Design of Experiments (DOE) ist eine statistische Methode, die die Durchführung von Experimenten leitet, diese analysiert, um die relevanten Variablen zu ermitteln, und den untersuchten Prozess oder das untersuchte Phänomen optimiert. Der Einsatz von DOE in der Produktentwicklung kann zu Produkten führen, die einfacher und kostengünstiger herzustellen sind, eine verbesserte Leistung und Zuverlässigkeit aufweisen und kürzere Produktdesign- und Entwicklungszeiten erfordern.
Heutzutage wird maschinelles Lernen (ML) aufgrund der zunehmenden Verfügbarkeit großer und komplexer Datensätze häufig als Datenanalysetool eingesetzt. Allerdings können sich nicht alle Anwendungen Big Data leisten. In der Pharma- und Chemieindustrie beispielsweise sind experimentelle Datensätze aufgrund von Kostenbeschränkungen und der zur Generierung der wertvollen Daten benötigten Zeit normalerweise klein. Dennoch hat sich die Einbeziehung maschinellen Lernens in das experimentelle Design als effektive Möglichkeit erwiesen, die Formulierung in einem kleinen Datensatz zu optimieren, der billiger und schneller erfasst werden kann.
Diese Präsentation besteht aus drei Teilen. Zunächst wird die für maschinenlerngestütztes Versuchsdesign relevante Literatur kurz zusammengefasst. Anschließend wird ein Klebstofffall vorgestellt, um die Effizienz der Kombination von Versuchsdesign und maschinellem Lernen zur Reduzierung der Anzahl der zur Ermittlung des Designraums mit einem optimierten Katalysatorpaket erforderlichen Experimente zu veranschaulichen. Im dritten Teil, der sich auf eine industrielle Dichtungsanwendung bezieht, verwenden wir Reaktionsoberflächendaten, um den Vorhersagefehler des RSM-Modells mit Modellen aus verschiedenen Algorithmen des maschinellen Lernens (RF, SVR, Lasso, SVEM und XGBoost) zu vergleichen, wobei wir Validierungsdatenläufe innerhalb und außerhalb des Designraums verwenden.
