1.一种基于注意力循环神经网络的刀具磨损在线监测方法，其特征在于，其包括以下步骤：S1、采集机床加工过程中的刀具磨损数据，制作原始数据集：等时间间隔连续采集刀具切削过程中的信号数据，记录进给速度和采样频率的加工参数信息，整理数据作为原始数据集；

S2、对刀具磨损原始数据集进行预处理，包括无效数据剔除和小波包变换降噪：S21、初步无效数据剔除，使用第三四分位数方法确定剔除数据点的位置，在进刀和退刀过程中传感器记录的数据按数值从小到大依次排列，将数据均等分为四份，对应的第三个截断点即为剔除数据点的位置；

S22、细节无效数据降噪，采用小波变换对信号数据的时间和频率特征进行提取，小波包变换计算公式如下：其中，ψ(·)表示小波函数且有： gk表示小波函数空间Wj内的任意函数且有 k为任意整数，f(t)是空间Wj内的任意函数， 为尺度函数，α为尺度因子，τ为位移量，t为当前时刻，ak为缩放系数；

尺度函数计算公式如下：

其中，hk是小波函数在实数域计算过程中形成的空间Vj内的任意函数，k为任意整数；

S3、将经过预处理的刀具磨损数据集输入到基于注意力循环神经网络的刀具磨损监测模型中进行迭代训练；

S31、建立刀具磨损监测模型，刀具磨损监测模型包括注意力机制特征提取模块和门控循环神经网络监测模块；

S32、训练刀具磨损监测模型：获取经过预处理的实验数据集，数据集包括刀具切削过程的磨损数据以及与其对应的磨损值，将整个离线数据集按比例划分为训练集和验证集，传入基于注意力循环神经网络的刀具磨损监测模型中进行训练，数据依次经过注意力机制特征提取模块和循环神经网络监测模块，完成训练过程，输出训练结果和监测准确度；

S33、对于循环神经网络监测模块t时刻的存储记忆St有：

St＝σ(UXt+WSt‑1)

其中，σ表示softmax激活函数，U、W表示权值，Xt表示当前时刻真正输入，St‑1表示前一时刻的存储记忆；

S34、对于循环神经网络监测模块t时刻输出Ot有：

Ot＝VSt+C

其中，V表示权值，C表示前一状态时刻的输出；

S35、对于循环神经网络监测模块模型预测输出时刻y(t)有：

y(t)＝σ(Ot)；

S4、判断训练结果是否符合要求：计算模型的监测值与实际值的误差，当实验误差小于当前加工工况所规定的阈值时，保存训练好的刀具磨损监测模型并应用到在线刀具磨损检测分析中；基于注意力门控循环神经网络的刀具磨损监测模型误差的计算，分别选择均方根误差RMSE以及平均绝对误差MAE作为模型评价指标且有：其中，RMSE表示均方根误差计算结果，ym表示第m个刀具磨损预测值， 表示第m个刀具磨损真实值，M表示验证集的数据个数；

对刀具预测结果的准确度进行分析，平均绝对误差MAE有：

均方根误差RMSE与平均绝对误差MAE二者范围均在[0，+∞)，当刀具磨损监测值与刀具磨损真实值吻合时，此时RMSE与MAE均为0；当RMSE与MAE数值越大，需要对模型进行网络结构调整以获得小的差值数据；

S5、在线采集刀具加工过程中的磨损信号，进行在线监测：加载步骤S3中保存好的刀具磨损监测模型，将在线采集的传感器信号数据依次进行步骤S2所述的无效数据剔除、小波包变换，然后传入保存的模型中进行磨损监测，得到刀具磨损监测值。

2.根据权利要求1所述的基于注意力循环神经网络的刀具磨损在线监测方法，其特征在于，所述步骤S31中注意力机制特征提取模块，对于输入的数据向量，该机制将数据向量通过矩阵相乘得到3个子向量，分别为Q向量、K向量和V向量。

3.根据权利要求2所述的基于注意力循环神经网络的刀具磨损在线监测方法，其特征在于，传入到多头注意力机制中的Q向量、K向量和V向量，经过线性层进行线性变换，将3个子向量传入到放缩点积注意力机制中，经过多次计算，实现多头计算。

4.根据权利要求1所述的基于注意力循环神经网络的刀具磨损在线监测方法，其特征在于，所述步骤S3中注意力机制网络对降噪后的实验数据进行特征提取，将输入的数据特征输入到门控循环神经网络模型中，通过RNN层建立刀具磨损退化特征值与刀具磨损值之间的非线性映射关系，输出刀具磨损监测值。

5.根据权利要求1所述的基于注意力循环神经网络的刀具磨损在线监测方法，其特征在于，步骤S4中所述的当前加工工况所规定的阈值，是根据当前模型监测准确度、加工参数和加工需要的精度来计算得到的。

6.根据权利要求1所述的基于注意力循环神经网络的刀具磨损在线监测方法，其特征在于，步骤S31中的刀具磨损监测模型通过自定义的全连接层输出，自定义的全连接层包括两个liner连接层、一个ReLU激活函数层和一个Sigmoid激活函数层，具体包括以下步骤：S311、数据经过一个liner连接层后，经过ReLU激活函数层进行处理；

S312、将数据传入到第二个liner连接层；

S313、经过Sigmoid激活函数层处理输出。