买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江南大学申请的专利一种边界引导的滚动轴承半监督故障诊断方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121051573B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511591394.7，技术领域涉及：G06F18/2413；该发明授权一种边界引导的滚动轴承半监督故障诊断方法及系统是由李可;赵新维;张旭;宿磊;顾杰斐;童彤设计研发完成，并于2025-11-03向国家知识产权局提交的专利申请。

本一种边界引导的滚动轴承半监督故障诊断方法及系统在说明书摘要公布了：本发明提供一种边界引导的滚动轴承半监督故障诊断方法及系统，涉及轴承故障诊断技术领域，该方法包括：采集滚动轴承振动信号数据集，包括有标签样本和无标签样本；构建诊断网络；将时域与频域信号输入特征提取器提取特征；在特征提取器输出层进行交叉掩码对比学习，计算交叉掩码对比损失；在投影空间进行非对称预测对比学习，计算非对称预测对比损失；利用有标签样本构建边界引导机制，通过监督损失引导无标签样本聚合；引入一致性正则化机制，利用无标签样本的时频预测分布构建一致性损失；综合各损失训练网络至收敛；最终实现对无标签信号的故障诊断。本发明解决了有限标注下类间边界模糊和特征聚类质量差的问题，提升了诊断精度与鲁棒性。

本发明授权一种边界引导的滚动轴承半监督故障诊断方法及系统在权利要求书中公布了：1.一种边界引导的滚动轴承半监督故障诊断方法，其特征在于，包括： 采集滚动轴承振动信号数据集，所述数据集包括有标签样本和无标签样本；对所述振动信号进行时域和频域变换，生成时域信号与频域信号作为正样本对； 构建诊断网络，所述诊断网络包括依次连接的特征提取器、投影器、预测器和分类器；其中所述特征提取器采用多层Transformer编码器结构，通过多头自注意力机制捕捉振动信号的全局依赖关系和局部动态特征；所述投影器和预测器均采用多层感知机结构，所述投影器用于将特征提取器输出映射至对比学习表征空间，所述预测器用于对投影特征进行非对称预测以避免模型塌陷；所述分类器由全连接层和Softmax函数构成，用于输出故障类别概率； 将所述时域信号和频域信号并行输入至共享参数的所述特征提取器，提取时域特征和频域特征； 在特征提取器输出层进行第一阶段对比学习，通过交叉掩码机制对所述时域特征和频域特征施加一致性约束，计算交叉掩码对比损失，以提升无标签样本特征的判别性和鲁棒性； 在投影空间进行第二阶段对比学习，通过非对称预测机制对所述时域特征和频域特征在投影器和预测器中施加对齐约束，计算非对称预测对比损失，以避免模型塌陷并增强跨视角特征一致性； 将所述有标签样本输入所述分类器，通过监督损失构建边界引导机制，利用有标签样本作为边界锚点引导无标签样本在特征空间中逐步聚合至正确类别簇，提升类间分离度；其中所述监督损失为交叉熵损失； 引入一致性正则化机制，利用无标签样本在时域和频域视角下的预测概率分布构建软标签一致性损失，使无标签样本直接参与分类器参数优化；其中所述边界引导机制的具体实现包括： 计算无标签样本在时域和频域视角下的预测概率分布，并基于软标签构建一致性损失： ； 其中，为软标签一致性损失，为无标签样本数，为类别数，和分别为时域和频域视角下第个无标签样本属于类别的预测概率； 综合所述交叉掩码对比损失、非对称预测对比损失、监督损失和软标签一致性损失，构建总损失函数，并基于所述总损失函数训练所述诊断网络直至收敛； 将待诊断的无标签滚动轴承振动信号输入训练收敛的所述诊断网络，通过分类器输出概率分布，并根据最大概率确定故障诊断结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江南大学，其通讯地址为：214122 江苏省无锡市滨湖区蠡湖大道1800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。