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！

龙图腾网获悉哈尔滨工业大学申请的专利少标记下基于物理信息自监督学习的刀具磨损量预测方法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：CN119589494B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411799784.9，技术领域涉及：B23Q17/09；该发明授权少标记下基于物理信息自监督学习的刀具磨损量预测方法是由路勇;王振驰;朱小龙;邓柯楠设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本少标记下基于物理信息自监督学习的刀具磨损量预测方法在说明书摘要公布了：少标记下基于物理信息自监督学习的刀具磨损量预测方法，属于数控加工中心刀具磨损状态预测技术领域。包括采集加工过程中的切削力、振动和声发射等监测信号；每个样本进行截取和Z分数标准化的预处理操作；设计混合残差卷积神经网络刀具磨损监测模型，对多源传感器信号进行信息融合和高维表征提取；利用辅助任务一对刀具磨损监测模型进行预训练，引导模型提取信号的不变性特征；本发明在标记数据稀缺的情况下，实现了对刀具磨损的高精度预测和出色的泛化能力，能够有效减少预测误差的波动幅度，保持预测结果的稳定性。本发明在模型训练中有效利用了少量标记数据，确保了刀具磨损监测的稳定可靠性，符合实际生产中对监测精度和适应性的要求。

本发明授权少标记下基于物理信息自监督学习的刀具磨损量预测方法在权利要求书中公布了：1.一种少标记下基于物理信息自监督学习的刀具磨损量预测方法，其特征在于：包括以下步骤： S1.采集加工过程中的切削力、振动和声发射监测信号； S2.将采集信号作为数据样本，对部分样本进行了标记工作，并对每个样本进行截取和Z分数标准化的预处理操作； S3.设计混合残差卷积神经网络刀具磨损监测模型，对多源传感器信号进行信息融合和高维表征提取； S4.基于自监督学习框架，利用辅助任务一对刀具磨损监测模型进行预训练，通过增强视图生成、孪生网络对比损失计算，引导模型提取信号的不变性特征； S5.基于自监督学习框架，利用辅助任务二对刀具磨损监测模型进行预训练，通过引入物理约束，增强表征向量的物理一致性； S6.基于自监督学习框架，通过交替优化辅助任务一和辅助任务二，逐步引导模型同时具备高效特征提取能力和物理规律一致性； S7.基于自监督学习框架，使用有限规模的标记样本对经过预训练的刀具磨损监测模型进行微调，并获取最终的磨损值评估结果； S8.通过计算模型评价指标，评价模型在刀具磨损状态监测任务上的整体性能。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。