لمعالجة المشاكل المتعلقة بالاستخراج المعقد لميزات الإشارة في طرق المراقبة الذكية التقليدية، وتأثير تآكل الأدوات على جودة القطع وكفاءة الإنتاج أثناء عملية الطحن، تم اقتراح طريقة توقع حالة تآكل الأدوات بناءً على شبكة GRU المحسّنة (BiGRU-1DCNN-CBAM). تم استخدام الإحصائيات، تحليل الزمن، تحليل التردد، وتحويل المويجات لاستخراج 24 ميزة مثل المتوسط، القمة، وكثافة طيف القدرة من إشارات الأدوات، وتحويل بيانات السلاسل الزمنية متعددة الأوضاع إلى صور لسلسلة زمنية لميزات الأدوات؛ تم إدخال الشبكات العصبية الالتفافية لاستخراج الميزات العميقة من بيانات الإشارة، مع دمج وحدة آلية الانتباه المقترنة لتعزيز قدرة النموذج على التقاط خرائط ميزات اهتزاز وقوة القطع، وبعد تسطيح وربط طبقة الميزات، تم إدخالها إلى BiGRU لالتقاط الاعتماد طويل المدى، ومن خلال طبقة الاتصال الكامل تم التنبؤ بكمية تآكل الأدوات، مما يحقق توقع العمر المتبقي لحالة تآكل الأدوات خلال عمليات التصنيع CNC. أظهرت نتائج التجارب أن الخطأ الجذري المتوسط التربيعي (RMSE) والوسط المطلق للخطأ (MAE) للنموذج على مجموعة بيانات PHM2010 كان 2.17 ميكرومتر و1.29 ميكرومتر على التوالي، مع تحسن يتجاوز 40.5٪ و52.1٪ مقارنة بنماذج Bayesian-MCMC-Prognostics، SBiLSTM، RIME-CNN-SVM، MobilenetV3، TDConvLSTM، ISABO-IBiLSTM، IWOA-IECA-BiLSTM، LSTM-CNN-CBAM، وتقليل مدة التشغيل بنسبة لا تقل عن 2.8٪ مقارنة بالنماذج المماثلة. النموذج المقترح قادر على تمثيل درجة تآكل الأدوات بفعالية، مع تقليل خطأ التنبؤ وتحقيق نتائج توقع جيدة.

تآكل الأدوات;التعلم العميق;الشبكة العصبية الالتفافية (CNN);وحدة التكرار البوّابة (GRU);وحدة الانتباه;توقع الحالة