP(t−1) und WIP(t−2) stehen für den WIP der vorherigen Zeitschritte.

In unserem interaktiven Dashboard, einem Jupyter-Notebook, lassen sich Einflussgrößen verändern und ihre Wirkung auf das künftige WIP-Niveau untersuchen. Probieren Sie es in vereinfachter Form aus.

7/12 – Wo es eng wird

Eine Prognose hilft nur, wenn man sie auf einen Blick lesen kann. Deshalb haben wir Darstellungen für den Shop Floor entworfen, etwa eine Heatmap. Sie zeigt, wie wahrscheinlich in den nächsten Stunden an welchem Workcenter ein Engpass entsteht.

Aus der Kurve für Ofen 2 wird eine Zeile. Die Heatmap ergänzt alle Bereiche der Fab, vom Lager über die einzelnen Öfen bis zur Messtechnik.

So können Planende noch in derselben Schicht reagieren und zum Beispiel Prioritäten ändern oder Ressourcen verschieben.

8/12 – Gegensteuern, bevor es eng wird

Eine Prognose wirkt erst, wenn sie Entscheidungen verändert. Nehmen wir ein einzelnes Los: Nach der Reinigung soll es um 11 Uhr in Ofen 2, mitten in die erwartete Welle. Wie planen Sie es ein?

Das Los reiht sich vor Ofen 2 in die Warteschlange ein und wartet bis 13 Uhr. Viele Ofenprozesse erlauben nach der Reinigung zudem nur ein begrenztes Zeitfenster.

Jede dieser Entscheidungen verändert den WIP, und die nächste Prognose rechnet mit dem neuen Stand weiter. Ein einzelnes Los bewegt wenig. Viele rechtzeitige Entscheidungen zusammen können eine Welle glätten.

Szenario mit illustrativen Werten.

9/12 – Ein Team, ein Werkzeugkasten

Die Prognose ist ein Baustein von Use Case 12. Gemeinsam mit Infineon, Systema, der TU Dresden und der WU Wien ist ein Werkzeugkasten für eine planbarere Fertigung entstanden.

• HSZG: Leitung der Subtask, Prognose von WIP-Engpässen, Visualisierung, Mensch-KI-Forschung
• Infineon: Fertigung in Dresden, Kapazitätsplanung, digitalisierte Lagerprozesse
• Systema: ganzheitliches Produktionsdatenmodell
• TU Dresden: verbesserte Simulation der Intralogistik
• WU Wien: Rapid Modelling und Sensitivitätsanalysen

Im Use Case entstanden außerdem LogiFabSim, ein schnelles Simulationsmodell für Produktion und Transport, und ein digitales Kanban, das die Papierkarten zwischen Lager und Reinraum ersetzt.

Prognose-Notebook und Dashboard werden über die AIMS5.0 AI Toolbox veröffentlicht Link folgt. Die Expertengruppe „Robotik, Automatisierung und Prozessmanagement“ unter Leitung der HSZG hat die Erkenntnisse aus den Anwendungsfällen zudem in einem gemeinsamen Buchkapitel zusammengeführt Angaben folgen.

10/12 – Von Zittau in die Welt

Hinter der Forschung steht die Forschungsgruppe SCO-TTi in Zittau. Ihre Ergebnisse reisen: elf Konferenzbeiträge auf neun Konferenzen zwischen Hamburg, Seoul und Hawaii, ein Zeitschriftenartikel und 2025 eine Dissertation an der WU Wien. Im Mai 2026 trifft sich das Arbeitspaket 6 mit Infineon Dresden in Heraklion.

• 2024apc|m Hamburg · POMS Minneapolis · NOMS Seoul · EurOMA Barcelona · EURO Kopenhagen
• 2025apc|m Prag · NOMS Honolulu · ICONS Padua · Dissertation an der WU Wien
• 2026EurOMA Wien

11/12 – Was es bringt

In der Gesamtbetrachtung des Use Case wurden Potenziale von bis zu 27 % höherer Anlagenverfügbarkeit und bis zu 34 % höherer Gesamtanlageneffektivität (OEE) ausgewiesen. Damit übertrifft Use Case 12 die Zielkennzahlen, die für ihn festgelegt waren.

Die OEE ist eine zentrale Kennzahl der Produktionsplanung. Sie fasst in einer Zahl zusammen, wie verfügbar eine Anlage ist, wie schnell sie arbeitet und wie viele Gutteile sie liefert.

Auch die Prognose selbst wurde vermessen: Das XGBoost-Modell erreicht ein Bestimmtheitsmaß R² von Wert, eine herkömmliche Regression auf den Vorwert Wert.

LogiFabSim simuliert ein Jahr Betrieb in rund zwei Minuten und braucht 75 bis 99,9 % weniger Rechenzeit als Vergleichs-Frameworks.

Sensitivitätsanalysen zeigten außerdem: Wird die Streuung der Reparaturzeiten halbiert, kann die Durchlaufzeit am kritischen Workcenter sinken, auch wenn die mittlere Reparaturdauer gleich bleibt.

12/12 – Größer gedacht

Use Case 12 war einer von zwölf Use Cases im Arbeitspaket 6 von AIMS5.0. Die HSZG hat dieses Arbeitspaket gemeinsam mit Infineon Dresden geleitet.

Die Methoden sind frei verfügbar: Das Jupyter-Notebook wird über die AIMS5.0 AI Toolbox veröffentlicht. Die Ansätze lassen sich über die Halbleiterfertigung hinaus auf andere Branchen mit hoher Prozessvariabilität übertragen.

Die Ergebnisse fließen in die Lehre der Professur für Betriebswirtschaft, insbesondere Produktionswirtschaft und Logistik, und werden mit Studierenden und regionalen Unternehmen weiter erprobt.

• YouTube
• aims50.eu
• AI Toolbox
• Buchkapitel
• Publikationen
• Ansprechpartner