Las piezas de paredes delgadas exhiben alta flexibilidad, lo que las hace susceptibles a vibraciones durante el fresado, lo que puede impactar significativamente la precisión del mecanizado, la calidad de la superficie y la productividad. Por lo tanto, la detección de vibraciones juega un papel crucial en el fresado de paredes delgadas. En este estudio, se propone un método de detección de vibraciones basado en la fusión de múltiples sensores y una red neuronal convolucional de doble flujo (CNN), que puede identificar eficazmente el estado de mecanizado en el fresado de paredes delgadas. Específicamente, las señales de aceleración y las señales de fuerza de corte se recopilan primero durante el proceso de fresado y se transforman al dominio de la frecuencia utilizando la transformada rápida de Fourier (FFT). En segundo lugar, se diseña una CNN de doble flujo para extraer las características ocultas del espectro de señales de múltiples sensores, evitando así la confusión al aprender las características de cada señal de sensor. Luego, considerando que las características de cada sensor tienen una importancia diferente para la detección de vibraciones, se diseña un mecanismo de atención conjunta basado en conexión residual, y los coeficientes de peso de las características se asignan de manera adaptativa para obtener las características conjuntas. Finalmente, las características conjuntas se alimentan a un clasificador de estado de mecanizado para identificar la ocurrencia de vibraciones. Para validar la viabilidad y efectividad del método propuesto, se realizan una serie de pruebas de fresado. Los resultados demuestran que el método propuesto puede distinguir con precisión entre estable y vibraciones en varios escenarios de fresado, logrando una precisión de detección de hasta el 98.68%.