Die Optimierung von Produktionsprozessen ist der Schlüssel zur Steigerung der Produktqualität und -menge bei gleichzeitiger Senkung der Produktionskosten. Produktionsprozesse müssen aufgrund strengerer Nachhaltigkeitsanforderungen außerdem im Hinblick auf eine ansteigende Zahl von Zielen (z. B. Ressourcen- und Energieverbrauch oder Abfallerzeugung) bewertet werden. Angesichts dieser zunehmenden Komplexität sind traditionelle statistische Methoden wie die Versuchsplanung weniger effizient, da die Anzahl der Experimente mit der Anzahl der Faktoren exponentiell steigt. Die Bayes'sche Optimierung ist eine Optimierungsmethode, die den Informationsgehalt des Experiments, indem durch das Bayes'sche Theorem iterativ neue Faktorstufen ausgewählt werden. Nach der Auswertung eines Experiments aktualisiert sich das Modell selbst und schlägt neue Faktorensätze vor, bis die gewünschte Produkt- oder Prozessleistung erreicht ist. Auf diese Weise bietet die Bayes'sche Optimierung Effizienzsteigerungen bei der Prozessgestaltung, der Fehlereindämmung und der kontinuierlichen Anpassung von Produktionsprozessen.

Ziel des Evolve-Projekts war die Entwicklung einer Software zur Anwendung der Bayes'schen Optimierung für eine maßgeschneiderte Prozessoptimierung in zwei Anwendungsfällen: die Ultrakurzpuls-Laserstrukturierung von metallischen Oberflächen und die Kultivierung von Pflanzensuspensionszellen in einem Batch-Fermentationsbioreaktor. Bei der Laserstrukturierung besteht das Ziel darin, die Bearbeitungszeit zu minimieren und gleichzeitig eine bestimmte Oberflächenrauhigkeit zu erreichen. Für den Anwendungsfall der Pflanzensuspensionszellen wollen die Forscher das Kultivierungsmedium optimieren, um den Nährstoffverbrauch zu reduzieren und gleichzeitig die Wachstumsrate und den absoluten Biomasseertrag zu maximieren. Ein besonderer Schwerpunkt lag auf der Ermöglichung der Mehrzieloptimierung und der Integration der Bayesschen Optimierung in die produktionstechnische Praxis. Die beiden Fallstudien zeigten, dass unsere Bayes'sche Optimierungssoftware aufgrund ihrer Konfigurierbarkeit auf unterschiedliche Prozesse angewendet werden kann. Die Software lieferte sowohl plausible Parametersätze als auch Experimente mit hohem Informationsgehalt für die Expertinnen und Experten, wodurch die Anzahl der für die Prozessoptimierung erforderlichen Experimente erheblich reduziert werden konnte. Sowohl durch die Einbindung von Produkt- und Prozessexpertinnen und -experten in die Konfiguration des Parameterraums als auch durch die grafische Visualisierung der Ergebnisse erhöhten die Transparenz und die Akzeptanz des Systems bei den Betreibern weiter.

Die Bayes'sche Optimierung übertrifft die klassische Versuchsplanung in Bezug auf die Konfigurierbarkeit des Versuchsplans, die Nachvollziehbarkeit des Verfahrens und die Plausibilität der Ergebnisse übertrifft. Für die Akzeptanz der Technologie in der produktionstechnischen Praxis ist dies entscheidend. Weitere offene Forschungsschwerpunkte sind die Einbeziehung von Störgrößen, die Konfiguration des Bayes'schen Algorithmus in Abhängigkeit von Prozesseigenschaften und die Spezifizierbarkeit von konformen Prozesszielfunktionen.