Nach einem schrecklichen Unfall ist der 15-jährige Alex am Boden zerstört. Um Abstand zu gewinnen und die schlimmen Erinnerungen zu verarbeiten, soll er den restlichen Sommer bei seinem Onkel John in Andover verbringen. Obwohl Alex neue Freunde kennenlernt, verfolgen ihn seine Erlebnisse. Doch dann entdeckt er in Johns Haus den Eingang in eine unterirdische Kammer, die offenbar seit langer Zeit nicht betreten wurde. Was hat Arthur Cessler damit zu tun, der vor vielen Jahren mit seiner Familie in seinem Herrenhaus wohnte, bevor es durch ein mysteriöses Feuer zerstört wurde? Welches Geheimnis verbarg er, über das bis heute gerätselt wird? Als Alex und seine Freunde dahinterkommen, wird ihnen sofort klar: gelangt es in die falschen Hände, könnte eine Katastrophe ausgelöst werden ...

In der vorliegenden Arbeit wird die methodische Entwicklung einer in-Prozess Qualitätsüberwachung bei der Drehbearbeitung durch maschineninterne Daten basierend auf künstlicher Intelligenz durchgeführt. Das CRISP-DM stellt dabei die grundlegende Methodik dar. Bei der Entwicklung stehen die auf der Steuerung auflaufenden Sercos-Variablen im Vordergrund. Es wird zunächst nachgewiesen, dass diese zur Detektion unterschiedlichster Fehler geeignet sind, ohne zusätzliche Sensorik in der Werkzeugmaschine integrieren zu müssen. Im Anschluss wird eine experimentelle Herangehensweise entwickelt und die benötigten Daten generiert. Diese werden dann analysiert und mit Methoden der Datenaufbereitung vorbereitet. Darauf folgt die Variablenreduktion und Feature Analyse. In dieser werden Korrelationen und Kollinearitäten zwischen den Sercos-Variablen ausgewertet und Feature der Zeitreihen gebildet, um sie einer Testklassifikation zuzuführen. Das Ergebnis ist eine reduzierte Variablenliste, die als Eingangsgröße für die weitere Entwicklung der Qualitätsüberwachung dient. Dabei werden zwei Lösungsvarianten entwickelt und vorgestellt: eine quadratische Klassifikation mittels der totalen Abweichungswerte der spektralen Kurtosis zu einem durch Gutteil-Daten definierten Normal und eine Ein-Klassen-Klassifikation durch ein Convolutional Neural Network basierend auf Zeit-Frequenz-Repräsentationen der Zeitreihendaten durch Velocity Synchronous Linear Chirplet Transform. Weiterhin wird die benötigte IT-Infrastruktur zur Umsetzung der Lösung vorgestellt. Diese erfolgt mittels eines Servers/ einer Cloud zur rechenintensiven Erstellung und Verbesserung der benötigten Modelle und einem Edge Device, das auch durch den eventuell vorhandenen Industrie PC ersetzt werden kann.