Hartmetalle (engl. cemented carbides) finden heutzutage ein breites Anwendungsspektrum und werden entsprechend ihren Aufgaben maßgeschneidert. Hartmetall kann nur pulvermetallurgisch hergestellt werden. Über die Zusammensetzung und die Körnigkeit von Carbid-Material, Metallbinder und eventuellen Additiven werden die mechanischen Eigenschaften eingestellt. Neben Härteprüfung, Dichtetest, Analyse der Struktur und Porosität werden routinemäßig zerstörungsfreie Messungen der Magnetisierung und der Koerzitivfeldstärke zur Qualitätskontrolle gemäß DIN-ISO 3326 herangezogen. Diese magnetischen Eigenschaften liefern Rückschlüsse auf die Struktur, Zusammensetzung und Verunreinigung im gesinterten Zustand. Obwohl bei der Bewertung auf sehr viel Erfahrung zurückgegriffen wird, sind die Messergebnisse in binären bzw. ternären Systemen mit zudem komplexen Herstellungsprozessen oft nicht eindeutig interpretierbar. Dieses Vorhaben zielt darauf ab, die magnetische Charakterisierung von Hartmetallen und deren Aussagen zu strukturellen und mechanischen Eigenschaften genauer, sicherer und eindeutiger zu gestalten. Zusätzlich zu den traditionellen Messungen der M(H)-Hysterese sollen moderne Methoden wie First-Order-Reversal-Curve (FORC) Analyse und Künstliche Intelligenz (KI) für FORC-Diagramme hinzugefügt werden, welche die Interpretierbarkeit quantitativer und eindeutiger gestalten werden. Heutige Magnetometer erlauben es, FORC-Messungen in vernünftiger Zeit von wenigen Minuten durchzuführen. Diese liefern zusätzliche Aussagen über Phasenbildung und Verunreinigungen im Pulver und im gesinterten Zustand. FORC-Diagramme sind trotz großer Erfahrung nicht einfach zu interpretieren. Ein bisher nicht genutzter Ansatz soll helfen. Wir wollen die FORC-Diagramme mit Hilfe Künstlicher Intelligenz interpretieren lassen. Nach einer Anlernphase erwarten wir quantitative Aussagen zu Struktur, Zusammensetzung, Phasenbildung und Verunreinigung, sowie zu mechanischen Eigenschaften wie Härte, Zugfestigkeit, etc. Unterstützt werden die genannten Verbesserungen durch (mikro-)magnetische Simulationen. Diese können zum einen FORC-Diagramme von Modellsystemen berechnen und dem Deep-Learning-Algorithmus (oder ähnliches: z.B. Random Forest) zur Verfügung stellen, zum anderen können experimentelle Daten (M(H) und FORC) physikalisch interpretiert werden. Diese Maßnahmen heben die Qualitätsüberwachung in der Hartmetallproduktion auf ein modernes, zukunftsträchtiges Niveau. Auf lange Sicht, also bei Vorhandensein von genügend Daten, könnte sich aus den vorgestellten Ansätzen ein Hilfswerkzeug erstellen lassen, welches neue Wege und Strategien in der Hartmetallproduktion aufzeigen könnte.