Development of a methodical approach for uncertainty quantification and meta-modeling of surface hardness in white layers of longitudinal turned AISI4140 surfaces

The formation of thermally and mechanically induced near-surface microstructures in the form of white layers leads to different hardness properties in these areas. Therefore, this paper conducts systematic surface hardness measurements and uncertainty quantification utilizing the Monte Carlo Method (MCM) in accordance with the Guide to the Expression of Uncertainty in Measurement (GUM). Furthermore, several meta-models describing the hardness course in relationship to the material depth are used to model this nonlinear relationship via machine learning. The evaluation and selection of the optimal model considers the trade-off between measurement uncertainty and prediction quality in terms of mean squared error (MSE). The resulting measurement uncertainty is to be used for the calibration of a non-destructive micromagnetic material sensor. This will then be implemented for in-process monitoring in the outer diameter longitudinal turning process. This should make it possible to detect white layers during machining and to avoid them accordingly by controlling the machine parameters. By means of a soft sensor, the corresponding target value is to be derived from the micromagnetic material sensor measurement.

Die Entstehung thermisch und mechanisch induzierter oberflächennaher Mikrostrukturenin Form von weißen Schichten führt in diesen Bereichen zu unterschiedlichen Härteeigenschaften. In diesem Beitrag werden Ergebnisse von systematischen Oberflächenhärtemessungen sowie eine Unsicherheitsanalyse über die Monte-Carlo-Methode (MCM) gemäß dem Guide to the Expression of Uncertainty in Measurement (GUM) durchgeführt. Mehrere Meta-Modelle, die den Härteverlauf in Abhängigkeit der Tiefe darstellen, werden zur Modellierung des nichtlinearen Verlaufs durch maschinelles Lernen verwendet. Die Bewertung über die Minimierung der Fehlerquadratsumme (MSE) zur Auswahl des optimalen Modells stellt einen Kompromiss zwischen Messunsicherheit und Vorhersagequalität dar. Über die resultierende Messunsicherheit wird die Kalibrierung für einen auf mikromagnetischer Basis arbeitenden Materialsensor realisiert. Dieser wird daraufhin für die Prozessüberwachung im Außendurchmesser-Längsdrehprozess eingesetzt. Die Entstehung weißer Randzonen während der Bearbeitung kann so erkannt und durch entsprechende Parameterwahl vermieden werden. Über einen implementierten Softsensor soll aus der mikromagnetischen Materialcharakterisierung der entsprechende Sollwert abgeleitet werden.