[发明专利]一种基于数据驱动建模的离心泵效率预测方法

权利要求书

1.一种基于数据驱动建模的离心泵效率预测方法，其特征在于，所述方法包括以下步骤：

1)收集离心泵运行过程中的数据集作为样本，通过分析不同转速下的效率随流量的变化来确定离心泵特征，并确定预测模型的输入变量及输出变量；

选取输入变量为入口压力P_s，出口压力P_d，供水系统的出口阀门开度V，出口流量Q，即x_i＝{P_si，P_di，V_i，Q_i}^T；选取的输出变量为实际效率，y_i＝η_i；其中x_i表示第i个样本的输入变量，即每个样本x_i包含4个输入变量，y_i表示第i个样本的输出变量；

2)通过高斯过程回归GPR的预测方差结合贝叶斯定理及贝叶斯方法对GPR模型进行训练；

对于输出变量y，GPR模型高斯先验分布，均值为零的回归函数，或者是离散型的回归函数；

(y_i，…，y_N)^T～G(0，C) (1)

式中T是转置符号，G是高斯分布符号，C表示第i个元素C＝(x_i，x_i)的N×N协方差矩阵；利用贝叶斯方法对GPR模型进行训练估算出C；用具有N_t个输入样本的测试样本集X_t是一个集合，x_t，i是集合的子元素，i代表1到N_t；输出变量以及它的方差的计算方法如下：

其中k_t，i＝[C(x_t，i，x₁)，C(x_t，i，x₂)，…，C(x_t，i，x_N)]^T是新输入数据和训练数据的协方差向量，k_t，i＝C(x_t，i，x_t，i)是新输入数据的协方差，是GPR模型输出的预测方差，其中式(3)提供了预测的置信度；

被训练的GPR模型的方差呈现不同的阶段特征，分别对应效率曲线的上升阶段和下降阶段，所以概率信息用于阶段识别；

3)通过GPR模型中预测方差结合贝叶斯定理组合成的后验概率P(GPR_l|X_t)指标的平均值MEPP度量不同转速下的各组样本集的相似性；

通过不同转速下的样本子集分别训练多个GPR模型，通过基于贝叶斯的条件概率表达即P(GPR_l|X_t)指标，评估单个GPR模型与测试样本集的关系，其定义式为：

P(x_t，i|GPR_l)表示在样本集X_t中先满足GPR_l这个模型，再满足在x_t，i这个样本子集的概率；

P(GPR_l)表示样本集X_t中满足GPR_l这个模型的概率；

P(X_t，i)表示样本集X_t中满足是x_t，i这个样本子集的概率；

整合的后验概率P(GPR_l|X_t)的平均值MEPP定义为：

其中N_l表示训练样本子集的样本个数，N_t表示测试集的样本个数，表示GPR_l对x_t，i的预测不确定度；

4)选取样本子集作为训练样本子集，并对训练样本子集进行分段；

选取MEPP_l，t较大的三个GPR_l模型的训练样本子集组成训练样本集X_l；预测测试集X_t的预测方差，得到最大预测所在的位置，将测试集划分为效率上升区间和效率下降区间的测试集X_t，m和X_t，n；

利用最高效率点BEP所在的位置采取分段措施，将训练集X_i划分为效率上升区间和效率下降区间的训练集X_l，m和X_t，m：

Q_t是训练集的流量，是训练集的一个参数数据，前面输入样本特征参数提到输入的参数组成的样本，即x_i＝{P_si，P_di，V_i，Q_i}^T；Q_i通过已知的BEP点确定Q_i的位置，即效率最高点对应的流量；

5)训练模型，输出预测的新的测试集，并得到测试样本集的预测效率；

通过不同阶段的训练集X_l，m和X_t，m训练两个局部GPR模型即LGPR_m和LGPR_n，分别预测对应阶段的测试集X_t，m和X_t，n；

6)整合两个阶段的预测效率，得到测试样本集X_t的预测效率。