本发明涉及故障定位，更具体地说，本发明涉及无尘室气锤波动源定位方法及系统。
背景技术：
1、无尘室(cleanroom)是一类对空气质量、温度、湿度、压力等严格控制的特殊环境，广泛应用于半导体、生物医药、食品加工等领域。在无尘室内，精确定位和排查可能导致环境污染的波动源至关重要。
2、现有技术如授权公告号cn114544188b的中国专利公开了一种航空发动机多源拍振引起的振动波动故障识别与排除方法，针对航空发动机监测振动值呈周期性正弦波动的情形，所述方法包括：步骤一、将周期性正弦波动的振动值波动模式分为第一模式和第二模式；步骤二、计算出现振动波动时的高、低压转子的转速比；步骤三、根据转速比r进行拍振故障模式识别；步骤四、确认拍振故障模式后，通过调节高、低压转子转速的关系，改变转速比，实现消除多源耦合拍振。此申请的航空发动机多源拍振引起的振动波动故障识别与排除方法通过结合航空发动机的工作实际使用特点，并计算高低压转速比的大小和振动波动情况，可实现多源拍振三种模式的快速识别与准确定位，且可以实现航空发动机多源拍振故障的排除。
3、现有技术是多源拍振三种模式的快速识别与准确定位；但是忽略了一种故障影响参数异常，会逐渐引发多种故障参数异常，即一种故障引发的多种不同类型故障的连锁反应，在对故障进行识别和排出时，难以准确的做到对故障源的定位，从而导致故障源排出效率低，此外，在无尘室环境中，例如气锤波动源异常时，不仅导致气锤无法正常作业，也将导致无尘室内的气体环境遭到破坏，因此针对此种故障源定位，需要具备定位准确的特点。
4、鉴于此，本发明提出一种无尘室气锤波动源定位方法及系统以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：无尘室气锤波动源定位方法；
2、采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
3、对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数，
4、将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
5、继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
6、将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
7、进一步地，确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间的方法包括：
8、若m种参数中有出现异常参数，则将异常参数表现值放入输入数据集中作为特征参数，以及获取异常参数对应的采集时间；
9、若m种参数中未出现异常参数，标记正常参数，以单位时间结束时间节点采集的正常参数表现值放入输入数据集中作为特征参数，并将单位时间结束时间节点作为正常参数的采集时间。
10、进一步地，判断参数是否异常的方法包括：
11、预设每一种参数阈值区间，将参数与相应的预设参数阈值区间比对分析；
12、若参数在相应的预设参数阈值区间内，则判定相应的参数为正常参数；
13、若参数不在相应的预设参数阈值区间内，则判定相应的参数为异常参数。
14、进一步地，故障类型识别模型的训练方法包括：
15、收集x组历史气锤样本数据，x为大于1的整数，历史气锤样本数据包括气锤特征数据以及与气锤特征数据对应的气锤故障类型；气锤特征数据包括输入数据集与输入数据集中每个特征参数的采集时间，将输入数据集中每个特征参数按照采集时间依次进行数值编号，对气锤故障类型设置标签；
16、将气锤特征数据作为故障类型识别模型的输入，将每组气锤特征数据对应的预测气锤故障类型标签作为输出，以每组气锤特征数据对应的实际气锤故障类型标签作为预测目标；以最小化所有气锤特征数据的预测误差之和作为训练目标；对故障类型识别模型进行训练，直至预测误差之和达到收敛时停止训练，得到故障类型识别模型。
17、进一步地，故障类型识别模型为回归分析模型、贝叶斯网络模型或支持向量机模型等其他合适的模型。
18、进一步地，预测误差的计算公式为rx＝(αx-μx)2，其中rx为预测误差，x为特征向量的组号，αx为第x组气锤特征数据实际气锤故障类型标签，μx为第x组气锤特征数据预测气锤故障类型标签。
19、进一步地，n种参数包括声音数据、振动值与温度值，声音数据包括声音振动频率。
20、进一步地，声源过滤模块，将方向性麦克风主瓣方向朝向对应气锤声源发生位置，通过声学采集公式，计算声源的入射角度，将声源的入射角度与预设入射角度范围比对分析，判定是否保留获取的声音数据。
21、进一步地，方向性麦克风的声学采集公式如下:
22、v＝k*cos(θ)*p；
23、式中，v表示方向性麦克风传感器的输出电压，通过方向性麦克风传感器采集得到，k表示单位声压对应的电压输出，通过查看方向性麦克风参数得知；θ表示声源的入射角度，即声音与麦克风主瓣方向之间的夹角；p表示声压，即声音压力的强度，通过方向性麦克风传感器采集；
24、通过声学采集公式得到cos(θ)值从而得到对应的声源的入射角度θ；
25、将实时采集到的声源入射角度θ和方向性麦克风预设入射角度范围比对，
26、若声源入射角度θ在方向性麦克风预设入射角度范围内则保留此声音数据；
27、若声源入射角度θ不在方向性麦克风预设角度范围内则为干扰声源，舍弃此声音数据。
28、无尘室气锤波动源定位系统，实施所述的无尘室气锤波动源定位方法，包括：
29、数据采集模块，用于采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
30、数据处理模块，对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数；
31、将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
32、继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
33、气锤故障类型识别模块，将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
34、本发明无尘室气锤波动源定位方法及系统的技术效果和优点：
35、通过确定首个异常参数，以及首个异常参数的首次采集时间，然后根据首次采集时间后单位时间再确定多个异常参数，考虑多个异常参数发生时间，将多个异常参数以及对应发生时间，作为具体故障类型的影响参数，考虑了一种故障引发的多种不同类型故障的连锁反应，有效提升了故障源定位的准确性；可以做到及时的根据故障类别采取相应的维修措施，提升维护效率，避免了无尘室环境质量的破坏、生产线中断或设备损坏等严重后果。
1.无尘室气锤波动源定位方法，其特征在于：
2.根据权利要求1所述的无尘室气锤波动源定位方法，其特征在于，确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间的方法包括：
3.根据权利要求2所述的无尘室气锤波动源定位方法，其特征在于，判断所述参数是否异常的方法包括：
4.根据权利要求3所述的无尘室气锤波动源定位方法，其特征在于，所述故障类型识别模型的训练方法包括：
5.根据权利要求4所述的无尘室气锤波动源定位方法，其特征在于，所述故障类型识别模型为回归分析模型、贝叶斯网络模型或支持向量机模型。
6.根据权利要求5所述的无尘室气锤波动源定位方法，其特征在于，预测误差的计算公式为rx＝(αx-μx)2，其中rx为预测误差，x为特征向量的组号，αx为第x组气锤特征数据实际气锤故障类型标签，μx为第x组气锤特征数据预测气锤故障类型标签。
7.根据权利要求6所述的无尘室气锤波动源定位方法，其特征在于，n种参数包括声音数据、振动值与温度值，声音数据包括声音振动频率。
8.根据权利要求7所述的无尘室气锤波动源定位方法，其特征在于，将方向性麦克风主瓣方向朝向对应气锤声源发生位置，通过声学采集公式，计算声源的入射角度，将声源的入射角度与预设入射角度范围比对分析，判定是否保留获取的声音数据。
9.根据权利要求8所述的无尘室气锤波动源定位方法，其特征在于，方向性麦克风的声学采集公式如下:
10.无尘室气锤波动源定位系统，实施权利要求1-9任一项所述的无尘室气锤波动源定位方法，其特征在于，包括：
