技术领域
[0001] 本
发明属于
流体测量技术领域，涉及一种两相流过程参数测量方法。技术背景
[0002]
多相流广泛存在于自然界和工业生产中，多相流流动过程复杂，待测参数多，难以用准确的模型描述，因此对其参数的准确测试难度很大。单一
传感器往往只适用于某一类流态下的部分参数测试，无法获得对多相流的准确全面描述。若将多
传感器数据融合技术引入多相流测量中，分析、综合利用多元传感器获得的信息，可获得比单传感器更全面、可靠的参数信息。
[0003] 相含率和流量(流速)是多相流的重要流动参数，对其的准确检测是多相流领域的重要问题。目前两相流含
水率的测量手段包括快关
阀测量方法、射线方法、
微波方法、Wire-mesh方法、超声方法和
电阻抗方法等。其中，电学方法具有测量速度快，敏感性强，传感器结构简单，易于安装，成本低廉等优点。
对流量和流速的检测方法主要有一些发展于单相流仪表的技术如差压式流量计、容积式流量计等，以及超声方法、互相关方法等针对多相流的检测技术。
[0004] 电学传感器通过检测混合流体电学参数间接确定流体的相含率，具有非扰动、无
辐射、响应快等优势。电导法和电容法是电学法中的两类常用方法，分别通过检测流体电导率和
介电常数来估计相含率，其测量方式的原理敏感范围具有互补性，若建立电导/电容联合测量系统，可以提高测量
精度、拓展测量范围。
[0005] 超声传感器因其非侵入式的特点，近年来逐渐成为多相流检测的研究重点。超声多普勒方法作为一种成熟的超声检测技术，近年来也在多相流领域得到应用。超声多普勒方法的测量原理基于
多普勒效应，通过测量发射端和接收端的
信号频移来测量流速，可细分为连续波多普勒方法和脉冲波多普勒方法，其中连续波多普勒方法具有成本较低和
算法简便的优势，在多相流领域得到广泛应用。
[0006] 多传感器数据融合技术通过对不同时间与空间的多元传感器数据加以分析、综合、支配和利用，获得对被测对象的一致性描述。多传感器融合技术可以提高系统的可靠性和
稳定性，扩展系统测量的空间和时间范围，提高测量
分辨率。卡尔曼滤波是一种应用广泛的状态估计算法，具有最优估计、实时性高、容易实现等优势。卡尔曼融合是卡尔曼滤波在数据融合领域的应用，可同时处理来自多个传感器的数据，给出基于多源数据融合的状态估计，并通过环境信息获知传感器的工作环境，判断传感器是否处于正常状态，避免部分错误数据对整体数据的污染。
发明内容
[0007] 本发明针对油水两相流的含水率和流速测量问题，提供一种可以提高测量的准确性和可靠性的两相流过程参数融合测量方法。技术方案如下：
[0008] 一种两相流过程参数的声电双模态融合测量方法，包括下列步骤：
[0009] 1)在测量管道上布置电导传感器和电学传感器，并在测量管道上布置超声传感器，利用电导传感器，根据测量数据获得含水率hcond，利用电容传感器，根据测量数据获得含水率hcap
[0010] 2)从电导传感器测量数据中提取流速特征量，作为相关流速：
[0011] 利用互相关方法，对电导传感器上下游测量数据进行互相关计算，互相关函数最大值出现处对应渡越时间τ，并得到相关流速uc
[0012]
[0013] 其中，l为上、下游电导传感器之间的距离，根据该式，可得到相关流速时间序列uc。
[0014] 3)从超声传感器测量数据中或取多普勒流速ud。
[0015] 4)利用电容传感器测量得到的含水率hcap和电导传感器得到的含水率hcond分别进行含水率的状态估计：
[0016] (a)将hcond和hcap分别作为估计过程中的量测矩阵zcond和zcap，建立基于卡尔曼滤波的含水率估计和融合过程，状态向量x表示含水率真值，对其进行卡尔曼状态估计和更新，获得对状态向量的预测和协方差矩阵的预测。设其在测量过程中仅受过程噪声的影响，则k时刻到k+1时刻的状态转移方程为：
[0017] x(k+1)＝x(k)+v(k) (2)
[0018] 其中，v(k)是过程噪声，记其噪声的协方差为Q。
[0019] (b)根据电容传感器和电导传感器含水率时间序列，构造系统量测向量zcap(k)和zcond(k)：
[0020]
[0021] (c)电容传感器和电导传感器的量测向量为系统状态和量测噪声的
叠加，则量测方程为：
[0022]
[0023] 其中wcap(k)和wcond(k)分别是两个传感器的量测噪声。
[0024] (d)根据k时刻的状态估计推出k+1时刻的先验状态估计，并更新状态向量的方差，公式如下：
[0025]
[0026]
[0027] 其中， 和 分别是k+1时刻对两个传感器状态向量的预测，Pcap(k+1|k)和Pcond(k+1|k)分别是k+1时刻对两个传感器估计协方差的预测， 和分别是k时刻对两个传感器状态向量的估计，Pcap(k)和Pcond(k)分别是k时刻两个传感器估计的协方差。
[0028] 和 是先验估计，需根据量测向量对其进行修正，并更新状态向量的方差，具体公式如下：
[0029]
[0030]
[0031] 其中，Kcap(k+1)和Kcond(k+1)分别是k+1时刻是电容含水率估计过程和电导含水率估计过程的卡尔曼增益，Pcap(k+1)和Pcond(k+1)分别是k+1时刻两个传感器估计的协方差，Rcap和Rcond为白噪声的噪声协方差。
[0032] 将先验估计 和 及其方差代入公式(7)和(8)，获得后验估计 和 作为新的含水率估计值，循环进行公式(5)至(8)的过程，计
算出所有时刻的两传感器状态估计。
[0033] 5)将电容含水率和电导含水率进行含水率的融合：
[0034] 对两个含水率状态的估计值 根据其方差进行加权平均，得到含水率的融合估计：
[0035]
[0036] 其中，Pcc(k+1)和Pcc(k)分别为k+1和k时刻的互协方差矩阵，其递推关系为：
[0037] Pcc(k+1)＝(1-Kcap(k+1))Pcc(k)(1-Kcond(k+1))+(1-Kcap(k+1))Q(1-Kcond(k+1)) (10)[0038] 得到的含水率融合估计时间序列记为hf(k)，将其进行平均将其进行平均作为最终的含水率估计结果，N是总
采样次数。
[0039] 6)将多普勒流速和相关流速分别进行流速的状态估计：
[0040] 构建二维状态向量xd(k)和xc(k)，以及二维量测向量zd(k)和zc(k)：
[0041]
[0042]
[0043] 其中，Jd和Jc分别表示多普勒流速和相关流速的真值，hf(k)代表融合含水率。则相应的状态转移方程和量测方程分别为公式(13)和(14)所示：
[0044]
[0045]
[0046] 其中，xd(k+1)和xc(k+1)是k+1时刻系统的二维状态向量，vs(k)是系统白噪声，其协方差矩阵为Qs。wd(k)和wc(k)分别是针对两种测量方法的测量噪声协方差，其协方差矩阵分别为Rc和Rd，Hd表示超声传感器量测向量zd(k)与系统状态xd(k)之间的关系。J(k)是油水两相流k时刻的总表观流速，hw(k)是真实含水率。
[0047] 若油水两相流的流型为分散流，多普勒速度与总流速和相含率之间关系是一个线性函数；则当油相连续时，量测矩阵 当水相连续时，量测矩阵
[0048] 若油水两相流的流型为分
层流，多普勒速度与总流速和相含率之间关系是一个非线性函数，量测矩阵Hd无法直接表示，用近似线性化矩阵 代替：
[0049]
[0050] 对基于两种原理测量得到的流速，分别进行卡尔曼估计，根据k时刻的状态估计推出k+1时刻的先验状态估计，并更新状态向量的方差，公式如下：
[0051]
[0052]
[0053] 其中， 和 分别是k+1时刻对两个状态向量的预测，Pd(k+1|k)和Pc(k+1|k)分别是k+1时刻对两个传感器估计协方差的预测， 和 分别是k时刻对两个状态向量的估计，Pd(k)和Pc(k)分别是k时刻两个估计的协方差。
[0054] 和 是先验估计，需根据量测向量对其进行修正，并更新状态向量的方差，具体公式如下：
[0055]
[0056]
[0057] 其中，Kd(k+1)和Kc(k+1)分别是k+1时刻是多普勒流速估计过程和相关流速估计过程的卡尔曼增益，Pd(k+1)和Pc(k+1)分别是k+1时刻两个估计过程的协方差。
[0058] 将先验估计 和 及其方差代入公式(18)和(19)，获得后验估计 和 作为新的流速估计值，循环进行公式(16)至(19)的过程，计算出
所有时刻的流速状态估计。
[0059] 7)将多普勒流速和相关流速进行速度融合：
[0060] 对两个流速状态的估计值 根据其方差进行加权平均，得到流速的融合估计：
[0061]
[0062] 其中，Pdc(k+1)和Pdc(k)分别为k+1和k时刻的互协方差矩阵，其递推关系为：
[0063]
[0064] 得到的流速融合估计时间序列记为Jf(k)，将其进行平均 作为最终的流速估计结果。
[0065] 本发明利用由电导传感器、电容传感器和超声多普勒传感器组成的多传感器测量系统对两相流的相含率、流速进行测量，根据卡尔曼融合方法完成电导传感器含水率/电容传感器含水率的融合以及电导传感器互相关流速/多普勒流速的融合，同时引入环境变量以描述流型的转换和传感器的工作状态，从而实现全相含率范围内含水率的测量，且相对于单一传感器，其含水率和流速的测量精度有较大提升。有益效果如下：
[0066] 1、充分挖掘不同敏感原理的传感器对同一对象的测试，实现信息的互补和传感器测试信息有机融合；
[0067] 2、增加了流速估计的先验信息；
[0068] 3、将流速测量与含水率估计进行了结合；
[0069] 4、计算量较小，精度较好，可以实现在线估计。
附图说明
[0070] 图1本发明的测量方法电导传感器测量结构示意图；
[0071] 图2本发明的测量方法电容传感器测量结构示意图；
[0072] 图3本发明的测量方法超声传感器测量结构示意图；
[0073] 图4本发明的整体融合结构示意图；
具体实施方式
[0074] 电导传感器结构如图1所示，由六个沿轴向排列的环形
电极组成，其中1、6为激励电极，2、3、4、5为
测量电极。采用
电流激励
电压测量的方式，
激励信号是
频率为20kHz的方波信号，通过向电极1中注入恒定电流并将电极6接地，可在电极1和6中间形成稳定的电学测量场，电极对之间的电势差与分布其间的流体阻抗成正比，分别测量电极对2-3、电极对3-4以及电极对4-5之间的电势差可获得其间的两相流平均
电阻率。而油水两相流的阻抗与相分布有对应关系，因此可以通过测量电极对之间的电压来测量其相含率。
[0075] 电导传感器还可以用来测量流体流速.测量原理是：流体在管道中流动时会产生流动噪声，上下游同质传感器可提取出与流动状况有关的流动噪声信号，若流体符合“
凝固”态流动模型假设，则上下游信号特征应存在相似性，据此可将流速测量转化为流体流经两传感器的时间间隔测量问题。
[0076]
[0077] 其中，V0是管道充满水时的电势差测量值， 是管道内流过两相流时的电势差测量值。水平管道油水两相流的流型主要分为分层流和分散流。对于分层流，V*v*即为相含率。对于如油包水或水包油的分散流态，根据Maxwell理论推导，含水率与无量纲电导有如下关系：
[0078]
[0079] 其中，hcond代表电导含水率。
[0080] 如图2所示，电容传感器通过检测流体的电容值变化间接测量相含率，采用对相含率变化较为敏感的对壁式电容结构，电容传感器的敏感元件为两片
位置相对、贴于管壁外侧的
铜箔极板C1和C2，极板C1和C2间的混合流体的介电常数由各相的介电常数与相分布决定，其测量电容与相含率之间的存在对应关系。将极板接入测量
电路，测量极板之间电容值，便可计算出油水两相流的含水率。
[0081]
[0082] 其中，hcap代表电导含水率，Vmvm是管道内流过混合流体时测量值，Vw是管道充满水时测量值，VO是充满油时测量值。
[0083] 如图3所示，超声传感器由一对超声
探头组成，探头对称安装于管壁中，与水平线之间成60度
角。测量原理如下：测量时，A探头发射正弦型连续波多普勒超声信号，B探头接收经过分散相液滴反射的超声信号，通过计算接收端与发射端的超声信号频移来计算流体流速。
[0084] 对于超声传感器，平均频移与多普勒速度有如下关系：
[0085]
[0086] 其中ud是多普勒速度，fd为平均频移，即超声发射探头与接收探头的频率差，f0是发射超声频率，cc是连续相中的声速，θ是探头与管道轴向之间的夹角。根据该式可计算多普勒速度，多普勒速度与两相流的总表观速度存在关系，可间接测量两相流流速，从而获得多普勒速度时间序列ud(k)。
[0087] 融合测量方法具体步骤如下。
[0088] 1)获取hcond、hcap以及多普勒流速ud。
[0089] 2)利用互相关的方法，获取相关流速uc：
[0090] 对电导传感器的上下游传感器信号作互相关运算，得到互相关函数R(τ)：
[0091]
[0092] 互相关函数的函数值在τ时刻达到最大，代表两路信号的相似程度达到最大，即说明同一信号出现在了下游传感器，则可计算相关流速uc：
[0093]
[0094] 其中，l为上下游传感器之间的距离。
[0095] 3)含水率状态估计初始化：
[0096] 首先建立估计过程的
状态方程，由于不同原理传感器所对应的含水率真值相同，所以状态向量x表示含水率真值，估计过程的状态方程为：
[0097] x(k+1)＝x(k)+v(k) (28)
[0098] 电容传感器和电导传感器对应的量测方程分别为：
[0099]
[0100] 其中，量测向量为zcap(k)和zcond(k)。
[0101] 电容传感器含水率状态估计初始值如下：
[0102]
[0103] 类似地，电导传感器状态估计初始值由下式确定：
[0104]
[0105] 其中，N是总采样次数。状态估计的初始协方差为：
[0106] Pcap(0)＝Var(hcap(k)) (32)
[0107] Pcond(0)＝Var(hcond(k)) (33)
[0108] 量测噪声协方差Rcap和Rcond的初值由时间序列的方差确定：
[0109]
[0110]
[0111] 4)电容含水率和电导含水率的状态估计：
[0112] 初始化之后，按照式(36)和(37)分别进行电容含水率和电导含水率的估计。
[0113]
[0114]
[0115] 其中， 和 分别是k+1时刻对两个传感器状态向量的预测，Pcap(k+1|k)和Pcond(k+1|k)分别是k+1时刻对两个传感器估计协方差的预测， 和分别是k时刻对两个传感器状态向量的估计，Pcap(k)和Pcond(k)分别是k时刻两个传感器估计的协方差。Kd(k+1)和Kc(k+1)分别是k+1时刻是多普勒流速估计过程和相关流速估计过程的卡尔曼增益，Pd(k+1)和Pc(k+1)分别是k+1时刻两个估计过程的协方差。
[0116] 完成估计过程后，获取电容含水率估计时间序列 和电导含水率估计时间序列
[0117] 5)电容含水率和电导含水率进行卡尔曼分布式融合：
[0118] 将已经得到的电容含水率估计时间序列和电导含水率估计时间序列进行卡尔曼分布式融合。
[0119]
[0120] 其中，Pcc(k+1)和Pcc(k)分别为k+1和k时刻的互协方差矩阵，其递推关系为：
[0121] Pcc(k+1)＝(1-Kcap(k+1))Pcc(k)(1-Kcond(k+1))+(1-Kcap(k+1))Q(1-Kcond(k+1)) (39)[0122] 其中， 得到的含水率融合估计时间序列记为hf(k)，将其进行平均 作为最终的含水率估计结果。
[0123] 6)流速估计向量构造及参数设置：
[0124] 首先构建流速估计的状态向量xd(k)zd和xc(k)，以及量测向量zd(k)zd和zc(k)：
[0125]
[0126]
[0127] 其中，Jd和Jc分别表示多普勒流速和相关流速的真值，hf(k)代表融合含水率。则相应的状态转移方程和量测方程分别为：
[0128]
[0129]
[0130] 其中，xd(k+1)和xc(k+1)是k+1时刻系统的二维状态向量，x(k)vs(k)是系统白噪声，其协方差矩阵为Qs。wd(k)和wc(k)分别是针对两种测量方法的测量噪声协方差，其协方差矩阵分别为Rc和Rd。Hd表示超声传感器量测向量zd(k)与系统状态xd(k)之间的关系。
[0132]
[0133]
[0134] 其中，Var(uc)和Var(ud)分别表示传感器直接测得的时间序列的方差。过程噪声协方差Qs则由下式确定：
[0135]
[0136] 7)多普勒流速和相关流速进行状态估计：
[0137]
[0138]
[0139] 按照式(47)和(48)分别进行多普勒流速和相关流速的估计过程，其中， 作为线性化量测矩阵，若两相流的流型为分散流，其可以获取准确值。则当油相为连续相时，量测矩阵 而当水相为连续相时，量测矩阵
[0140] 若油水两相流的流型为分层流， 对应状态矩阵和量测矩阵之间的非线性关系，无法直接表示，用近似线性化矩阵代替：
[0141]
[0142] 其中，多普勒速度与总流速和相含率之间的关系表示为ud(k)＝F(J(k),hw(k))。
[0143] 多普勒速度与两相流总流速之间的关系有多种理论模型，本
专利以如下基于流体剖面模型的关系式为实施实例。当流型为分层流时，当油连续条件下的多普勒关系式为：
[0144]
[0145]
[0146] Δh是管道中流速最大点偏离管道中心的距离，与含水率有关。它与含水率之间的函数关系一般可由实验数据统计，在此由式(52)得出。R是管道内半径为25mm，r是传感器敏感区域的水
力学直径，可根据探头尺寸通过几何关系计算得到，在此取值19.24。
[0147]
[0148] 8)将多普勒流速和相关流速进行速度融合：
[0149] 对两个流速状态的估计值 进行卡尔曼分布式融合估计：
[0150]
[0151] 其中，Pdc(k+1)和Pdc(k)分别为k+1和k时刻的互协方差矩阵，其递推关系为：
[0152]
[0153] 得到的流速融合估计时间序列记为Jf(k)，将其进行平均 作为最终的流速估计结果。
