Para abordar los problemas relacionados con la extracción laboriosa de características de señales en los métodos tradicionales de monitoreo inteligente, así como el impacto del desgaste de la herramienta en la calidad de la pieza y la eficiencia de producción durante el fresado, se propone un método de predicción del estado de desgaste de la herramienta basado en una red neuronal GRU mejorada (BiGRU-1DCNN-CBAM). Se utilizan estadísticas, análisis temporal, análisis de frecuencia y transformada wavelet para extraer 24 características de las señales de la herramienta, como la media, la curtosis y la densidad espectral de potencia, transformando los datos de series temporales multimodales en imágenes de series temporales de características de la herramienta; se introduce una red neuronal convolucional para extraer características profundas de los datos de señal, combinada con un módulo de mecanismo de atención convolucional para fortalecer la capacidad del modelo para capturar las características de las señales de vibración y fuerza de corte. Después de aplanar y concatenar la capa de características, se ingresa a BiGRU para capturar dependencias a largo plazo y, a través de una capa totalmente conectada, se realiza la regresión de la cantidad de desgaste de la herramienta, logrando predecir la vida útil restante del estado de desgaste de la herramienta durante el proceso de mecanizado CNC. Los resultados experimentales muestran que el error cuadrático medio (RMSE) y el error absoluto medio (MAE) del modelo en el conjunto de datos PHM2010 fueron 2.17 μm y 1.29 μm respectivamente, con mejoras superiores al 40.5% y 52.1% en comparación con modelos Bayesian-MCMC-Prognostics, SBiLSTM, RIME-CNN-SVM, MobilenetV3, TDConvLSTM, ISABO-IBiLSTM, IWOA-IECA-BiLSTM, LSTM-CNN-CBAM, y reducción del tiempo de ejecución al menos en un 2.8% en comparación con modelos similares. El modelo propuesto puede representar eficazmente el grado de desgaste de la herramienta, reducir el error de predicción y obtener buenos resultados de predicción.

desgaste de la herramienta;aprendizaje profundo;red neuronal convolucional (CNN);unidad recurrente con puertas (GRU);módulo de atención;predicción de estado