Bayessche Optimierung beschleunigt Bioethanolproduktion dank Prozesswissen

Bayessche Optimierung (BO) gilt als leistungsstarke Methode zur Feinabstimmung von Fertigungsprozessen, stößt jedoch bei hochdimensionalen, mehrstufigen Systemen an ihre Grenzen. In solchen Szenarien lassen sich Zwischenresultate beobachten, die von herkömmlichen BO-Ansätzen jedoch ignoriert werden, weil das Modell den Prozess als reine Black-Box behandelt.

Die Partially Observable Gaussian Process Networks (POGPN) stellen den Prozess als gerichteten azyklischen Graphen (DAG) dar und ermöglichen die Einbeziehung von Zwischenmessungen. Das Problem bleibt jedoch, wenn die Beobachtungen hochdimensionale Zustandsraum-Zeitreihen sind. Hier kommt das Fachwissen von Prozessexperten ins Spiel: Sie können aus den umfangreichen Daten latente, niedrigdimensionale Merkmale extrahieren, die die wesentlichen Prozessinformationen enthalten.

In der neuen Arbeit wird ein Framework namens POGPN‑JPSS vorgestellt, das POGPN mit Joint Parameter and State‑Space (JPSS) Modellierung kombiniert. Durch die Nutzung der extrahierten Zwischeninformationen kann das Modell die Prozessparameter schneller und zuverlässiger optimieren. In einer anspruchsvollen Simulation einer mehrstufigen Bioethanolproduktion zeigte POGPN‑JPSS, dass die gewünschte Leistungsgrenze doppelt so schnell erreicht wird und die Zuverlässigkeit steigt.

Die beschleunigte Optimierung spart nicht nur Zeit, sondern auch erhebliche Ressourcen. Diese Ergebnisse unterstreichen, wie wichtig es ist, Expertenwissen mit strukturierten probabilistischen Modellen zu verknüpfen, um Produktionsprozesse rasch zu verbessern und zu reifen.