Application of Data Mining and Machine Learning Methods to Industrial Heat Treatment Processes for Hardness Prediction

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. ... mehrAlle 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.

Industrial heat treatment processes are usually optimized for many years during series production, but the number of factors influencing hardness and the high measurement noise of end-of-line hardness testing make it increasingly difficult to further reduce costs or optimize the process. In this work, a data mining framework for batch processes was developed and applied to harness the rich data sources that fill up over time for two pilot use cases, namely bainitization of 20,000 and case hardening of 7,000 batches. All necessary data sources, preprocessing, cleansing, and feature extraction steps are outlined along with the corrections for drifts. ... mehrA benchmark for the maximum achievable predictability was derived to assess the economic benefit of a use case at an early stage. The framework then applies step-by-step data mining techniques to quantitatively break down variance contributors such as material, production line, measurement device, batch and measurement position, as well as their interactions and dynamic behavior over time. Based on these factors, a set of feature subset selection, machine learning pipeline optimization, as well as training and evaluation approaches were explored in order to find the most robust prediction strategy for thermally treated components. For case hardening a custom solution, the hidden-state-pipeline was developed. Finally, an industry pilot shows how to implement these models in daily operations and transfer the process to other component types to reduce the costs of end of line tests.