第二步：鹰眼视觉——空间特征提取（CNN）

卷积神经网络（CNN） 像鹰眼一样，对生成的频谱图进行扫描，快速捕捉异响独特的视觉纹理特征：

• 部件磨损引起的高频能量突变

• 装配缺陷引发的音高（基频）异常偏移

• 异物碰撞产生的瞬态冲击图谱

CNN通过多层卷积与池化操作，从频谱图中提取出人眼（和人耳）难以直接察觉的细微异常模式，完成对声音信号空间维度的特征建模。

第三步：顺风耳听觉——并行时序建模（TCN）

时间卷积网络（TCN） 则像顺风耳，专注于倾听这些异常纹理在时间维度上的变化规律：

• 是周期性的规律异响，还是突发性的随机冲击？

• 异响的频率成分是否随时间推移发生漂移？

• 异常信号是否伴随特定的时序模式？

TCN通过高效的时序建模能力，建立起完整的声音上下文逻辑，完成对声音信号时间维度的动态特征捕捉，有效区分“偶发干扰”与“真实缺陷”。

第四步：智能聚光灯——多头注意力机制（MHA）

在上述CNN与TCN并行提取时空特征的基础上，系统启用模型最核心的能力层——多头注意力机制（MHA） 。它如同舞台上的智能聚光灯，能够：

• 自动聚焦于频谱图中最关键的异常信息区域

• 赋予关键特征最高的分析权重

• 在复杂背景噪声中，精准锁定最微弱的异常信号

即使在高达95分贝的嘈杂车间环境中，多头注意力机制依然能够从强背景噪声中“抠”出细微异响信号，确保检测的可靠性与鲁棒性。