强噪声与多电机干扰下的港口设备轴承声纹故障诊断OA

针对港口设备轴承在强噪声与多电机干扰环境下故障诊断的难题,尤其是缺乏真实工业声纹数据集及算法噪声鲁棒性不足的问题,本文首先构建了面向港口复杂环境的电机轴承声纹故障数据集(HB数据集)。该数据集在多电机运行场景下采集,包含七类常见故障及多种工业干扰。在此基础上,提出了一种高效的多尺度注意力阈值残差收缩上下文感知网络(EMAtrc-SCAM):其前端引入高效多尺度注意力与自适应软阈值化(EMAtrs)模块以增强抗噪能力;后端采用深度可分离分组上下文感知掩蔽(SCAM)模块以实现轻量化。同时,设计了自适应边界补偿损失函数(ABC Loss),该函数通过双重罚值机制动态调整分类边界,以提升对难例样本的区分能力。实验结果表明,所提方法在HB数据集上实现了99.41%的故障识别准确率,等错误率(EER)低至0.58%,且模型参数量较基线网络减少了11.6%,在强噪声干扰下仍保持了优异的诊断性能。