La prédiction précise de l'usure des outils est cruciale pour améliorer l'efficacité de la fabrication. Cependant, en raison des interférences liées au bruit redondant, l'exploitation efficace des caractéristiques multi-domaines des capteurs reste un défi majeur. Il est actuellement urgent de disposer d'une stratégie capable d'exploiter à la fois les "caractéristiques fortes" à forte capacité prédictive et les "caractéristiques faibles" contenant des informations à valeur potentielle. Pour résoudre ce problème, un algorithme amélioré basé sur une architecture encodeur–attention–décodeur Transformer nommé CdualTAL est proposé. Le nom du modèle provient de ses composants clés : un module d'algorithme de sélection de caractéristiques adaptatif à la corrélation, un encodeur Transformer à double canal, un mécanisme d'attention et un décodeur à mémoire à long et court terme (LSTM). CdualTAL utilise un encodeur double canal pour traiter indépendamment l'ensemble complet des caractéristiques multi-domaines ainsi qu'un sous-ensemble de caractéristiques fortes sélectionnées via notre algorithme de sélection adaptative basée sur la corrélation. Ensuite, un mécanisme d'attention croisée personnalisé fusionne ces représentations de caractéristiques, en se concentrant sur les caractéristiques fortes tout en intégrant raisonnablement les informations issues des caractéristiques faibles. Enfin, un décodeur LSTM hiérarchique capture les dépendances temporelles profondes. Les résultats de validation sur le jeu de données d'usure des outils montrent que CdualTAL surpasse 11 méthodes de pointe actuelles, démontrant une stabilité et une précision de prédiction remarquables, avec un coefficient de détermination moyen R² de 0,983 et une erreur quadratique moyenne (RMSE) de 4,373.

caractéristiques multi-domaines; double canal; fusion de caractéristiques; usure des outils; mécanisme d'attention; amélioration des caractéristiques