従来のインテリジェントモニタリング手法における信号特徴抽出の煩雑さや、フライス加工中の工具摩耗が加工品の品質および生産効率に与える影響などの問題に対して、改良型GRUニューラルネットワークに基づく工具摩耗状態予測手法（BiGRU-1DCNN-CBAM）を提案する。統計量、時系列解析、周波数解析およびウェーブレット変換などの手法を用いて工具信号の平均値、尖度、パワースペクトル密度など24の特徴量を抽出し、マルチモーダル時系列データを工具特徴の時系列画像に変換する。畳み込みニューラルネットワークを導入して信号データの深層特徴を抽出し、畳み込み注意機構モジュールを組み合わせて振動および切削力信号特徴マップのモデルの捕捉能力を強化する。特徴層を平坦化・連結した後にBiGRUに入力し長期依存性を捉え、全結合層を通じて工具摩耗量を回帰し、数値制御加工過程における工具摩耗状態の残余寿命予測を実現する。実験結果は、本モデルがPHM2010データセット上での二乗平均平方根誤差（RMSE）および平均絶対誤差（MAE）がそれぞれ2.17μmおよび1.29μmであり、Bayesian-MCMC-Prognostics、SBiLSTM、RIME-CNN-SVM、MobilenetV3、TDConvLSTM、ISABO-IBiLSTM、IWOA-IECA-BiLSTM、LSTM-CNN-CBAMなどのモデルと比較して、それぞれ40.5％および52.1％改善し、同種モデルと比較して少なくとも2.8％の時間短縮を達成したことを示している。本論文で提案したモデルは工具摩耗の程度を効果的に表現し、予測誤差を減少させ、良好な予測効果を得た。

工具摩耗;深層学習;畳み込みニューラルネットワーク（CNN）;ゲート付き循環ユニット（GRU）;注意機構モジュール;状態予測