1.一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，其特征在于，所述方法包括以下步骤：

* *

步骤1、对等时间间隔采样的n组水泵设备驱动端轴承振动烈度S ＝{(t1,x1 ),(t2,* * *

x2),…,(ti,xi),…,(tn,xn)}，使用五点三次平滑法进行降噪处理，得到预处理后的驱动*

端轴承振动烈度S＝{(t1,x1),(t2,x2),…,(ti,xi),…,(tn,xn)}，其中xi 为ti时刻原始振动烈度值，xi为ti时刻降噪后振动烈度值；

步骤2、使用互信息法和Cao法计算降噪后的驱动端轴承振动烈度数据的延迟时间和嵌入维数，得到延迟时间τ，嵌入维数m，使用计算得到的延迟时间和嵌入维数对驱动端轴承振动烈度进行相空间重构，得到重构后的驱动端轴承振动烈度集D＝{d1,d2,…,di,…,dn‑(m‑1)τ}，其中di为D集合中的第i个相点，di＝{xi，xi+τ，xi+2τ，...，xi+(m‑1)τ}；

步骤3、从重构后的驱动端轴承振动烈度集D中划分出输入集和输出集，以每个相点的前(m‑1)个振动烈度数值作为输入集，即输入集Din＝{d1,in,d2,in,…,di,in,…,dn‑(m‑1)τ,in}，其中di,in＝{xi,xi+τ,xi+2τ,…,xi+(m‑2)τ}，以每个相点的第m个振动烈度数值作为输出集，即输出集Dout＝{x1+(m‑1)τ,x2+(m‑1)τ,…,xi+(m‑1)τ…,xn}；

步骤4、使用改进的粒子群算法结合输入集Din、输出集Dout对三层BP神经网络的隐含层节点权重W1、隐含层节点阈值A1、输出层节点权重W2、输出层节点阈值A2进行寻优，得到最优的隐含层节点权重Best W1、最优的隐含层节点阈值Best A1、最优的输出层节点权重Best W2、最优的输出层节点阈值Best A2；

步骤5、使用输入集Din、输出集Dout和Best W1、Best A1、Best W2、Best A2，对BP神经网络进行训练，得到BP神经网络模型函数y＝f(din)；

步骤6、使用f(din)预测tn时刻之后连续k个驱动端轴承振动烈度，即Spre＝{(tn+1,xn+1),(tn+2,xn+2),…,(tn+k,xn+k)}；

步骤7、根据泵的振动测量与评价分析方法(GB/T 29531‑2013)对Spre进行分析，判定Spre中驱动端轴承振动烈度的振动级别，最终给出水泵设备的运行状态；

所述步骤7中，根据泵的振动测量与评价分析方法(GB/T 29531‑2013)对Spre进行分析，判断Spre中驱动端轴承振动烈度的振动级别，最终给出水泵设备的运行状态，其判断过程如下：

(7.1)以泵的中心高H(mm)和转速R(rpm)为标准，泵的分类如下：当H≤225时，若R≤1800，则泵属于第一类；若1800

当225

1800

当H>550时，若600

3600

(7.2)根据(7.1)判断出水泵设备所属类别，对照泵的振动级别评价卡，确定水泵设备驱动端轴承振动烈度对应的最大有效振动烈度范围，水泵设备的四种状态分别为：A：水泵设备状态优秀，可以安全持续运行；

B：水泵设备状态良好，可以在允许工作范围内持续运行；

C：水泵设备状态中等，需要限制工作范围和运行时长；

D：水泵设备状态差，不允许运行，存在损坏风险；

四种状态对应的最大有效振动烈度范围分别为：j

A：上下限值为：[0,Amax]，j∈[第一类,第二类,第三类,第四类]；

j j

B：上下限值为：(Amax ,Bmax]，j∈[第一类,第二类,第三类,第四类]；

j j

C：上下限值为：(Bmax ,Cmax]，j∈[第一类,第二类,第三类,第四类]；

j

D：上下限值为：(Cmax ,+∞)，j∈[第一类,第二类,第三类,第四类]；

(7.3)将Spre中驱动端轴承振动烈度与(7.2)中四种状态的最大有效振动烈度范围进行j

比较，如果有超过r1％的振动烈度大于Cmax ，则认为该水泵设备的最大有效振动烈度范围在j j

(Cmax ,+∞)内；如果没有超过r1％的振动烈度大于Cmax ，但是有超过r2％的振动烈度大于j j j

Bmax ，则认为该水泵设备的最大有效振动烈度范围在(Bmax ,Cmax]内；如果没有超过r2％的j j

振动烈度大于Bmax ，但是有超过r3％的振动烈度大于Amax，则认为该水泵设备的最大有效振j j j

动烈度范围在(Amax ,Bmax ]内；如果没有超过r3％的振动烈度大于Amax ，则认为该水泵设备j

的最大有效振动烈度范围在[0,Amax]内；

(7.4)根据(7.3)得到的水泵设备最大有效振动烈度范围，判断出水泵设备所处的状态；

所述步骤4中，利用改进的粒子群算法对三层BP神经网络的隐含层节点权重W1、隐含层节点阈值A1、输出层节点权重W2、输出层节点阈值A2进行寻优，过程为：(4.1)初始化相关参数：令粒子群最大迭代次数为T、粒子个数为ms，学习因子c1取值范围为[c1,start,c1,end]、学习因子c2取值范围为[c2,start,c2,end]、惯性权值w取值范围为[wstart,wend]，所有隐含层节点权重取值范围为都为[W1min,W1max]，所有隐含层节点阈值取值范围都为[A1min,A1max]，所有输出层节点权重取值范围为都为[W2min,W2max]，所有输出层节点阈值取值范围都为[A2min,A2max]，网络的输入层节点个数为嵌入维数m‑1，隐含层节点个数为h，输出层节点个数为1；

(4.2)初始化粒子群个体：设置迭代控制变量t＝1，根据步骤(1)中的初始化参数可得搜索空间维数R＝h(m‑1)+2h+1，粒子群P＝{p1,p2,…,pi…,pms}，则第pi粒子的随机初始位t t t t t t t t

置为Xi＝(qi,1 ,qi,2 ,…,qi,r ,…,qi,R)，第pi粒子的随机初始速度为Vi＝(vi,1 ,vi,2 ,…,t t t t

vi,r ,…,vi,R)，其中r∈R，第pi粒子的初始个体最优位置为PBi＝Xi，粒子的全局最优位置t t

为GB＝X1；

(4.3)计算粒子适应度值：使用均方根误差公式计算每个粒子的适应度值；

t t‑1

(4.4)比较粒子适应度值：将计算得到的粒子当前适应度RMSE与原始适应度RMSE 进t t‑1 t t

行比较，若RMSE 优于RMSE ，则粒子个体最优位置PBi等于RMSE 所对应的粒子位置，否则，t

粒子个体最优位置保持原位置不变，粒子全局最优位置GB设置为所有粒子适应度值中最好适应度所对应的粒子位置；

(4.5)计算并更新c1、c2、w：根据基于余弦函数的分组优化策略计算公式，计算并更新粒子群算法中的学习因子c1、c2和惯性权重w的值；

(4.6)计算并更新粒子位置和速度：根据粒子群的位置和速度迭代公式进行迭代，更新每个粒子的位置和速度；

(4.7)判断是否达到结束寻优条件：若寻优结果已经达到要求或者t＝T，结束寻优，t t t

BestW1、BestA1、BestW2、BestA2分别取GB 中对应部分的值，即BestW1＝(q1 ,q2 ,…,t t t t t

qh(m‑1) )，BestA1＝(q(h(m‑1)+1) ,q(h(m‑1)+2) ,…,q(h(m‑1)+h) )，BestW2＝(q(h(m‑1)+h+1) ,t t t

q(h(m‑1)+h+2) ,…,q(h(m‑1)+2h))，BestA2＝q(h(m‑1)+2h+1) ，否则返回到(4.3)。

2.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，其特征在于，所述步骤6的预测过程为：(6.1)初始化集合 迭代控制变量j＝1；

(6.2)在集合S中的最后位置添加一个振动烈度值(tn+j，0)，此时S的长度为(n+j)；

(6.3)使用步骤2中计算得到的τ和m对S中的振动烈度数据进行相空间重构，得到重构后的驱动端轴承振动烈度数据集Dt；

(6.4)使用步骤3中方法把Dt划分成输入集Dt，in和输出集Dt，out；

(6.5)将Dt，in中的dn+j‑(m‑1)τ，in带入f(din)，得到相应的输出y，此时y便是预测模型预测得到的tn+j时刻驱动端轴承振动烈度值，即xn+j＝y，用y替换S中tn+j时刻的振动烈度值，将(tn+j，y)带入集合Spre中；

(6.6)判断j是否等于k，若等于，则执行步骤7，若不等于，则先将j自身增加1，然后返回到步骤6.2。

3.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，其特征在于，所述步骤1中，五点三次平滑法计算公式为：上式中i需要满足3≤i≤n‑2。

4.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，其特征在于，所述步骤2中，互信息法计算公式如下：其中si＝xi，qj＝xi+τ，Psq(si，qj)为si和qj的联合分布概率，Ps(si)和Pq(qj)分别为S和Q中si和qj的先验概率，Cao法计算公式如下：其中 为m维的最近邻点， 为m+1维的最近邻点。

5.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，其特征在于，所述步骤1中，振动烈度是指水泵设备振动速度的均方根值。

6.根据权利要求1所述的一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，其特征在于，所述步骤7中，泵的振动测量与评价分析方法(GB/T 29531‑2013)是对水泵设备振动烈度进行评价的一个推荐性国家标准，该标准适应于转速为600rpm到12000rpm的各种类型水泵，包括电动机与泵共轴的水泵机组。