En el sector de la manufactura, el desgaste de las herramientas afecta sustancialmente la calidad del producto y la eficiencia de producción. Si bien los modelos tradicionales de aprendizaje profundo secuenciales pueden manejar tareas de series temporales, su negligencia de las complejas relaciones temporales en los datos de series temporales a menudo conduce a la acumulación de errores en las predicciones continuas, lo que reduce su precisión en la predicción del desgaste de herramientas. Para abordar estas limitaciones, se introduce el modelo de redes neuronales convolucionales y recurrentes paralelas con aprendizaje residual modulado por atención (ParaCRN-AMResNet). En comparación con los modelos convencionales de aprendizaje profundo, ParaCRN-AMResNet mejora notablemente la eficiencia y precisión de la extracción de características de los datos de series temporales a través de su innovadora arquitectura paralela. El modelo combina hábilmente una red neuronal convolucional dilatada y unidades recurrentes bidireccionales con compuertas, abordando efectivamente las dependencias de distancia y enriqueciendo la cantidad y dimensiones de las características extraídas. La fortaleza de ParaCRN-AMResNet radica en su capacidad refinada para capturar la dinámica compleja de los datos de series temporales, aumentando significativamente la precisión y capacidad de generalización del modelo. La eficacia del modelo fue validada a través de experimentos de fresado exhaustivos y análisis de señales de vibración, mostrando el rendimiento superior de ParaCRN-AMResNet. En las métricas de evaluación, el modelo logró un MAE de 2.6015, un MSE de 15.1921, un R de 0.9897 y un MAPE de 2.7997%, demostrando concluyentemente su eficiencia y precisión en la predicción precisa del desgaste de herramientas.