UMFORMtechnik (Blech)

 
 
   

Stahlsorten sicher klassifiziert

Derzeit sind 5000 Stahlsorten auf dem Markt. Sie zu klassifizieren, wurden bislang Materialproben unter dem Mikroskop mit Beispielbildern verglichen. Das Vorgehen ist fehleranfällig. Über maschinelle Lernverfahren wurde jetzt eine Methode entwickelt, die genauer und objektiver ist.

For our English speaking readers:
Classifying steels reliably
5000 different types of steel are currently on the market. Until now, they have been classified by comparing material samples under a microscope with example images.  This process is prone to error. A more precise and objective method has been now been developed using machine learning techniques.

Da moderne Stähle in immer mehr Varianten angeboten würden und ein zunehmend komplexes Innenleben hätten, seien die Fehlertoleranzen immer enger gesteckt. Für Ingenieure wie ihn, die neue Werkstoffe entwickelten und Vorgaben an deren Qualität erfüllen müssten, sei dies eine Herausforderung, sagt Dominik Britz, Doktorand am Lehrstuhl Funktionswerkstoffe der Universität des Saarlands. Sein Forscherkollege Seyed Majid Azimi vom Saarbrücker Max-Planck-Institut für Informatik musste ihm vermitteln, warum maschinelles Lernen – auch „Deep Learning“ genannt – präzisere Ergebnisse liefern als alle von Expertenhand durchgeführten Bildanalysen.

 

Hierzu fütterte der Informatiker seinen Rechner mit Bilddaten, die zunächst „von Hand“ klassifiziert worden waren. Mit ihnen wurden die Computermodelle trainiert und später nochmals mit von Menschen einsortierten Bilddaten abgeglichen. Doch wie war es möglich, dass der Rechner ohne „Kenntnis“ der Materialien so gute Ergebnisse lieferte?

Die Stahlproduktion liefert hier die Datenbasis. „In der Herstellung hat jeder Produktionsschritt Auswirkungen auf das Gefüge des Stahls“, erläutert Dominik Britz. In dessen Mikrostruktur grenzen Körner Bereiche ab, die eine bestimmte Kristallstruktur aufweisen, aber anders als die benachbarten Körner ausgerichtet sind. Dabei die geometrische Ausrichtung der Körner hochkomplex sein wie auch deren individuelle Form und räumliche Verknüpfung. „Dies wird in der Qualitätskontrolle durch speziell präpariert Licht- und Elektronenmikroskope sichtbar gemacht“, erklärt Britz. 

Um Werkstoffe zu klassifizieren, werden die Mikroskopie-Aufnahmen mit Beispielbildern verglichen, die eine typische Gefügestruktur aufweisen. Erfahrene Ingenieure entwickeln dafür über die Jahre einen genauen Blick um einzuschätzen, welche Stahlstruktur vorliegt. „Doch auch ein geübter Experte kann sich täuschen, da die Bildabweichungen manchmal mit bloßem Auge kaum zu erkennen sind. Wir Menschen sind recht gut darin, kleine relative Unterschiede zu sehen, aber wir können nur schlecht absolute geometrische Standards wiedererkennen“, sagt Frank Mücklich, der die Studie betreut hat. An dieser beteiligt waren auch Mitarbeiter des von ihm geleiteten Steinbeis-Forschungszentrums für Werkstofftechnik (MECS).

Gesucht wurde insoweit ein „täuschungssicher“ objektives Verfahren, das unabhängig von der fachlichen Vorkenntnis des Anwenders eingesetzt werden kann. „Durch maschinelle Lernmethoden können Computer komplexe Muster schnell erkennen und die Geometrie der Mikrostrukturen in Mikroskopie-Aufnahmen zuordnen. Sie können aber auch die Merkmale von zuvor klassifizierten Mikrostrukturen lernen und diese mit den erkannten Mustern abgleichen“, erklärt Mücklich. So konnten die Mikrostrukturen von kohlenstoffarmem Stahl genau bestimmet werden, was bisher in dieser Detailschärfe nicht möglich war.

„Unser System klassifiziert zu 93 Prozent genau. Mit herkömmlichen subjektiven Methoden war dies zu kaum mehr als 50 Prozent korrekt möglich“, sagt der Forscher. Zwei unterschiedliche Gebiete – Materialforschung und Informatik – seien auf gewinnbringende Weise verknüpft wurden. „Für uns ist das erst der Beginn einer intensiven Zusammenarbeit mit der hochkarätigen Informatikforschung. Die neuen Deep-Learning-Verfahren werden helfen, nicht nur die Qualität von Stahl und anderen Werkstoffen genauer zu bewerten. Wir gehen davon aus, dass sich unsere Ergebnisse auch auf andere Produktionsprozesse und Materialien übertragen lassen“, sagt Mücklich.

Material Engineering Center Saarland (MECS)
Steinbeis-Forschungszentrums für Werkstofftechnik
66123 Saarbrücken
Ansprechpartner ist Frank Mücklich
Tel.: +49-681 30270500
f.muecklich@mec-s.de
www.mec-s.de