1.一种无流量传感的离心泵性能神经网络预测方法，其特征在于，所述方法包括以下步骤：

步骤1.通过离心泵水力性能试验，获取不同转速下的离心泵流量Q、扬程H、电机输入功率P、工作转速频率f试验样本数据；

步骤2.建立不同转速下的离心泵流量–扬程、流量–功率多项式拟合方程，对流量–功率方程进行求导，判定其是否存在极值；

步骤3.若功率不存在极值，则以工作转速频率、电机输入功率作为输入参数，建立离心泵流量、扬程双神经网络预测模型；若功率存在极值，则以工作转速频率、扬程作为输入参数，建立离心泵流量单神经网络预测模型；

步骤4.将训练好的神经网络预测模型，植入离心泵控制器，基于实时测量数据，实现离心泵性能的准确预测；

所述步骤3的过程如下：

首先，基于步骤2的判定结果，若功率不存在极值，则以工作转速频率、电机输入功率作为输入参数，建立离心泵流量、扬程双神经网络预测模型，神经网络预测模型采用三层逆向传播BP神经网络方法，分别为输入层，隐藏层和输出层；其中离心泵流量神经网络预测模型定义为QNN1，其输入层包含2个神经元，分别为电机输入功率和工作转速频率，隐藏层包含

10个神经元，输出层包含1个神经元，为流量输出；扬程神经网络预测模型定义为HNN1，其输入层包含2个神经元，分别为流量和工作转速频率，隐藏层包含10个神经元，输出层包含1个神经元，为扬程输出；若功率存在极值，则以工作转速频率、扬程作为输入参数，建立离心泵流量单神经网络预测模型，神经网络预测模型同样采用三层逆向传播BP神经网络方法，分别为输入层，隐藏层和输出层；离心泵流量神经网络预测模型定义为QNN2，其输入层包含2个神经元，分别为扬程和工作转速频率，隐藏层包含10个神经元，输出层包含1个神经元，为流量输出；

其次，将步骤1获取的试验测量样本值作为神经网络训练的初始样本，针对功率无极值的条件，分别对流量神经网络预测模型QNN1和扬程神经网络预测模型HNN1进行训练；QNN1训练时，以工作转速频率、电机输入功率为训练输入样本，流量为训练输出目标结果，采用样本随机分配方法将训练样本按照80％、10％、10％的比例分配为训练样本数据集、验证样本数据集和测试样本数据集，神经网络训练算法采用贝叶斯正则化算法，训练的迭代次数设置为5000，学习率设置为0.1，目标误差设置为0.00001；训练完成后，分别对训练结果、验证结果和测试结果进行目标值和输出值之间的相关性分析，即R值分析，R值越接近1，说明训练好的模型越准确；HNN1训练时，以工作转速频率、流量为训练输入样本，扬程为训练输出目标结果，采用样本随机分配方法将训练样本按照80％、10％、10％的比例分配为训练样本数据集、验证样本数据集和测试样本数据集，神经网络训练算法采用贝叶斯正则化算法，训练的迭代次数设置为5000，学习率设置为0.1，目标误差设置为0.00001；训练完成后，分别对训练结果、验证结果和测试结果进行目标值和输出值之间的相关性分析，即R值分析，R值越接近1，说明训练好的模型越准确；

针对功率有极值的条件，对流量神经网络预测模型QNN2进行训练；以工作转速频率、扬程为训练输入样本，流量为训练输出目标结果，采用样本随机分配方法将训练样本按照

80％、10％、10％的比例分配为训练样本数据集、验证样本数据集和测试样本数据集，神经网络训练算法采用贝叶斯正则化算法，训练的迭代次数设置为5000，学习率设置为0.1，目标误差设置为0.00001；训练完成后，分别对训练结果、验证结果和测试结果进行目标值和输出值之间的相关性分析，即R值分析，R值越接近1，说明训练好的模型越准确。

2.如权利要求1所述的一种无流量传感的离心泵性能神经网络预测方法，其特征在于，所述步骤1中，在实验室条件下，开展离心泵特性试验，借助离心泵水力性能测试系统获取不同转速下的离心泵流量Q、扬程H、电机输入功率P、工作转速频率f测量值，整理测试数据，绘制不同转速下的离心泵流量–扬程曲线和流量–功率曲线。

3.如权利要求1或2所述的一种无流量传感的离心泵性能神经网络预测方法，其特征在于，所述步骤2中，根据不同转速下的流量Q、扬程H、功率P、工作转速频率f测量值，采用多项式拟合方程建立离心泵扬程与流量、转速频率近似方程，如公式(1)所示；功率与流量、转速频率近似方程，如公式(2)所示；

2 2 2 2 3 3

H＝a00+a10f+a01Q+a20f+a11fQ+a02Q+a21fQ+a12fQ+a03Q+a30f  (1)

2 2 2 2 3 3

P＝b00+b10f+b01Q+b20f+b11fQ+b02Q+b21fQ+b12fQ+b03Q+b30f   (2)式中，Q为泵的流量，P为电机输入功率，f为水泵的工作转速频率，H为泵的扬程，a00至a30为扬程近似方程的系数，b00至b30为功率近似方程的系数；

固定转速不变，即工作转速频率f为一恒定的值，对功率–流量近似方程进行求导，计算公式如公式(3)所示；

式中，c00至c02为功率导数方程的系数；

在规定转速频率下，将流量区间范围内的值，即Q∈[0,Qmax]，带入公式(3)中，判断是否存在零值，即是否存在极值。

4.如权利要求1或2所述的一种无流量传感的离心泵性能神经网络预测方法，其特征在于，所述步骤4中，通过步骤3最终确定离心泵在不同的功率特性下所选用的神经网络预测模型，将该训练好的神经网络预测模型，植入到离心泵控制器中，控制器是标准的可编程逻辑控制器PLC或定制式的单片机控制器，分别采用功率传感器、压力传感器以及转速传感器实时测量设备工作时的电机输入功率P、压差Δp和转速n数据，分别利用公式(4)和(5)将测量的压差值和转速值转换成扬程值H和工作转速频率值f；利用神经网络预测模型，实现当前状态下流量值的预测，同时，通过公式(6)计算当前状态下设备的运行效率η，实现设备性能的准确预测和设备运行状态的智能监测与诊断；

式中，Δp为测量的压差值，ρ为介质的密度，g为重力加速度；

式中，n为测量的转速值；

式中，η为离心泵设备的效率值。