Точное прогнозирование износа инструмента имеет решающее значение для повышения эффективности производства, однако из-за воздействия избыточного шума эффективно использовать многодоменные характеристики датчиков по-прежнему является серьезной проблемой. В настоящее время остро необходима стратегия, которая может одновременно использовать "сильные признаки" с высокой предсказательной способностью и "слабые признаки", содержащие потенциально ценную информацию. Для решения этой задачи предложен усовершенствованный алгоритм на основе архитектуры кодер–внимание–декодер Transformer под названием CdualTAL. Название модели происходит от её ключевых компонентов: модуля адаптивного выбора признаков на основе корреляции, двухканального кодера Transformer, механизма внимания и декодера с долгой и короткой памятью (LSTM). CdualTAL использует двухканальный кодер для независимой обработки полного набора многодоменных признаков, а также подсет "сильных признаков", выбранных с помощью разработанного нами алгоритма адаптивного выбора признаков на основе корреляции. Затем пользовательский механизм перекрестного внимания объединяет эти представления признаков, фокусируясь на сильных признаках и одновременно разумно интегрируя информацию из слабых признаков. Наконец, иерархический LSTM-декодер используется для захвата глубоких временных зависимостей. Результаты проверки на датасете износа инструмента показывают, что CdualTAL превосходит 11 современных передовых методов, демонстрируя выдающуюся стабильность и точность прогнозирования, со средним коэффициентом детерминации R² 0.983 и среднеквадратичной ошибкой (RMSE) 4.373.

многодоменные признаки; двухканальный; слияние признаков; износ инструмента; механизм внимания; усиление признаков