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！

龙图腾网获悉浙江大学;浙江先端数控机床技术创新中心有限公司申请的专利一种基于物理引导与半监督学习的主轴刀具磨损监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：CN121705721B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202610187735.2，技术领域涉及：G06F18/213；该发明授权一种基于物理引导与半监督学习的主轴刀具磨损监测方法是由傅建中;彭业振;俞丰文;康为民;韩楠杰;阮志斌;沈姚启;姚鑫骅;栾丛丛设计研发完成，并于2026-02-10向国家知识产权局提交的专利申请。

本一种基于物理引导与半监督学习的主轴刀具磨损监测方法在说明书摘要公布了：本发明公开了一种基于物理引导与半监督学习的主轴刀具磨损监测方法，包括：采集刀具加速度信号，提取多域统计特征并进行跨刀具鲁棒性筛选，构造反映历史趋势的累积特征形成混合输入集；利用引入单调性惩罚的并行符号回归网络挖掘符合退化机理的显式物理方程；利用该方程对无标签数据进行预测及平滑单调化处理，生成物理弱标签，构建混合训练集；设计物理引导交叉注意力机制，以物理方程为先验对统计与累积特征进行加权融合；构建轻量化神经网络处理融合特征，并基于混合训练集设计差异化损失函数联合训练。本发明能突破对大量标注数据的依赖，保证预测结果的物理一致性，满足工业现场高精度监测需求。

本发明授权一种基于物理引导与半监督学习的主轴刀具磨损监测方法在权利要求书中公布了：1.一种基于物理引导与半监督学习的主轴刀具磨损监测方法，其特征在于，包括以下步骤： 1采集主轴刀具的加速度信号，提取包含时域、频域及时频域的多域统计特征并进行跨刀具的自适应筛选，获得统计特征子集； 2针对统计特征子集中的统计特征，构造刻画刀具性能随时间持续退化趋势的累积特征，将统计特征与累积特征在物理通道维度进行组合，得到混合输入特征集；累积特征的构造公式为： ； 式中，为当前切削时刻，为刀具编号，为第时刻的第维统计特征，为对应累积特征，用于从数据层面表征磨损过程的历史演变趋势； 3利用引入单调性惩罚项的并行符号回归网络对混合输入特征集进行符号化回归挖掘，得到符合退化机理的显式物理方程；单调性惩罚项的定义为： ； 式中，为第个刀具对应的单调性惩罚项，为第个刀具的总切削次数，为并行符号回归网络在时刻的预测值； 4利用显式物理方程对无标签刀具数据进行预测及平滑单调化处理，生成物理弱标签，并与强标签数据构建混合训练集； 5设计物理引导交叉注意力机制，以显式物理磨损方程的输出作为物理先验查询向量，对统计特征与累积特征进行加权筛选与门控融合，得到物理引导下的融合特征向量；具体过程为： 设计物理引导交叉注意力模块，以显式物理磨损方程的输出作为物理先验查询向量，将统计特征与累积特征映射为键与值；计算物理通道对统计特征通道与累积特征通道的注意力权重；随后构建自适应门控机制，利用Sigmoid激活函数计算门控系数；根据门控系数将原始统计特征与加权统计特征、原始累积特征与加权累积特征进行融合，得到物理引导下的融合特征向量； 计算物理通道对统计特征通道与累积特征通道的注意力权重，公式为： ； ； ； 式中，和表示分别为统计特征通道与累积特征通道的注意力权重，，为物理通道映射的查询向量，和分别为统计特征与累积特征映射的键向量，为特征维度，和分别表示统计特征通道与累积特征通道归一化后的注意力权重； 6构建包含双向门控循环单元与残差全连接模块的轻量化神经网络，并基于混合训练集设计差异化的混合损失函数进行联合训练； 7应用过程中，采集主轴刀具的加速度信号，处理得到融合特征向量后输入训练好的轻量化神经网络，输出最终的磨损预测值。

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浙江大学;浙江先端数控机床技术创新中心有限公司，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。