14,000 data sets from an industrialized bainitization process, consisting of process gas furnace, salt bath and circulating air furnace, were used to predict the resulting Vickers hardness of cylinder heads made of 100Cr6 based on process data such as temperature and pressure. For prediction, machine learning methods such as ANNs, CNNs, ensemble methods and support vector regressors were compared. Meta features such as the furnace number as well as features extracted from the recorded time series were used. Data preparation and feature extraction were performed according to the machine learning methods used. The random forest achieved the best predictions with an R 2 score of 0.406 and also allows the evaluation of the most important features.
14.000 Datensätze aus einem industrialisierten Bainitisierungsprozess, bestehend aus Prozessgasofen, Salzbad und Umluftofen, wurden verwendet, um basierend auf den Prozessdaten, wie Temperatur und Druck, die resultierende Vickers-Härte von Zylinderköpfen aus 100Cr6 vorherzusagen. Zur Vorhersage wurden Methoden des Maschinellen Lernens wie ANNs, CNNs, Ensemble-Methoden und Support-Vector-Regressoren miteinander verglichen. Es wurden sowohl Metafeature wie die Ofennummer als auch Feature benutzt, die aus den aufgezeichneten Zeitreihen extrahiert wurden. Die Datenaufbereitung sowie die Feature-Extraktion wurden entsprechend der eingesetzten Methoden des Maschinellen Lernens durchgeführt. Der Random Forest erzielte mit einem R 2-Score von 0,406 die besten Vorhersagen und ermöglicht zusätzlich die Auswertung der wichtigsten Feature.