La predicción precisa del desgaste de herramientas es crucial para mejorar la eficiencia de la fabricación, sin embargo, debido a la interferencia del ruido redundante, cómo utilizar eficazmente las características de sensores multicomponente sigue siendo un gran desafío. Actualmente, existe una necesidad urgente de una estrategia que pueda aprovechar simultáneamente las "características fuertes" con alta capacidad predictiva y las "características débiles" que contienen información de valor potencial. Para abordar este problema, se propone un algoritmo mejorado basado en una arquitectura codificador–atención–decodificador basada en Transformer llamado CdualTAL. El nombre del modelo proviene de sus componentes clave: módulo de algoritmo de selección adaptativa de características basado en correlación, codificador Transformer de doble canal, mecanismo de atención y decodificador de memoria a largo y corto plazo (LSTM). CdualTAL utiliza un codificador de doble canal para procesar de forma independiente el conjunto completo de características multicomponente, así como un subconjunto de características fuertes seleccionadas mediante el algoritmo de selección adaptativa que diseñamos basado en la correlación. A continuación, un mecanismo de atención cruzada personalizado fusiona estas representaciones de características, enfocándose en las características fuertes mientras integra razonablemente la información proveniente de las características débiles. Finalmente, se utiliza un decodificador LSTM jerárquico para capturar dependencias temporales profundas. Los resultados de validación en el conjunto de datos de desgaste de herramientas muestran que CdualTAL supera a 11 métodos de última generación actuales, demostrando una estabilidad y precisión predictiva sobresalientes, con un coeficiente de determinación promedio R² de 0.983 y un error cuadrático medio (RMSE) de 4.373.

características multicomponente; doble canal; fusión de características; desgaste de herramientas; mecanismo de atención; mejora de características