A previsão precisa do desgaste de ferramentas é crucial para melhorar a eficiência da fabricação, no entanto, devido à interferência de ruído redundante, como utilizar eficazmente os recursos de sensores multdomínios ainda é um grande desafio. Atualmente, há uma necessidade urgente de uma estratégia que possa utilizar simultaneamente "recursos fortes" com alta capacidade preditiva e "recursos fracos" que contenham informações de valor potencial. Para resolver esse problema, foi proposto um algoritmo baseado na arquitetura codificador–atenção–decodificador Transformer melhorado denominado CdualTAL. O nome do modelo deriva de seus componentes principais: módulo de algoritmo de seleção adaptativa de características baseado em correlação, codificador Transformer de canal duplo, mecanismo de atenção e decodificador de memória de longo e curto prazo (LSTM). O CdualTAL usa um codificador de canal duplo para processar de forma independente o conjunto completo de características multdomínios, bem como um subconjunto de características fortes selecionadas pelo nosso algoritmo de seleção adaptativa baseado em correlação projetado. Em seguida, um mecanismo de atenção cruzada personalizado funde essas representações de características, focando nas características fortes enquanto integra razoavelmente as informações provenientes das características fracas. Por fim, um decodificador LSTM hierárquico é utilizado para capturar dependências temporais profundas. Os resultados de validação no conjunto de dados de desgaste de ferramentas mostram que o CdualTAL supera 11 dos métodos mais avançados atuais, demonstrando excelente estabilidade e precisão preditiva, com coeficiente de determinação médio R² de 0,983 e erro quadrático médio (RMSE) de 4,373.

características multdomínios; canal duplo; fusão de características; desgaste de ferramentas; mecanismo de atenção; aprimoramento de características