Junghans, SebastianSebastianJunghansMöller, CarstenCarstenMöllerDege, Jan HendrikJan HendrikDege2023-11-282023-11-282023-11Zeitschrift für wirtschaftlichen Fabrikbetrieb 118 (11): 752-757 (2023-11)https://hdl.handle.net/11420/44392Die Verschleißgrenzen von Fräswerkzeugen dürfen hinsichtlich der Werkstückqualität nicht überschritten werden. Der dafür notwendige Werkzeugwechsel richtet sich häufig nach festen Standzeiten, wodurch variierende Verschleißraten nicht berücksichtigt und optimale Wechselzeitpunkte verpasst werden. In diesem Beitrag wird gezeigt, wie ML-Modelle bei der Entscheidungsfindung für einen Werkzeugwechsel bei variierenden Verschleißraten innerhalb eines definierten Schnittparameterraums genutzt werden können. © 2023 Walter de Gruyter GmbH, Berlin/Boston, GermanyThe wear limits of milling tools should not be exceeded with regard to the workpiece quality. Current approaches of relying on fixed service lifetimes for tool replacement overlook the crucial factor of varying wear rates and fail to determine the optimal times for replacement. This article presents an approach that uses ML algorithms in the decision-making process, which enables a tool replacement while considering varying wear rates within a defined range of cutting parameters. © 2023 Walter de Gruyter GmbH, Berlin/Boston, Germanyde2511-0896202311752757WerkzeugverschleißStandzeitProzessüberwachungMaschinelles LernenFräsenSensorikTool WearTool Service LifeProcess MonitoringMachine LearningMillingSensorsMLE@TUHHTechnologyEngineering and Applied OperationsJournal Article10.1515/zwf-2023-1155Journal Article