تنبؤ دقيق بتآكل الأدوات أمر بالغ الأهمية لتحسين كفاءة التصنيع، ومع ذلك نظراً لتداخل الضوضاء الزائدة، يظل كيفية استخدام ميزات المستشعر متعددة النطاقات بشكل فعال تحدياً كبيراً. هناك حاجة ملحة حالياً إلى استراتيجية يمكنها استخدام الميزات "القوية" ذات القدرة التنبؤية العالية والميزات "الضعيفة" التي تحتوي على معلومات قيمة كامنة في وقت واحد. لحل هذه المشكلة، تم اقتراح خوارزمية مطورة تعتمد على بنية الترميز-الانتباه-فك الترميز المُعتمدة على Transformer والمعروفة باسم CdualTAL. يعود اسم النموذج إلى مكوناته الرئيسية: وحدة خوارزمية اختيار الميزات التكيفية ذات الصلة، الترميز المزدوج القناة للـ Transformer، آلية الانتباه، ووحدة فك الترميز الذاكرة طويلة وقصيرة الأمد (LSTM). يستخدم CdualTAL الترميزات ذات القناتين لمعالجة مجموعة الميزات المتعددة النطاقات بشكل مستقل، بالإضافة إلى مجموعة فرعية من الميزات القوية التي تم اختيارها عن طريق خوارزمية اختيار الميزات التكيفية ذات الصلة التي قمنا بتصميمها. بعد ذلك، يتم دمج تمثيلات هذه الميزات بواسطة آلية الانتباه المتقاطعة المخصصة، التي تركز على الميزات القوية بينما تدمج بشكل معقول المعلومات المستمدة من الميزات الضعيفة. أخيراً، يتم استخدام وحدة فك الترميز الهرمي من نوع LSTM لالتقاط علاقات التبعيات الزمنية العميقة. تظهر نتائج التحقق على مجموعة بيانات تآكل الأدوات أن CdualTAL يتفوق على 11 من أحدث الطرق الحالية، مظهراً استقراراً ودقة تنبؤية ممتازة، حيث بلغ متوسط معامل التحديد R² 0.983، ومتوسط الجذر التربيعي للخطأ (RMSE) 4.373.

ميزات متعددة النطاقات; قناتين; دمج الميزات; تآكل الأدوات; آلية الانتباه; تعزيز الميزات