Die Ermittlung optimaler Produktionsbedingungen ist mit Regressionsmodellen aufgrund zahlreicher erklärender Variablen, Wechselwirkungen und experimenteller Störfaktoren schwierig, und es kann sich als problematisch erweisen, Verbesserungspotenziale zu identifizieren. Dieser Bericht präsentiert die Ergebnisse der Anwendung der Bayes-Optimierung als alternative Methode und untersucht deren Effektivität und Grenzen. Mithilfe der Bayes-Optimierung konnten wir Schweißbedingungen finden, ohne ein Regressionsmodell zu erstellen. Am Beispiel der Metallgehaltsformulierung zur Minimierung der Gussfehlerrate ermittelte die Bayes-Optimierung Bedingungen, die mit einer ähnlichen Anzahl von Versuchen eine niedrigere Fehlerrate als das generalisierte Regressionsmodell erzielten. Bei der Optimierung der Zementpartikelgröße erreichten wir die Zielpartikelgröße von 20 µm in 2 bis 8 Versuchen, obwohl die Ausgangsdaten weit von diesem Wert entfernt waren. Im Beispiel der Reaktorausbeuteoptimierung lag die mit der Bayes-Optimierung erzielte beste Ausbeute fast 20 % unter der des Regressionsmodells. Dies deutet darauf hin, dass Regressionsmodelle, die Wechselwirkungen berücksichtigen, der Bayes-Optimierung unter Umständen überlegen sind. Im Hinblick auf die Verbesserung von Produktionsbedingungen sind zahlreiche Experimente, wie sie in der Versuchsplanung üblich sind, nicht praktikabel. Die Bayes-Optimierung hingegen präsentiert Verbesserungsbedingungen sequenziell und ist daher leichter umzusetzen. Darüber hinaus birgt jedes Experiment das Potenzial, Verbesserungsbedingungen zu entdecken, die mit herkömmlichen Methoden nicht ermittelt werden konnten.
