Schibsdat, SebastianSebastianSchibsdatMöller, CarstenCarstenMöllerDege, Jan HendrikJan HendrikDege2026-06-112026-06-112026-05-25Zeitschrift für Wirtschaftlichen Fabrikbetrieb 121 (5): 385-390 (2026)https://hdl.handle.net/11420/63468Für datengetriebene Verschleißvorhersagen sind geeignete Sensorgrößen erforderlich. Ziel war es, die Aussagekraft von fünf Sensoren für die Verschleißmarkenbreitenvorhersage VBmax mithilfe von Deep-Learning-Modellen beim Drehen zu quantifizieren. Die Modelle basierend auf den Zerspankraftkomponenten erzielten die höchste Voraussagegüte (MAE = 9,68 μm, R ² = 0,93). Körperschall, Temperatur und Werkzeugschwingungen lagen mit MAE ~ 15 μm in einem engen Mittelfeld. Die Werkstückoberfläche wies mit einem MAE = 23,47 μm den geringsten Informationsgehalt auf.Suitable sensors are required for data-driven wear predictions. The objective was to quantify the predictive power of five sensors for predicting the wear mark width VBmax using deep learning models for the turning process. The models based on the cutting force components achieved the highest prediction accuracy (MAE = 9.68 µm, R² = 0.93). Acoustic emission, temperature, and tool vibrations were in a close mid-range with MAE ~ 15 µm. The workpiece surface exhibited the lowest information content with an MAE of 23.47 µm.de2511-089620265385390Coated ToolsDeep Neural NetworksExternal Longitudinal TurningMachine LearningTool WearTechnology::600: TechnologyJournal Article10.1515/zwf-2026-1068