1.基于ELM神经网络模型的流动磨损特性预测及寿命评估方法，其特征在于：包括训练样本数据采集的步骤、测试样本数据采集的步骤、ELM神经网络模型建立的步骤和利用已构建的ELM神经网络模型进行流动磨损特性预测分析及寿命评估的步骤，实现对承压管束系统流动磨损特性的预测及寿命评估；所述训练样本数据和测试样本数据的采集均是从承压管束系统的DCS运行工况和LIMS化验分析数据获得，即实时采集承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ，将其作为ELM神经网络模型的三个输入变量，将承压管束系统材质的总磨损率yTotal和最大磨损率ymax作为ELM神经网络模型的两个输出变量；

所述利用已构建的ELM神经网络模型进行流动磨损特性预测分析的步骤，包括：首先将实时采集获得的承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ进行离散点统计分析，剔除任意一个离散点与其相邻五个离散点数据几何平均值的偏差超过40％的异常点数据，进行数据预处理，构建不同序列的训练样本和测试样本数据；然后，将平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ输入至训练获得的ELM神经网络模块中得到承压管束系统管束材质总磨损率yTotal和最大磨损率ymax的预测结果；所述流动磨损特性预测和寿命评估方法步骤包括：

1)ELM神经网络模型前端输入和后端输出的样本数据集表示为(Xin，Yim)的形式，其中：Xin＝[Xi1，Xi2，…，Xin]T

Yim＝[yi1，yi2，…，yim]T

其中，Xi为第i个样本，Xin为第i样本的第n个特征，设定三个输入变量的特征值，Xi1为入口颗粒质量浓度φ，单位：％，Xi2为入口颗粒粒径Dp，单位：μm，Xi3为平均流速V，单位：m/s；Yi为第i个样本对应的输出值，Yim为第i样本的第m个特征；

2)建立的流动磨损特性预测公式为：

3)输入层到隐藏层的分权向量及偏置向量公式分别为：

T T

win＝[wi1,wi2,····,win](i＝1,2,····,P)，ci＝[c1,c2,....,cP]

4)隐藏层输出矩阵为：

式中：g(X)表示为激励函数，g(X)＝eX/(1+eX)；

5)隐藏层到输出层的分权向量为：

T

βim＝[βi1,βi2,····,βim](i＝1,2,····,P)，

6)承压管束系统管束材质样本的流动磨损特性预测：

(u＝Total或max)

7)与实际数据样本进行对比分析

对最终的预测数据进行统计分析，得到其均方根误差RMSE和相关系数R2；

其中，N代表样本总数， 代表从第1项到第P项进行求和操作；wi为连接第i个隐藏层神经元和输入层神经元的分权向量，βi为连接第i个隐藏层神经元和输出层神经元的分权向量，ci为第i个隐藏层神经元的偏置向量，M+为隐藏层输出矩阵M的广义逆矩阵； 为对输出分权向量的β估计结果； 表示ELM模型的预测值， 表示ELM模型预测值的均值，Yi为测量值， 为测量值均值；

8)承压管束系统寿命评估

基于承压管束系统的原始壁厚δ，结合预测获得的承压管束系统总磨损率yTotal和最大磨损率ymax的预测结果，设定Ω＝max{yTotal，ymax}，则承压管束系统的寿命为f＝δ/Ω，Ω表示总磨损率和最大磨损率的较大值，单位毫米/年。

2.根据权利要求1所述的基于ELM神经网络模型的流动磨损特性预测及寿命评估方法，其特征在于：所述ELM神经网络模型为单隐层多层神经网络结构，建立的步骤是依次建立输入层、隐藏层和输出层，采用O-P-Q结构，即输入层神经元个数为O个，隐藏层神经元个数为P个，输出层神经元个数为Q个，定义O＝3，P＝4，Q＝2，隐藏层与输出层的激活函数为ReLu函数，整个神经网络结构为多输入多输出的模型。