Machine Learning Surrogate-Based Lookahead Bayesian Optimization for Non-Isothermal Glass MoldingMachine Learning Surrogate-Based Lookahead Bayesian Optimization for Non-Isothermal Glass Molding

Abstract

Na indústria de manufatura, o desenvolvimento de novos produtos frequentemente requer a criação de processos complexos e caros. Esta tese visa criar um framework de Otimização Bayesiana Antecipada Multiobjetivo multiobjective Lookeahead Bayesian Optimization para otimizar o processo de moldagem de vidro não isotérmico (NGM) no Fraunhofer IPT. O método NGM é utilizado para a fabricação de lentes a partir de material de vidro maciço ou fino, moldando-o sob calor e força externa. A tecnologia é promissora por sua capacidade de formar formatos complexos de maneira econômica e eficiente em termos de energia. No entanto, devido à complexidade do processo de fabricação e aos inúmeros fatores que podem impactá-lo, identificar os parâmetros ideais para alcançar precisão exata no formato das lentes é desafiador. Métodos tradicionais para identificar os parâmetros ideais são caros e dependem fortemente de experimentação extensiva, consumo de material, possuem um extenso espaço de parâmetros e dependem do elemento de acaso. A Otimização Bayesiana visa abordar essa complexidade conduzindo experimentos sequenciais para encontrar os parâmetros ideais, reduzindo assim o número de experimentos necessários através de um raciocínio preditivo sobre os possíveis resultados de cada experimento e mantendo um equilíbrio entre exploration e exploitation. O estudo escolheu um Processo gaussiano para a Otimização Bayesiana como modelo substituto, e Expected Hypervolume Improvement (qEHVI) juntamente com Decaying Prior-Weighted qEHVI foram selecionados como funções de aquisição após um benchmark. Um modelo de aprendizado de máquina foi desenvolvido para avaliar o framework seguindo a metodologia CRISP-DM, atuando como um substituto para o processo real. Este modelo empregou um regressor Lasso e foi baseado em um conjunto de dados existente com muitos experimentos. O desenvolvimento do modelo de aprendizado de máquina envolveu etapas de pré-processamento de dados, extração, engenharia, limpeza, seleção de características e treinamento do modelo. Finalmente, o framework e o modelo substituto foram integrados para realizar a otimização. A otimização levou a uma melhoria significativa nos valores de pico a vale (PV), os quais indicam a precisão do formato, com um ligeiro aumento no desvio do formato (RMS). Esses resultados foram alcançados com uma redução de mais de 50% no número de experimentos em comparação com o conjunto de dados existente, e identificou com sucesso os parâmetros ideais do processo.

In the manufacturing industry, the development of new products often requires the creation of complex and expensive processes. This thesis aims to create a multiobjective Lookahead Bayesian Optimization (BO) framework to optimize the non-isothermal glass molding (NGM) process at Fraunhofer IPT. NGM is utilized for manufacturing glass optics from bulk or thin glass material by shaping the glass under heat and external force. The technology is promising for its ability to form complex shapes in a cost- and energy-efficient manner. However, due to the complexity of the manufacturing process and the numerous factors that can impact it, identifying the optimal parameters for achieving precise lens shape accuracy is challenging. Traditional methods to identify the optimum parameters are costly and rely heavily on extensive experimentation, material consumption, large parameter spaces, and an element of chance. Bayesian Optimization aims to address this complexity by conducting sequential experiments to find the optimal parameters, thereby reducing the number of required experiments through better predictive reasoning about future outcomes and maintaining a balance between exploration and exploitation. The study chose a Gaussian process for the BO framework as the surrogate model, and parallel Expected Hypervolume Improvement (qEHVI) along with Decaying Prior-Weighted qEHVI were selected as acquisition functions after a benchmark. A Machine Learning model was developed to evaluate the framework following the CRISP-DM methodology, serving as a surrogate for the real-world process. This model employed a Lasso regressor and was based on an existing dataset with a lot of experiments. The Machine Learning model's development involved stages of data preprocessing, feature extraction, engineering, cleaning, selection, and model training. Finally, the framework and the surrogate model were integrated to perform the optimization. The optimization led to a significant improvement in peak-to-valley (PV) values, indicating form accuracy, with a slight increase in shape deviation (RMS). These outcomes were achieved with more than a 50% reduction in the number of experimental tests compared to the existing dataset, and successfully identified the optimal process parameters.