TY - THES A1 - Sattler, Martin T1 - KI-gestützte Optimierung der Werkzeugstandzeit in CNC-Maschinen N2 - This thesis presents the development of a prototype, locally deployable AI system for predicting tool life in CNC machines. Its goal is to optimize maintenance cycles and reduce downtime through data-driven analysis. The system uses machine learning methods implemented with TensorFlow/Keras and follows a modular architecture separating the data pipeline, model, and interface integration. Historical machine data are preprocessed, encoded, and scaled for training. The evaluation shows that the prototype is technically functional but fails to meet its predictive goal, reaching an error rate of about 80%. The main reasons are the limited dataset and inconsistent input quality. This underlines the strong dependency of model performance on data completeness and consistency. The conclusion identifies key improvements: expanding data sources, refining feature engineering, hyperparameter tuning, and integrating real-time production data. The prototype thus provides a foundation for future research toward higher predictive accuracy and industrial applicability. N2 - In der vorliegenden Arbeit wird ein prototypisches, lokal betreibbares KI-System zur Vorhersage der Werkzeugstandzeit in CNC-Maschinen entwickelt. Ziel ist es, durch datengetriebene Analysen Wartungszyklen zu optimieren und Ausfallzeiten zu reduzieren. Grundlage bilden maschinelle Lernverfahren mit TensorFlow/Keras sowie eine modulare Softwarearchitektur mit separater Datenpipeline, Modellkomponente und Schnittstellenanbindung. Als Datenquelle dienen historische Maschinendaten, die vorverarbeitet, kodiert und skaliert werden. Die Evaluation zeigt, dass der Prototyp technisch funktionsfähig ist, seine prognostische Zielgröße jedoch mit einer Fehlerrate von rund 80 % deutlich verfehlt. Hauptursachen sind die begrenzte Datenbasis und die schwankende Eingabedatenqualität, was die starke Abhängigkeit der Modellgüte von Datenvollständigkeit und -konsistenz verdeutlicht. Im Fazit werden Optimierungspotenziale benannt, darunter erweiterte Datenquellen, verbessertes Feature Engineering, Hyperparameter-Tuning und die Integration von Echtzeitdaten. Zudem werden mögliche Anwendungen in anderen Branchen wie Automobilbau, Luft- und Raumfahrt sowie Predictive Maintenance aufgezeigt. Y1 - 2025 U6 - https://doi.org/10.60524/opus-2821 ER -