Aufgrund der Fortschritte digitaler Technologien strebt die subtraktive Fertigung nach intelligenten Werkzeugmaschinen, welche eine datengetriebene Selbstoptimierung ermöglichen. Als Beitrag zur Erreichung dieses Ziels wird in dieser Arbeit ein Ansatz zur Berücksichtigung der Einflüsse von Materialchargen vorgestellt. Das beschriebene System nutzt dabei Bilder der verwendeten Schneidwerkzeuge, um deren Zustand zu erfassen. Es werden Methoden für die semantische Bildsegmentierung vorgeschlagen, durch welche die unterschiedlichen Verschleißdefekte erkannt und vermessen werden können. Zusätzlich werden neuartige Ansätze zur Generierung neuer sowie zur Adaption existierender Trainingsdaten auf neue Anwendungsfälle dargestellt. Die Erkennung der Materialcharge während der Bearbeitung erfolgt anhand interner Steuerungssignale. Im Rahmen einer Signalvorverarbeitung werden dabei die hochfrequenten Signale zu charakteristischen Kennwerten aggregiert. Ein Algorithmus bewertet nun den Neuheitsgrad der aktuellen Charge. Ist diese bekannt wird eine Klassifizierung durchgeführt, andernfalls kommt ein Clusteralgorithmus zum Einsatz. Mit diesen Informationen kann nun historisches Wissen für die Berechnung optimierter, chargen-spezifischer Schnittparameter verwendet werden. Zusätzlich ermöglicht das vorgestellte System das automatische Charakterisieren neuartiger Chargen, das kontinuierliche Verbessern der Modelle, sowie die effektive Anpassung an neue Anwendungsfälle.weiterlesen