工业生产中,基于监控与数据采集系统获取的大量数据中包含丰富的工业过程历史信息,这些信息能够反映工业过程具体运行情况和出现的问题,反映某个或某些指标伴随着时间动态变化的趋势。因此工业机器设备数据能够很好地反映工业进程中的关键变化,从而以此为依据进行故障预测。具体而言,在高速铣削加工过程中,刀具的磨损会影响工件加工质量、生产效率和制造成本等,因而精准的刀具磨损量预测可优化生产决策,避免因刀具磨损而带来的损失。本研究首先构建了基于特征提取（Feature Extraction）及长短期记忆神经网络（LSTM）的刀具磨损量预测模型（FE-LSTM）来预测刀具的磨损量。FE-LSTM模型首先分析提取了工业数据中蕴含的时域特征、频域特征以及时频域特征,并且充分利用了工业数据的时间序列特性,从而可以自适应地学习所提取特征之间复杂的隐含关系,并具备长距离依赖学习能力,可以避免出现梯度爆炸和梯度消失问题。为解决单向LSTM无法考虑未来时刻序列信息的缺陷,本研究最终搭建了基于双向长短期记忆神经网络（Bidirectional LSTM）及注意力机制（Attention Mechanism）的刀具磨损量预测模型（Bi LSTM-AM）。双向长短期记忆神经网络结构可使得模型同时具有过去和未来的信息,并且融合了注意力机制,使得模型在长距离信息的学习过程中更加关注关键特征的形成,从而提高了参数权重与训练目标的相关性。为了验证并评估所提出刀具磨损量预测模型的有效性,本研究基于高速铣削加工过程中产生的时间序列数据,进行了三个不同的对比实验。实验结果表明,本课题所提出的Bi LSTM-AM模型与传统机器学习模型支持向量回归机（Support Vector Regression,SVR）和反向传播神经网络（Back Propagation Neural Network,BPNN）相比,平均绝对误差MSE分别降低了70.81%和47.97%;与深度学习模型卷积神经网络（Convolutional Neural Network,CNN）相比,其MSE降低了79.69%,平均绝对误差百分比MAPE降低了5.977%,可以实现更为精准可靠的刀具磨损量预测。