联合参数与状态空间贝叶斯优化：利用工艺专家知识加速制造优化
机器学习
2026-05-19 v2 最优化与控制
摘要
贝叶斯优化(BO)是优化黑盒制造过程的强大方法，但在处理高维多阶段系统时表现常受限，因为我们可以观察中间输出。标准 BO 将过程建模为黑盒，忽略中间观察值及其背后的过程结构。部分可观测高斯过程网络(POGPN)将过程建模为有向无环图(DAG)。然而，在观察值呈现高维状态空间时间序列时，利用中间观察值颇具挑战。工艺专家知识可用于从高维状态空间数据中提取低维潜在特征。我们提出了 POGPN-JPSS—a一种将 POGPN 与联合参数与状态空间(JPSS)建模结合以利用中间提取信息的框架。我们在一个具有挑战性的多阶段生物乙醇生产过程的高维仿真中展示了 POGPN-JPSS的有效性。我们的结果表明，POGPN-JPSS 在多个基准中均显著优于最先进的方法，实现速度提升一倍，同时可靠性更高。这一快速优化直接转化为在时间和资源上的实质性节省。这突显了将专家知识与结构化概率模型结合以实现快速工艺成熟的重要性。
引用
@article{arxiv.2602.17679,
title = {Joint Parameter and State-Space Bayesian Optimization: Using Process Expertise to Accelerate Manufacturing Optimization},
author = {Saksham Kiroriwal and Julius Pfrommer and Jürgen Beyerer},
journal= {arXiv preprint arXiv:2602.17679},
year = {2026}
}
备注
This paper is under review and has been submitted for CIRP CMS 2026