تعتبر التوقعات وإدارة الصحة (PHM) عنصرًا أساسيًا في نطاق التصنيع الذكي. يعد التنبؤ الدقيق بالعمر النافع المتبقي (RUL) لمطحنة الأيونات أمرًا بالغ الأهمية من أجل تعزيز الكفاءة الإجمالية لإجراء حفر مطحنة الأيونات (IME). اقترحت هذه الورقة إطارًا للتعلم العميق القائم على البيانات (DL) يدمج شبكة الالتفاف الزمني (TCN) والذاكرة قصيرة المدى (LSTM) وآلية الاهتمام الذاتي لتحسين دقة تنبؤ RUL في عملية نقش المطحنة الأيونية. في البداية، تنقسم بيانات إدخال المستشعر إلى مسارين متوازيين - أحدهما به كتل TCN لالتقاط التبعيات بعيدة المدى، والآخر باستخدام طبقات LSTM لاستخراج الأنماط الزمنية. ثم يتم دمج المخرجات من كلا المسارين وإدخالها في طبقة LSTM لتحسين التعلم، تليها آلية الاهتمام الذاتي لتسليط الضوء على الميزات المهمة ثم الطبقة المتصلة بالكامل للتنبؤ RUL. تم تقييم فعالية هذا النموذج المقترح من خلال استخدام مجموعة بيانات تحدي بيانات PHM لعام 2018 وجنبًا إلى جنب مع نماذج التعلم العميق المختلفة لإثبات فعاليتها. تشير نتائج التجارب إلى أن ATCN-LSTM تعمل كخيار قوي لتقدير RUL في عملية نقش المطحنة الأيونية لأنها تفوقت على جميع النماذج الأخرى التي تمت مقارنتها.