[发明专利]基于EMD的预测多相混合效果的时间序列模型建立方法

说明书

技术领域

本发明涉及属于化学工程技术领域，具体地说是一种适应于化工领域所有流体的混合效果检测及混合效果预测的方法。

背景技术

时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。时间序列建模基本步骤是：①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值，在建模时应考虑进去，如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型，进行曲线拟合，即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA模型(自回归滑动平均模型)及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。当观测值多于50个时一般都采用ARMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列时间序列分析主要用于：①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。DPS数据处理系统提供给用户一套较完整的时间序列建模分析、进行预测预报的工具，包括平稳无趋势时间序列分析预测、有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均(A RIMA)建模分析、预测等时间序列分析和建模技术。时间序列预测法中的ARIMA模型来预测需要差分多次才能达到平稳，而且预测效果不好。而普通的拟合法实时性差，长期型预测则更差，即使修正后的拟合法也无法达到令人满意的程度。而相重构则需要计算相当多的参数，而且预测效果也不好，神经网络则需要训练集，且对于基于初值敏感的混沌时间序列预测误差也偏大，而对整个过程验证则费时费力，而且不划算，且不能对非正常操作进行有效的控制和事故发生的避免。

发明内容

本发明的目的是克服了上述方法的不足，提供一种具有较高的应用价值的、简便可行的，速度快，实时性好，适应性强的用于预测化学工业中流体混合效果的方法。

本发明基于EMD的预测多相混合效果的时间序列模型建立方法的技术方案是：

该方法采用混沌时间序列预测方法，具体步骤如下：

(1)利用电子断层成像技术或高速摄像机来获得多相搅拌混合实时图样；

(2)用编写好的程序计算所获得的实时图样的第0维贝蒂数；

(3)用(2)的方法每隔一定时间获得部分相关数据，从而得到相应时间序列x(t)；

(4)找出x(t)的所有极大值点和极小值点，将所有的极大值点用三次样条函数拟合一条曲线，该曲线就是数据x(t)的上包络线；同样的，把所有极小值点用三次样条函数拟合数据x(t)的下包络线，求出上包络线和下包络线的均值，记作m₁，将原始数据序列x(t)减去上下包络线的均值m₁，得到一个新的数据序列h₁，即：h₁＝x(t)-m₁，并进行k次筛选，一直到均值包络线趋向于零时得到第一个本征模态函数c₁，它表示原始数据序列中最高频的成分，此时所得数据为：h_1k＝h_1(k-1)-m_1k，式中h_1k为第k次筛选所得的数据，h_1(k-1)为第k-1次筛选所得的数据；