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Ps，出口压力Pd，供水系统的出口阀门开度V，出口流量Q，即xiT＝{Psi，Pdi，Vi，Qi} ；选取的输出变量为实际效率，yi＝ηi；其中xi表示第i个样本的输入变量，即每个样本xi包含4个输入变量，yi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；

T

(yi，…，yN) ～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＝(xi，xi)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Nt个输入样本的测试样本集Xt是一个集合，xt，i是集合的子元素，i代表1到Nt；输出变量以及它的方差 的计算方法如下：

T

其中kt，i＝[C(xt，i，x1)，C(xt，i，x2)，…，C(xt，i，xN)] 是新输入数据和训练数据的协方差向量，kt，i＝C(xt，i，xt，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(GPRl|Xt)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(GPRl|Xt)指标，评估单个GPR模型与测试样本集 的关系，其定义式为：P(xt，i|GPRl)表示在样本集Xt中先满足GPRl这个模型，再满足在xt，i这个样本子集的概率；

P(GPRl)表示样本集Xt中满足GPRl这个模型的概率；

P(Xt，i)表示样本集Xt中满足是xt，i这个样本子集的概率；

整合的后验概率P(GPRl|Xt)的平均值MEPP定义为：其中Nl表示训练样本子集的样本个数，Nt表示测试集的样本个数，表示GPRl对xt，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MEPPl，t较大的三个GPRl模型的训练样本子集组成训练样本集Xl；预测测试集Xt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Xt，m和Xt，n；

利用最高效率点BEP所在的位置采取分段措施，将训练集Xi划分为效率上升区间和效率下降区间的训练集Xl，m和Xt，m：Qt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T组成的样本，即xi＝{Psi，Pdi，Vi，Qi} ；Qi通过已知的BEP点确定Qi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Xl，m和Xt，m训练两个局部GPR模型即LGPRm和LGPRn，分别预测对应阶段的测试集Xt，m和Xt，n；

6)整合两个阶段的预测效率，得到测试样本集Xt的预测效率。