Die Optimierung mehrerer Leistungseigenschaften bei gleichzeitig minimalem experimentellem Aufwand ist eine häufige Herausforderung in der industriellen Forschung und Entwicklung. Die Bayes'sche Optimierung bietet einen leistungsstarken Rahmen für adaptive, sequentielle Experimente in komplexen, nichtlinearen Antworträumen. Diese Präsentation evaluiert die Plattform für Bayes'sche Optimierung in JMP Pro anhand einer realistischen Formulierungssimulation, die für das Trainingsprogramm Sigma Logic™ von PPG zur Versuchsplanung entwickelt wurde.
Sigma Logic, gegründet 1998, schult jährlich weltweit rund 130 wissenschaftliche Mitarbeiter in Anfänger- und Fortgeschrittenenkursen auf Basis von JMP. Ein Teamwettbewerb mit einem simulierten System ist ein Markenzeichen des Fortgeschrittenenkurses. Die hier evaluierte Simulation diente 16 Teams in drei Kursen als Grundlage. Die aktuelle Formulierungsaufgabe umfasst zwölf steuerbare Faktoren und vier kritische Leistungskennzahlen. Ziel ist es, die Leistungsziele in Six-Sigma-Qualität und zu minimalen Kosten innerhalb eines begrenzten Versuchsbudgets zu erreichen.
In JMP Pro wurden mehrere Optimierungskampagnen durchgeführt, die jeweils mit einem Standard-Screening-Design begannen und durch sukzessive, Bayes-optimierte Versuchsreihen ergänzt wurden. Der Optimierungsfortschritt wurde über alle Kampagnen hinweg verfolgt und mit den von den Kursteilnehmern angewandten traditionellen sequenziellen Versuchsplanungsstrategien verglichen. Die Ergebnisse zeigen, dass die Bayes-Optimierung die nichtlineare Antwortfläche effizient navigierte und akzeptable Lösungen in deutlich weniger Versuchen identifizierte. Abschließend werden praktische Erkenntnisse zur Integration der Bayes-Optimierung in experimentelle Arbeitsabläufe mit JMP vorgestellt, um die Formulierungsentwicklung in der industriellen Forschung zu beschleunigen.
