• Lingelbach, Yannick
• Schulze, Volker
• Mikut, Ralf

Abstract

Industrielle Wärmebehandlungsprozesse werden in der Serienproduktion üblicherweise über Jahre hinweg optimiert, aber die Vielzahl der Faktoren, die die Härte beeinflussen, und das hohe Messrauschen der End-of-Line-Härteprüfung machen es zunehmend schwieriger, die Kosten weiter zu senken oder den Prozess zu optimieren. In dieser Arbeit wurde ein Data-Mining-Framework für Batch-Prozesse entwickelt, um die umfangreichen Datenquellen, die sich im Laufe der Zeit ansammeln, für zwei Pilot-Anwendungsfälle nutzbar zu machen, nämlich das Bainitisieren von 20,000 und das Einsatzhärten von 7,000 Chargen. Alle notwendigen Datenquellen, Vorverarbeitungs-, Bereinigungs- und Feature-Extraktionsschritte werden zusammen mit den Korrekturen für Drifts dargestellt. Es wurde ein Benchmark für die maximal erreichbare Vorhersagbarkeit abgeleitet, um den wirtschaftlichen Nutzen eines Anwendungsfalls frühzeitig zu bewerten. Das Framework wendet dann schrittweise Data-Mining-Techniken an, um Varianzeinflüsse wie Material, Produktionslinie, Messgerät, Chargen und Messposition sowie deren dynamisches Verhalten über die Zeit quantitativ aufzuschlüsseln. Auf der Grundlage dieser Faktoren wurden eine Reihe von Featureauswahlverfahren, verschiedene Pipeline-Optimierungen für maschinelles Lernen sowie Trainings- und Bewertungsansätze untersucht, um die robusteste Vorhersagestrategie für thermisch behandelte Komponenten zu finden. Für das Einsatzhärten wurde eine maßgeschneiderte Lösung, die Hidden-State-Pipeline, entwickelt. Schließlich zeigt ein Industriepilot, wie diese Modelle im täglichen Betrieb implementiert und der Prozess auf andere Komponententypen übertragen werden kann, um die Kosten für die End-of-Line-Prüfung zu reduzieren.

Topics

• hardness
• machine learning
• diffuse reflectance infrared Fourier transform spectroscopy