El desgaste de herramientas es un factor crucial en el mecanizado, ya que impacta directamente en la calidad de la superficie y disminuye indirectamente la eficiencia del mecanizado, lo que conduce a pérdidas económicas significativas. Por lo tanto, el monitoreo del estado de desgaste de las herramientas es de suma importancia para lograr un alto rendimiento y un mecanizado eficiente. Aunque se ha validado el monitoreo del estado de desgaste de herramientas utilizando un solo sensor en entornos de laboratorio, tiene ciertas desventajas, como la adquisición limitada de información de características y la incapacidad para aprender características importantes de manera adaptativa. Estas limitaciones plantean desafíos para extender rápidamente la función de monitoreo del estado de desgaste de las herramientas de las máquinas. Para resolver estos problemas, este documento propone una red de aprendizaje profundo de doble atención basada en la fusión de características de señales vibroacústicas. La primera solución es la construcción de infografías novedosas utilizando características intrínsecas de la herramienta y características de fusión de múltiples dominios de entradas de múltiples sensores, que incluye análisis de correlación, análisis de componentes principales y fusión de características. La segunda solución es construir una nueva red profunda con un módulo de doble atención y un módulo de agrupamiento en pirámide espacial que puede identificar de manera precisa y rápida el estado de desgaste de la herramienta al extraer con éxito datos espaciales críticos de las infografías a diversas escalas. La validez de la red se examina a través de un análisis de interpretabilidad basado en el gráfico de activación de clase. En términos de la tarea de reconocimiento del estado de desgaste de la herramienta, la puntuación F1 del modelo de doble atención basado en un gráfico de información es un 11.61% más alta que la de Resnet18, y la precisión máxima de reconocimiento alcanza el 97.98%.