Sintermagnete aus Fe-Nd-B sind die derzeit leistungsstärksten Magnete für Anwendungen im Automobilbereich. Durch das hohe maximale Energieproduckt lassen sich effiziente und kompakte Elektromotoren herstellen. Neben der chemischen Zusammensetzung hat insbesondere die Gefügeausbildung einen starken Einfluss auf die Eigenschaften des Magneten. Ein erhöhter Anteil an nichtmagnetischen Fremdphasen (Eta-Phase, Oxide) kann zu einem schwächeren Magneten (geringere Remanenz) und zu einer frühzeitigen Alterung führen. Nichtmagnetische Fremdphasen führen zusätzlich zu einer lokalen Erhöhung des magnetischen Streufelds. Sie können so den Widerstand gegen Entmagnetisierung (Koerzitivfeldstärke) herabsetzen und damit über die Zeit die Performance eines Energiewandlers mindern.
Um diesen Aspekt genauer zu verstehen, müssen umfangreiche Gefüge- und Eigenschaftsuntersuchungen an Magneten durchgeführt werden. Mittels maschinellen Lernens ist es möglich, das Magnetgefüge großflächig und automatisiert zu charakterisieren und Ungänzen aufzuspüren. Dies ermöglicht einen direkten Qualitätsvergleich zwischen verschiedenen Magneten sowie eine qualitative Analyse der Gefügeungänzen.

Diese Technik der Gefügeuntersuchung wurde auf eine Magnetcharge angewandt, die Schwankungen in den magnetischen Eigenschaften aufwies. Untersuchungen der chemischen Zusammensetzungen zeigten keine signifikanten Unterschiede. Jedoch konnten mittels maschinellem Lernen Auffälligkeiten in der Beschaffenheit des Gefüges gefunden werden. Die großflächige Gefügeanalyse zeigte insbesondere Auffälligkeiten der Ausprägung der nichtmagnetischen Eta-Phase welche zwischen den Proben stark variierte. Der Magnet mit der niedrigsten Koerzitivfeldstärke zeigte auch die flächenmäßig größten Anteile dieser Phase.

Die vorgestellte Methode ist damit neben der klassischen QGA, der chemischen Analyse und der Messung physikalischer Eigenschaften ein weiteres wertvolles Tool für die Beurteilung von Magneten und auch übertragbar auf andere Materialien und Bauteilen.