1.数据‑机理耦合的无传感器离心泵性能参数预测方法，其特征在于，包括以下步骤：

1)数据采集：离心泵性能试验开始前，将泵进出口阀门开至最大，电机频率设定为预设频率，调节进口阀使进出口压力表示数稳定不变，此阀门开度为初始阀门开度，在预设频率下，调节进口阀阀门开度，直到进口阀开度调制最大，依次记录进口阀阀门开度、进口压力、出口压力、泵出口流量参数；

2)数据处理：对所记录的离心泵性能试验数据，以及基于实验数据所获得的性能参数：流量Q值、扬程H值及动扬程阻力损失系数K值，以此作为预测模型的训练数据，其中频率N和阀门开度V作为数据特征流量Q值，扬程H值及动扬程阻力损失系数K值分别作为数据标签；

3)即时学习数据处理：通过欧式加权距离相似度准则对一组待测数据特征，在所有历史数据样本特征中通过相似度度量选取若干组相似样本；其中待测数据特征包括频率N和阀门开度V；

4)后验概率数据处理：在若干组相似样本中再随机选取其中多组相似样本组合成一个新的样本集，利用后验概率MEPP在所有的新的样本集中选取概率最大的一组样本集作为该待测数据特征的训练数据特征集，与训练数据特征集相对应的历史数据标签分别组成的新的训练数据标签集；其中历史数据标签包括流量Q值、扬程H值和动扬程阻力损失系数K值；

5)离心泵性能参数预测模型的建立：利用训练数据特征集分别与流量Q值训练数据标签集、动扬程阻力损失系数K值训练数据标签集进行高斯过程回归GPR预测模型的建立，所建立的模型分别对应为流量Q值即时学习后验概率高斯过程回归预测模型Q‑JITL‑MEPP‑GPR和动扬程阻力损失系数K值即时学习后验概率高斯过程回归预测模型K‑JITL‑MEPP‑GPR；

6)离心泵性能参数预测：将待测数据特征带入上述Q‑JITL‑MEPP‑GPR预测模型和K‑JITL‑MEPP‑GPR预测模型中，分别预测出流量和动扬程阻力损失系数，最后利用离心泵的机理公式，求出离心泵的扬程。

2.根据权利要求1所述的数据‑机理耦合的无传感器离心泵性能参数预测方法，其特征在于，步骤2)中，根据实验所得到参数求动扬程阻力损失系数K值和扬程Q值公式如下：其中：H表示泵的总扬程，m；

Hst表示泵得静扬程，m；

Pout表示泵出口压力，Pa；

Pin表示泵进口压力，Pa；

3 3

ρ表示传质的密度，kg/m(ρ水＝1000kg/m)。

其中：H表示泵的总扬程，m；

Hst表示泵得静扬程，m；

3

Q表示泵的流量，m/h。

3.根据权利要求1所述的数据‑机理耦合的无传感器离心泵性能参数预测方法，其特征在于，所述步骤3)中，采用欧式加权距离公式作为相似性度量的准则，其公式表达为：其中：{Nm，Vm}表示历史数据样本特征；

{Nn，Vn}表示待测数据特征；

0.01×Nm表示权重。

4.根据权利要求1所述的数据‑机理耦合的无传感器离心泵性能参数预测方法，其特征在于，所述步骤4)中，后验概率具体过程为：分别将所有的新的样本集和所对应的流量集输入到不同的GPR模型中，根据不同GPR模型的预测方差结合贝叶斯定理制定标准度量待测数据特征的近似性；

4.1)将待测数据特征输入到训练好的GPR模型中，其预测输出集预测方差的计算公式如下：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；

4.2)根据不同GPR的预测方差，将预测方差与贝叶斯后验概率相结合得到度量不同转速下的新的样本集的相似的标准，选取概率最大的一组样本集作为该待测数据特征的训练数据特征集，与训练数据特征集相对应的历史数据标签分别组成的新的训练数据标签集，其公式如下：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GPR模型对xt，i的预测不确定度；

表示GPR模型对xt，i的预测值；

为过程表达式；

MEPP表示表示后验概率的平均值，其值越高即为训练样本子集与测试集的相似度越高，反而反之。

5.根据权利要求1所述的数据‑机理耦合的无传感器离心泵性能参数预测方法，其特征在于，所述步骤6)中，利用离心泵的机理公式预测扬程H值的公式如下：2

H＝Hst+KQ

其中:H表示泵的总扬程，m；

Hst表示泵的静扬程，m；

K表示动扬程阻力系数；

3

Q表示泵的流量，m/h。