Optimale Produktionseinstellungen zu identifizieren birgt ein großes Potenzial zur Verbesserung der betrieblichen Effizienz, zur Kostensenkung, zur Steigerung der Produktivität und zur Verbesserung der Produktqualität. Eine Gruppe von Forscherinnen und Forschern der Fraunhofer Institute IPT, IME und ILT hat ein Framework entwickelt, mit dem KI-Methoden und Optimierungsalgorithmen Produktionsexperten bei der optimalen Prozessgestaltung unterstützen können.

Durch begrenzte Daten und die Möglichkeit, neue Experimente durchzuführen, ermöglicht die Bayes'sche Optimierung eine sequenzielle und hocheffiziente Prozessverbesserung. Wir zeigen, dass in Abhängigkeit von der Komplexität des Prozesses der optimale Parametersatz nach etwa zehn Experimenten gefunden werden kann. Wenn jedoch nur ältere Daten zur Verfügung stehen, ist es von Vorteil, zunächst Modelle des maschinellen Lernens zu trainieren und anschließend Black-Box-Optimierungsalgorithmen anzuwenden. Dies kann zwar weniger effizient und genau sein, erfordert aber keine teuren Experimente.

Um die Software auch für die Verbesserung der Nachhaltigkeit von Produktionsprozessen zu nutzen, arbeitet das Team derzeit an Mehrzieloptimierung und an einer besseren Integration von Expertenwissen.