加载数据

下载并解压空压机数据集[1]．该数据集由空气压缩机在正常状态或七个故障状态之一的记录组成。

zipFile = matlab.internal.examples.downloadSupportFile (“音频”，“AirCompressorDataset / AirCompressorDataset.zip”）;dataFolder = fileparts (zipFile);解压缩(zipFile dataFolder);

创建一个audioDatastore对象来管理数据。

广告= audioDatastore (dataFolder IncludeSubfolders = true, LabelSource =“foldernames”）;

方法将数据分割为训练集、验证集和测试集splitEachLabel函数。

[adsTrain, adsValidation adsTest] = splitEachLabel(广告,0.7,0.2,0.1);

使用变换函数使用函数对数据进行预处理audioPreprocess，在本例的末尾找到。对于每一个信号:

tdsTrain =变换(adsTrain、@audioPreprocess IncludeInfo = true);tdsValidation =变换(adsValidation、@audioPreprocess IncludeInfo = true);tdsTest =变换(adsTest、@audioPreprocess IncludeInfo = true);

选择Pretrained网络

准备和培训网络交互使用深层网络设计师(深度学习工具箱)．要打开深度网络设计器，请在应用程序选项卡,在机器学习和深度学习，单击应用程序图标。或者，您可以从命令行打开应用程序。

deepNetworkDesigner

深度网络设计器提供了预先训练的音频分类网络的选择。这些模型需要音频工具箱™和深度学习工具箱™。

下音频网络中,选择YAMNet从预先训练的网络列表中，单击开放．如果没有安装YAMNet的Audio Toolbox模型，请单击安装代替。深度网络设计器提供了指向网络权重位置的链接。将文件解压缩到MATLAB路径上的某个位置。现在关闭深度网络设计器开始页面并重新打开它。当网络正确安装并进入相应路径时，可单击开放YAMNet按钮。YAMNet模型可以将音频分为521种声音类别中的一种。有关更多信息，请参见yamnet．

深度网络设计器显示整个网络的缩小视图设计师窗格。要用鼠标放大，使用Ctrl+滚轮。若要移动，请使用方向键，或按住滚轮并拖动鼠标。选择一个图层查看它的属性。清除所有层以查看网络摘要属性窗格。

为迁移学习准备网络

为迁移学习准备网络，在设计师窗格，替换最后一个可学习层和最后一个分类层。

替换最后一个可学习层

要使用预训练的网络进行迁移学习，必须更改类的数量以匹配新的数据集。首先，找到网络中最后一个可学习层。对于YAMNet，最后一个可学习层是最后一个完全连接层，密集的．

拖动一个新的fullyConnectedLayer到画布上。的OutputSize属性为分类问题定义类的数量。改变OutputSize到新数据中的类数量，在本例中为8。

更改学习速率，使学习在新层比在迁移层更快WeightLearnRateFactor而且BiasLearnRateFactor来10．

删除最后一个完全连接的图层，连接你的新图层。

替换输出层

对于迁移学习，需要替换输出层。滚动到末尾层的图书馆然后拖动一个新的classificationLayer到画布上。删除原来的分类层，并在其位置连接新层。

对于一个新的输出层，您不需要设置OutputSize．训练时，Deep Network Designer根据数据自动设置层的输出类。

检查网络

单击，检查网络是否为培训做好了准备分析．如果深度学习网络分析仪报告零错误，那么编辑后的网络就可以进行训练了。

导入数据

将数据加载到深度网络设计器中数据选项卡上,单击导入数据>导入数据存储．选择tdsTrain作为培训数据和tdsValidation作为验证数据。

使用深度网络设计器，您可以在数据选项卡。你可以看到训练前的数据和预期的一样。

选择培训选项

要指定培训选项，请选择培训选项卡并单击培训方案．将初始学习率设置为较小的值，以降低迁移层的学习速度。结合全连接层提高的学习率因素，现在只有新层的学习速度快，其他层的学习速度慢。

对于本例，设置解算器来亚当，InitialLearnRate来0.0001,MaxEpochs2。

列车网络的

单击，使用指定的培训选项对网络进行培训关闭然后点击火车．

深度网络设计器允许您可视化和监视训练进度。然后，如果需要，您可以编辑培训选项并重新培训网络。为了找到最佳的训练选项，使用实验管理器创建一个深度学习实验。您可以通过单击在深度网络设计器中创建一个深度学习实验出口>创建实验．

导出培训的结果，对培训选项卡上,选择出口>导出培训网络和结果．Deep Network Designer将训练过的网络作为变量导出trainedNetwork_1训练信息作为变量trainInfoStruct_1．

您还可以生成MATLAB代码，它可以重新创建网络和所使用的训练选项。在培训选项卡上,选择出口>生成培训代码．检查MATLAB代码，学习如何以编程方式准备训练数据，创建网络体系结构，并训练网络。

测试网络

利用导出的网络和分类器对测试数据进行分类分类函数。

data = readall (tdsTest);欧美={:2}][数据;YPred =分类(trainedNetwork_1 tdsTest);accuracy = sum(YPred == YTest')/numel(YTest)

精度= 0.9830

支持函数

这个函数audioPreprocess使用yamnetPreprocess生成MEL光谱图audioIn你可以把它提供给YAMNet预训练的网络。每个输入信号产生多个光谱图，因此必须复制标签以创建与光谱图一一对应的关系。

函数[data,info] = audioPreprocess(audioIn,info) class = info. label;fs = info.SampleRate;特点= yamnetPreprocess (audioIn, fs);numSpectrograms =大小(功能,4);data =细胞(numSpectrograms 2);为index = 1:numSpectrograms data{index,1} = features(:，:，:，index);数据{指数,2}=类;结束结束

参考文献

[1]维尔马，尼什查尔·K.，拉胡尔·库马尔·塞瓦库拉，索纳尔·迪克西特，和阿尔·萨鲁尔。基于声学信号的空压机智能状态监测《IEEE可靠性汇刊》第65期，no。1(2016年3月):291-309。https://doi.org/10.1109/TR.2015.2459684。