Abstract14,000 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 R2 score of 0.406 and also allows the evaluation of the most important features.

KurzfassungDas Niederdruck-Carbonitrieren ist ein modernes Verfahren zum Einsatzhärten von niedriglegierten Einsatzstählen. Bei ihm werden Kohlenstoff und Stickstoff bei Gesamtdrücken von kleiner 50 mbar und bei Temperaturen über 800 °C in der Randschicht der zu behandelnden Werkstücke angereichert. In der Literatur wird fast ausschließlich Ammoniak als Stickstoffdonator, in Verbindung mit einem Kohlenstoffdonator, meist Ethin oder Propan, als Prozessgas diskutiert [1–3]. Der Einsatz anderer Gase bzw. Gasmischungen als Donatoren für Kohlenstoff und Stickstoff sowie deren Wirksamkeit bei der Anreicherung der Randschicht mit den genannten Elementen wird so gut wie nicht behandelt. Am Engler-Bunte-Institut des Karlsruher Instituts für Technologie wurden daher potenzielle Prozessgase für das Niederdruck-Carbonitrieren identifiziert. Deren Wirksamkeit beim Anreichern einer Bauteils-Randschicht mit Kohlenstoff und Stickstoff wurde in einer Thermowaage experimentell untersucht. Mit Methylamin (CH3NH2) und Dimethylamin ((CH3)2NH) konnten zwei Prozessgase gefunden werden, die im Vergleich zu Ammoniak in Verbindung mit einem Kohlenstoffdonator (z. B. Ethin, Propan) zu einer guten Anreicherung der Randschicht mit Kohlenstoff und Stickstoff führen. Auf Basis einer vorangegangenen Potenzialanalyse werden in der vorliegenden Veröffentlichung ausschließlich Untersuchungsergebnisse zum Niederdruck-Carbonitrieren mit Methylamin vorgestellt.

To explain the variance in core hardness of 18CrNi8 nozzle bodies after industrial heat treatment, several data sources, including steel melt composition, sensor process data, and measurement errors, of five years are aggregated. In order to predict hardness variations caused by alloy composition, traditional physical models by Maynier are compared with data-driven machine learning models, which show no advantage due to low data variability. Neither method can fully explain the visible drifts, which are better tracked by an alternative (i. e., filter model) that uses past measurements. Machine learning on features from heat treatment is not successful in predicting hardness change, presumably because the process is too stable. Finally, a large part of the variance is caused by the HV 1 measurement error.

KurzfassungDas Gas-Carbonitrieren ist ein seit Jahrzehnten etabliertes Wärmebehandlungsverfahren. Im Vergleich zum reinen Aufkohlen, ermöglicht die zusätzliche Zugabe von Stickstoff eine höhere Härtbarkeit sowie eine bessere Anlass- und Verschleißbeständigkeit. Beim klassischen Verfahren besteht die Gefahr der Randoxidation der Bauteiloberflächen. In Abhängigkeit von der Bauteilbeanspruchung muss die Oxidschicht durch eine kostenintensive Nachbearbeitung entfernt werden. Bei komplexen Bauteilgeometrien, wie beispielsweise Tieflochbohrungen, ist eine Nachbearbeitung meist nicht möglich. Die Randoxidation kann durch das Niederdruck-Carbonitrieren vermieden werden. Ohne ein grundlegendes Verständnis über die Wechselwirkungen der Kohlenstoff- und Stickstoffdonatoren bei den Oberflächenvorgängen und des Kohlenstoffs und Stickstoffs beim Stofftransport in der Eisenmatrix ist jedoch eine Prozessauslegung bei diesem neuartigen Verfahren nur mit hohem zeitlichem und experimentellem Aufwand möglich. Daher soll der Stofftransport modelliert werden, um eine schnelle, simulationsgestützte Auslegung zu ermöglichen. In diesem Beitrag wird ein Modell zur vollständigen Beschreibung der Stofftransportvorgänge beim Niederdruck-Carbonitrieren vorgestellt. Ein Vergleich der mathematischen Ansätze mit den experimentellen Ergebnissen erfolgt nur bei der Beschreibung der Diffusion. Es werden die Ergebnisse zur Löslichkeit und zur Diffusion des Stickstoffs in den Einsatzstählen 20MnCr5 und 18CrNi8 präsentiert. Die Wärmebehandlung erfolgte in einem industriellen Vakuumofen. Im ersten Schritt wurde die Stickstofflöslichkeit in Abhängigkeit der Legierungszusammensetzung, des Drucks und der Temperatur untersucht. Im zweiten Schritt folgte die Modellierung der Diffusionsvorgänge. In erster Näherung zeigen die berechneten Verläufe der Kohlenstoff- und der Stickstoffkonzentrationen im Stahl eine gute Übereinstimmung mit den experimentellen Ergebnissen.

KurzfassungDie Vorteile des Niederdruck-Carbonitrier-Verfahrens gegenüber dem bereits etablierten Niederdruck-Aufkohlen liegen in der Möglichkeit, durch den zusätzlich eingebrachten Stickstoff eine höhere Verschleiß- und Temperaturbeständigkeit des behandelten Bauteils zu erreichen. In einer früheren Veröffentlichung [1] wurde ein Modell zur Beschreibung der Transportvorgänge von Stickstoff und Kohlenstoff im Stahl vorgestellt. Im Rahmen der weitergeführten Untersuchungen wurden nun dazu ergänzend Geschwindigkeitskoeffizienten der mathematischen Ansätze zur Beschreibung der Oberflächenkinetik, bestehend aus Ammoniakadsorption und –zerfall, Lösen, Desorbieren und Effundieren von Stickstoff, mittels thermogravimetrischer Untersuchungen (TGA) ermittelt. Somit stehen Ansätze und Daten zur Verfügung, um beim Carbonitrieren die Konzentrationsprofile von Kohlenstoff- und Stickstoff im Stahl vorherzusagen. Das vollständige Modell wurde anhand experimenteller Untersuchungen validiert. Die Übereinstimmung mit den Messergebnissen ist gut bis ausreichend.