11.4.5 多传感器融合法检测智能计算
Wang L提出了一种使用涡轮流量计、电导传感器和SVM的测量系统，以识别流量模式并获得内径为18mm的垂直向上管中的气液两相流的含水率。如图11-14所示，通过电导信号的混沌吸引子形态分析确定了流型；通过涡轮机的转速及多项式回归获得混合物的总流量。为了估计混合流的含水率，从时域和频域的波动电导信号中提取的总共10个特征以及涡轮机的平均转速作为SVM模型的输入。在测试期间，气液流量的总流量为0.1～2.5m3/h。试验结果表明，流型识别的成功率高于96%，水流量和燃气流量测量的平均误差为7.36%。
图11-14 基于SVM的光学和涡轮计测量气液流量系统
Meribout等将阻抗测量与超声测量集成在一起，以提供含水率为0～100%的油水流量的体积流量。如图11-15（a）所示，实现了基于ANN的模式识别算法。在第一阶段，使用从电导、电容、超声波和文丘里管探头中提取的信号以及混合物密度的输出来开发前馈三层ANN。通过人工神经网络，可以通过传感器信号来解释含水率。在第二阶段，建立了另一个三层人工神经网络，通过结合第一阶段的估计含水率以及压差和文丘里管输出来获得油水的流量。试验是在2英寸（5.08cm）的油水试验台上进行的，结果表明，对于含水率和总流量的测定，任何流量形式的相对误差均小于5%。在随后的研究中，他们将相同的测量方法应用于油气水三相流。如图11-15（b）所示，高频和低频超声波传感器的两个环分别用于低和高气体分数。在这种情况下，在第一阶段使用电容、电导、超声、压力传感器的信号开发了人工神经网络；然后，使用估计的总密度、压差和文丘里管输出获得混合物的流速。试验结果表明，水流量的平均相对误差为3.91%，气体流量的平均相对误差为4.68%，油流量的平均相对误差为6.2%。
图11-15 基于电容超声复合传感的文丘里管流量测量系统
（a）油水两相流检测系统；（b）油气水三相流检测系统
Wang等提出了一种将电容和静电传感器相结合的数据融合方法，以实现对联合火力发电厂中粉煤/生物质燃料流的在线体积浓度测量（图11-16）。通过将卡尔曼滤波算法与梯度下降算法相结合，通过梯度下降法和混合法的训练，开发了一种基于自适应网络的模糊推理系统。在36mm孔径水平石英玻璃管上的试验结果表明，基于混合学习规则的ANFIS优于基于梯度下降学习规则的系统，生物量和粉煤流量的基准误差分别为1.2%和0.7%。结果表明，基于静电波动信号的极限学习机（ELM）被用于识别煤/生物质/空气三相流的流动状态，并且基于静电和电容传感器的自适应小波神经网络（AWNN）创建以预测每个阶段的体积浓度。试验工作是在94mm口径的水平石英玻璃管上进行的。此方法对生物质产生2.1%的基准误差，对粉煤产生1.2%的基准误差。
图11-16 基于电容和静电传感器的测量系统
（a）基于ANFIS流体测量系统；（b）基于ELM-AWNN流体测量系统