Cet article présente une méthode d'optimisation, de surveillance itérative et d'ajustement des paramètres de procédé d'un système de classification basé sur des capteurs. Compte tenu du besoin inhérent de validation et de recalibrage continus en réponse à l'évolution des exigences et des configurations de flux de matériaux, nous utilisons un modèle de régression de procédé gaussien basé sur l'optimisation bayésienne pour répondre aux exigences comportementales spécifiques du système, y compris l'incertitude. Nous minimisons le nombre d'expériences requises tout en considérant simultanément deux objectifs d'optimisation possibles (basés sur les exigences de deux flux de matériaux sortants) et en tenant compte de l'incertitude de précision de la classification lors des calculs du modèle. Nous évaluons la méthode à l'aide de trois exemples de paramètres de procédé.
