Eine genaue Vorhersage des Werkzeugverschleißes ist entscheidend für die Steigerung der Fertigungseffizienz. Aufgrund der Störung durch redundantes Rauschen stellt die effektive Nutzung von Mehrdomänen-Sensormerkmalen jedoch weiterhin eine große Herausforderung dar. Derzeit besteht ein dringender Bedarf an einer Strategie, die gleichzeitig "starke Merkmale" mit hoher Vorhersagefähigkeit und "schwache Merkmale" mit potenziell wertvollen Informationen nutzen kann. Zur Lösung dieses Problems wird ein verbessertes Algorithmus-basierendes Transformer-Encoder–Attention–Decoder-Architekturmodell namens CdualTAL vorgeschlagen. Der Name des Modells leitet sich aus seinen Hauptkomponenten ab: einem Korrelations-adaptiven Merkmalsauswahl-Algorithmusmodul, einem zweikanaligen Transformer-Encoder, einem Aufmerksamkeitsmechanismus und einem lang-kurzzeitgedächtnis (LSTM) Decoder. CdualTAL verwendet einen zweikanaligen Encoder, um den vollständigen Satz von Mehrdomänenmerkmalen unabhängig zu verarbeiten sowie eine Teilmenge starker Merkmale, die durch unseren entwickelten korrelations-adaptiven Merkmalsauswahlalgorithmus ausgewählt wurden. Anschließend fusioniert ein benutzerdefinierter Kreuzaufmerksamkeitsmechanismus diese Merkmalsrepräsentationen, indem er sich auf starke Merkmale konzentriert und gleichzeitig vernünftig Informationen aus schwachen Merkmalen integriert. Abschließend wird ein hierarchischer LSTM-Decoder verwendet, um tiefgreifende zeitliche Abhängigkeiten zu erfassen. Die Validierungsergebnisse auf dem Werkzeugverschleiß-Datensatz zeigen, dass CdualTAL 11 der derzeit fortschrittlichsten Methoden übertrifft und außergewöhnliche Vorhersagestabilität und Genauigkeit zeigt, mit einem durchschnittlichen Bestimmtheitsmaß R² von 0,983 und einem Root Mean Square Error (RMSE) von 4,373.

Mehrdomänenmerkmale; Zweikanal; Merkmalfusion; Werkzeugverschleiß; Aufmerksamkeitsmechanismus; Merkmalsverstärkung