This paper addresses the challenge of real-time tool condition monitoring in tapping processes using machine learning techniques, with a focus on cross-material generalization and robust fault detection. The study leverages a historical dataset from 1988, comprising 2,195 tapping experiments on two steel alloys - 16 MnCr 5 and 42 CrMo 4 - monitoring torque (Mz) signals to predict binary quality outcomes (good/bad) based on defined quality criteria. To overcome limitations in prior work, the authors introduce a feature extraction method that captures both amplitude and duration characteristics across distinct phases of the torque signal,. The evaluation framework includes increasingly challenging train/test splits: random, run-wise holdout, and cross-material (training on 16 MnCr 5, testing on 42 CrMo 4), enabling assessment of real-world generalizability.

Multiple machine learning models are tested using both raw time-series data (after cleaning and normalization) and engineered features. Results show Matthews Correlation Coefficients (MCC) of 0.40 - 0.41 under cross-material testing-indicating moderate but meaningful generalization across materials with different mechanical properties. This performance level suggests that fundamental physical regularities in successful tapping produce consistent torque signatures, enabling transferable detection of anomalies without retraining. Findings support the feasibility of plug-and-play monitoring systems in agile manufacturing environments, where minimal setup and broad applicability are essential.

Der Beitrag beruht auf den fast 10-jährigen Erfahrungen im Rahmen von drei Förderprojekten des Freistaats Bayern. An der Hochschule Hof wurden, u. a. auf Basis einer entwickelten MINT-Datenbank und deren Analysen, zahlreiche Maßnahmen abgeleitet, durchgeführt und evaluiert. Basierend darauf wurde im letzten WiSe ein neues, modulares Studiengangkonzept im Bereich der Ingenieurwissenschaften eingeführt. Als wesentliche Erkenntnisse lassen sich folgende Aussagen festhalten: • Eingangsprüfungen verbessern die Studienerfolgsquote • ca. 10% einer Kohorte wollen gar nicht studieren • NotenMonitoringProgramme sind ein wichtiger Baustein für die Studienberatung bzw. den Studienerfolg • Notenanrechnung braucht definierte Rahmenbedingungen • Tutorien sind erst bei einer Teilnahme > 60% richtig wirksam • Prognosen zum Studienerfolg sind anhand der Hochschulzugangsberechtigungsnote bzw. anhand dem Studierverhalten im ersten Semester möglich • der wichtigste Faktor für den Studienerfolg ist die/der Studierende selbst