Einsatz maschineller Lernalgorithmen zur mikromagnetischen Materialcharakterisierung

Abstract

Seit Mitte der 80er Jahre werden am Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren IZFP Methoden zur magnetischen Charakterisierung mechanischer Zielgrößen entwickelt. Eine Herausforderung ist dabei stets die Überlagerung verschiedener Einflussfaktoren, die zu Mehrdeutigkeiten in der Ausprägung der magnetischen Merkmale führt. Eine umfassende Referenzierung dieser Einflüsse ist häufig aus werkstoffphysikalischen oder wirtschaftlichen Gründen nicht möglich, wodurch das Potential zur Vorhersage dieser mechanischen Zielgrößen oft nicht voll ausgeschöpft wird. Durch eine anwendungsspezifische Experimentplanung in Kombination mit einer multivariaten Betrachtung der verfügbaren Messinformation können diese Vorhersagen signifikant verbessert werden. Die steigende Popularität maschineller Lernalgorithmen hat dabei den Zugang dieser multivariater Analysemethoden in die Breite der Ingenieurwissenschaften ermöglicht. Dadurch ergibt sich zwangsläufig der Bedarf nach einem methodischen Ansatz zur Datenauswertung, da die vielen Freiheitsgrade in der Experimentplanung und die Auswahl der verfügbaren maschinellen Lernalgorithmen einen wesentlichen Einfluss auf die Vorhersage der Zielgrößen haben. In dieser Arbeit wird ein methodischer Ansatz zur Analyse mehrdimensionaler Merkmalsräume zur Materialcharakterisierung an dem im Rahmen dieser Arbeit eingesetzten 3MA-X8-System vorgestellt und anhand von praxisnahen Anwendungen zur mikromagnetischen Materialcharakterisierung evaluiert.

Since the middle of the 80s, Fraunhofer Institute for Nondestructive Testing IZFP develops methods for the magnetic characterization of mechanical properties. A challenge in this context is always the superimposition of various influencing factors, which leads to ambiguities in the expression of the magnetic features. A comprehensive referencing of these influences is often not possible due to physical or economic reasons, which leads to the fact that the potential for the prediction of these mechanical properties is often not fully exploited. By using application-specific design of experiments in combination with a multivariate analysis of the available measurement information, these predictions can be improved significantly. In this context, the increasing popularity of machine learning algorithms has enabled the access of these multivariate analysis methods into a wide field across all engineering disciplines. Thereby, the need for a methodological approach for data evaluation arises inevitably, due to the large number of degrees of freedom in the design of experiments and the choice of the available machine learning algorithms, which have a significant impact on the prediction of the targets. In this work, a methodological approach to the analysis of multidimensional feature spaces for materials characterization is presented on the 3MA-X8 system used in this work and evaluated by means of practical applications for micromagnetic materials characterization.