Trajnostna obdelava materialov zahteva učinkovito spremljanje stanja orodja (TCM) za povečanje izkoriščenosti orodja in zmanjšanje vpliva na okolje. Obstojne rešitve TCM segajo od visokocenovnih sistemov z več senzorji do ultra-nizkocenovnih alternativ z omejeno natančnostjo. Ta raziskava zapolnjuje vrzel z učinkovitim, samostojnim sistemom TCM za oceno obrabe orodja neposredno v proizvodnji. Sistem združuje pospeškomer na osnovi PVDF, Raspberry Pi 4 in merilno kartico za zajem podatkov. Večnivojska programska arhitektura je zasnovana za popolno izkoriščanje te strojne opreme, optimizacijo obdelave signalov v realnem času ter podporo tako za učenje modelov strojnega učenja kot za njihovo uporabo. Predlagana metoda uporablja dva osnovna modela: gručenje k-povprečij za segmentacijo faz obdelave in L2 regresijo za oceno obrabe orodja. Na primeru industrijske stružnice je bila vzpostaviljena linearna zveza med obrabo orodja in hrapavostjo površine obdelovanca. Zbrane meritve vibracij treh orodij skozi njihovo življenjsko dobo so se izkazale kot zadostne za usposabljanje modelov strojnega učenja, ki dosegajo obetavno natančnost napovedi. Ta raziskava nadgrajuje samostojne TCM rešitve, prilagojene proizvodnim sektorjem, ki iščejo ravnovesje med dostopnostjo in zmogljivostjo.