该研究提出了一种高效的实时卷积神经网络（CNN）用于滚动轴承故障诊断，具有噪声鲁棒性和实时处理能力。通过Fisher频谱可分离性分析，模型精度提高15.8%，在不同噪声和转速条件下表现优异。研究强调振动数据在故障分类中的重要性，并探讨了模型开发的实际应用。

该文章提出了一种新的机械故障诊断方法，利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据。通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。