El avance de las fábricas inteligentes ha dado lugar a la producción en lotes de pequeña cantidad. En la producción de múltiples variedades, tanto los materiales como los métodos de procesamiento cambian constantemente, lo que resulta en cambios irregulares en la progresión del desgaste de las herramientas, que a menudo se ve afectada por los métodos de procesamiento. Esto conduce a cambios en el momento de reemplazo de las herramientas, y no determinar correctamente este momento puede resultar en daños sustanciales y pérdidas financieras. En este estudio, buscamos abordar el problema del momento incorrecto para el reemplazo de herramientas utilizando un modelo Seq2Seq para predecir el desgaste de las herramientas. También entrenamos modelos LSTM y GRU para comparar el rendimiento utilizando el error absoluto medio (MAE) y el error cuadrático medio (MSE). El modelo Seq2Seq superó a LSTM y GRU con un rendimiento de aproximadamente 0.03~0.037 en datos de brocas escalonadas, 0.540.57 en datos de metal superior y 0.16~0.45 en datos de metal bajo. Confirmando que Seq2Seq mostró el mejor rendimiento, establecimos un sistema de monitoreo en tiempo real para verificar los resultados de predicción obtenidos utilizando el modelo Seq2Seq. Se anticipa que este sistema de monitoreo ayudará a prevenir accidentes con anticipación.