从自动化到自主：智能制造中基于贝叶斯优化的多目标实验与顺序决策框架

发现具有所需属性的新材料是推动创新的关键。工业 4.0 和智能制造承诺通过实时数据集成和自动化生产计划与控制，为这一目标带来了变革性的进展。然而，仅依赖自动化往往难以满足复杂工艺的灵活性需求。要充分释放智能制造的潜力，我们必须从自动化演进为超越僵硬编程的自主系统，能够动态优化解决方案的搜索。当前的发现方法往往速度较慢，需要大量试验才能找到最佳组合，而且成本高昂，尤其是在同时优化多个属性时。本文提出一种贝叶斯多目标顺序决策（BMSDM）框架，可在制造过程中智能地选择实验，引导我们更快更高效地接近最佳设计。该框架利用贝叶斯优化中的顺序学习，迭代细化代表制造过程底层机制的统计模型。该统计模型充当代理，允许在不大量真实世界实验的情况下进行高效的探索和优化。这一方法可以显著减少传统实验设计所需的数据收集时间和成本。本文将该框架与传统的实验设计（DoE）方法以及两种其他多目标优化方法进行比较。使用制造数据集，我们在五个评估指标上评估和比较了这些方法。BMSDM 在多目标决策场景中综合性能优于竞争方法。我们提出的方法代表了在创造智能自主平台方面的一大进步，能够实现新材料的发现。