多传感器数据融合技术在多相流领域研究进展*

刘兴斌，卢　静，王延军，3，马新铭

(1.大庆油田有限责任公司测试技术服务分公司　黑龙江　大庆　163453; 2.东北石油大学电子科学学院　黑龙江　大庆　163318; 3.哈尔滨工业大学电气工程及自动化学院　黑龙江　哈尔滨　150006)



多传感器数据融合技术在多相流领域研究进展*

刘兴斌1，卢静2，王延军1，3，马新铭2

(1.大庆油田有限责任公司测试技术服务分公司黑龙江大庆163453; 2.东北石油大学电子科学学院黑龙江大庆163318; 3.哈尔滨工业大学电气工程及自动化学院黑龙江哈尔滨150006)

摘要:多传感器数据融合技术作为一门新兴前沿技术，可对来自多个传感器的数据进行多级别、多层次、多方面的处理，进而提取出单个传感器所无法获取的更有用的信息。论述多传感器数据融合的基本理论，分析多传感器数据融合技术在三种融合层次上的性能特点。总结了主要的数据融合方法及多传感器数据融合技术的应用领域，尤其是应用于多相流测量领域。力求避开复杂的流型转变机理的理论研究，致力于通过多传感器数据融合方法，实现多相流流型的相态识别，具有一定的理论研究价值。

关键词:多传感器;数据融合;融合方法;多相流

0　引言

20世纪70年代初，美国研究机构提出了多传感器数据融合的概念［1］。相比单传感器而言，多传感器能够以较小代价获取更精确的目标特征，因而具有较为广泛的应用［2，3］。美国国防部在军事领域的指挥、控制、通信与情报(command，control，communication and intelligence，C3I)系统中，使用多个传感器采集和处理战场信息，并取得了巨大的成功［4］。自20世纪90年代初以来，传感器技术和计算机技术的不断发展，支撑并推动了多传感器数据融合技术的深入研究。除了军事领域，数据融合技术在过程故障诊断与监控、机器人、智能仪器系统、目标检测与跟踪、模式识别、工业监控、航天、气象等科技领域的应用也日益广泛，但在多相流领域的应用尚处于起步阶段［5］。

1　多传感器数据融合技术的基本理论

1.1多传感器数据融合的定义

多传感器数据融合［6］是一种多层次、多方面的处理过程，这个过程是采用计算机技术，对不同时间与空间的多传感器信息进行检测、结合、相关和组合以达到精确的状态估计和身份估计，以及完整及时的态势评估和威胁估计。由于多个传感器信息具有冗余性、互补性、时效性和低代价，使得多传感器数据融合系统具有较高的置信度和较强的鲁棒性［7］。

多传感器数据融合技术是一门多学科交叉的综合信息处理技术，涉及到的理论包括:数字信号处理、概率统计、模式识别、人工智能、模糊理论等［8］。这些理论都是实现数据融合技术的重要支撑。

1.2多传感器数据融合的基本原理

多传感器数据融合技术的基本原理和人类大脑综合处理信息的过程一样，要充分地对多源数据进行合理支配与使用，将各种传感器进行多空间、多层次的冗余或互补信息优化的组合处理。通过对各传感器的分离及观测，对数据进行多级别、多方面的组合，从而获得与被测对象一致的解释或描述［9］。多传感器之间的冗余数据增强了系统的可靠性，而互补数据扩展了单个传感器的性能，如图1所示。

图1　多传感器数据融合示意图

2　多传感器数据融合的层次

与经典的信号处理方法有所不同，多传感器数据融合的关键在于数据融合所需要处理的多传感器信息形式更加复杂，可以出现在不同的信息层次上。根据融合系统中数据的抽象层次，可将融合分为三个层次，数据级融合、特征级融合和决策级融合［10，11］。

数据级融合属于最底层的融合。由于数据级融合要求各个传感器之间的数据按照像素关系精确匹配，因此能够提供更为详尽的细节信息。数据级融合需要处理大量的数据，并且容易受不同传感器稳定性的影响，很难获得一致的综合信息，局限性较大。特征级融合属于中层融合。该融合是对各个传感器的原始数据进行特征向量的提取，然后把提取到的特征向量融合起来，再根据融合得到的特征向量进行目标的身份判定。在融合前进行信息压缩，便于信息的实时处理，从而保持目标的重要特征，应用范围较大。决策级融合是高层次的融合。把每个传感器的数据源通过独立的预处理以后对目标属性进行独立决策，随后将各个独立决策进行融合，最终获得整体一致的决策结果，具有较好的容错性，适用的范围较广。

3　多传感器数据融合的主要方法

多传感器数据融合的方法主要分为以下几种:第一种是以模型为基础的融合方法，主要以估计理论为基础，通过对融合对象进行状态空间模型的建立，再利用其他估计方法，如:加权最小二乘法、极大似然法和卡尔曼滤波等对其进行估计［12，13］;第二种是以统计理论为基础的融合方法，利用反复迭代运算来实现数据融合。主要方法包括D－S(Dempster－Shafer)证据推理法、贝叶斯估计法以及马尔科夫随机域等［14－16］;第三种是以知识的人工智能为基础的融合方法，主要有专家系统法和参数模板法等;第四种是以信息论为基础的融合方法，主要包括神经网络、模糊集合理论、表决法、熵法和聚类分析法等［17，18］;最后一种是以小波变换和多尺度估计为基础的融合方法，包括小波分析理论法和支持向量机等［19，20］。

4　数据融合的应用

多传感器数据融合技术作为一种通过综合局部测量信息，消除多传感器系统之间可能存在的不确定因素，提供准确测量结果的智能化信息处理技术。能够增强系统的实时性和利用率，提高系统的可靠性和准确性，因此成为国内外许多研究机构的研究热点，受到了诸多领域的密切关注。

4.1数据融合在两相流参数检测的应用

两相流是自然界与工业生产中较为常见的一种流动形态，流态极为复杂，因此，对其过程参数的准确测量一直是科研工作与工业应用中亟待解决的重要课题。目前，多传感器数据融合技术在两相流流型识别中应用极为广泛，它将提取到的流动过程参数作为融合过程中的互补信息和冗余信息，并将来自不同时间和空间的多个传感器融合成较为一致的特征表达，降低其不确定性，完成对两相流特征参数的描述，进而实现两相流流型的辨识。

4.1.1国内的研究进展

纪军等［21］研制的12电极电容层析成像(ECT)一体化系统，拥有先进的数据采集和成像技术，能够快速的识别和显示油气两相流的流型，取得创新性进展，进而提出基于多传感器信息融合的油气两相流流量测量方法，获取了适应我国原油特性的分相含率射频信号的频率范围，其学术成果总体上居于国际先进水平。董峰等［22］采用电导环阵列和内锥式压差传感器相结合的方式，进行了基于不同传感器和多传感器融合的流量参数测量的研究。根据卡尔曼估计理论，运用集中式融合方法和并行式融合方法，将两种传感器包含的特征流动信息和不同监测信息进行有效的融合，大大提高油水两相流的在线测量的准确性。谭超等［23］通过数据级与特征级融合的方式来实现双截面电阻层析成像技术(ERT)内部信息的融合，并与支持向量机方法结合，实现气水两相流流型的识别。通过与单独利用单截面数据级融合和特征级融合的测量信息相对比，发现数据融合的方法能够提高气水两相流的流型识别率。

4.1.2国外的研究进展

国外学者将数据融合技术应用于两相流检测方面的研究有较多文献报道。P.Marchot等［24］将X射线层析成像和电容过程成像相结合，利用X射线层析成像高的空间分辨率和电容过程成像高的时间分辨率的特点，将获取的数据进行融合，了解和研究吸收柱在装载点处的气液分布情况。Christian Deinhammer等［25］采用层析成像的建立方法，将低成本和小规模的电容传感器和超声波传感器集成在一个单一的管道内，从而克服单一方法的局限性。把超声波层析技术和电容层析技术相融合，可以利用所获取数据包的补充信息来评价融合方法的性能，测量出油水两相流的分布情况。Bjorn Tore Hjertaker等［26］通过对双模式断层扫描仪(DMT)，即X射线层析摄影术与γ层析技术相结合的方法的研究，发现其不足主要涉及电容传感器在水为连续相时的性能以及盐度对γ射线测量值的依赖性，进而研发出一个能够测量油气混合物密度及盐度的传感器与高频磁场传感器相结合的双模态密度扫描仪(DMD)，从而更好地了解油井上的油气流动状态的信息。

4.2数据融合在三相流参数检测的应用

近年来，多传感器数据融合技术还被应用于三相流参数测量中，尤其是在流型识别的研究方面。当油气水三相流在管道内流动时，内壁所产生的压力和压差信号包含了流体流动的大量信息，多传感器数据融合技术能够进行多层次的数据提取、汇总以及详细的数据分析，具有容错性好、置信度高、稳定性强等优点。

4.2.1国内的研究进展

白博峰等［27－29］通过对油气水三相流流型识别实验结果进行分析，发现信号的特征参数对大多数流型都存在严重的交叉现象，并且在不同的层次上压力、压差信号的特征参数是支持、互补和竞争的。对于压力信号，采用均一化后的傅里叶功率谱分析、均方根等特征提取;对于压差信号，采用方差、无量纲均值等时域特征提取。根据多传感器数据融合的基本方法，通过模式识别的融合技术来实现油气水多相流流型的在线识别。王化祥等［30］发明了ERT/ECT双模态成像系统复合阵列传感器来测量多相流体在任意导电能力范围的成像信息，将阵列中的电极同时安装在被测流体管道内的同一截面，能够获取被测流体在同一时间、同一位置的流场分布情况，充分利用多传感器数据融合技术，来实现ERT技术和ECT技术的互补，有利于扩展电学成像技术的测量范围和提高双模态系统图像重建的质量。邓湘等［31］利用电阻过程成像和电容过程成像相融合的方法来测量油气水三相流的参数，由于电容传感器对多相流的介电常数较为敏感，因此既能够辨别出油和气两相，也能将油气两相和水区分开。而电阻过程成像的必要条件是连续相导电，所以该方法较为适用于高含水的工况。通过对测量可行性进行深入的研究，得出该融合系统适用于高含水垂直管道油气水参数的测量工况。

4.2.2国外的研究进展

Mahoud Meribout等［32］采用超声层析技术、电容层析技术、电阻层析技术相结合的方法，通过建立新的多相流流体的物理模型，通过神经网络处理来减少参数的复杂性同时提高精确度，为了克服40％～60％和90％以上的含水率范围内的电传感器的不确定性，双环的高频和低频超声波传感器可分别用于低的气体馏分和高的气体馏分，可以对高达90％气体馏分进行实时分类，从而实现油气水流速的实时测量。挪威Bergen大学物理系与Christin Michelsen Research研究所［33］共同研发出一种由电容过程成像和γ层析成像相结合的复合流动成像系统，定量评价层析成像系统相关参数和相对空间的静态成像性能的测量误差。研究表明，双传感器成像系统在三个相层析图像采集是可行的，并能准确地获取工艺参数，从而实现原油、水、天然气三组分混合流体的在线检测。

5　结束语

多传感器数据融合技术是一个新近崛起的前沿性的研究方向，其理论和方法已广泛应用于所涉及到的各类学科的技术领域。并且几乎所有多传感器信息的处理方法都可以应用于数据融合系统，尤其是人工智能技术的引入，大大增强了数据融合技术处理信息的能力。但由于检测对象和处理过程的复杂性，目前并没有一套完整的系统能够很好的解决多传感器数据融合中出现的所有问题。每个融合算法都有自己的适用范围，最好能够在原有算法的基础上，综合其他相关学科的最新成果，进一步提高融合系统的性能。目前，我国的多传感器数据融合技术研究处于起步阶段，尤其是在多相流测量领域的应用还比较少，但先进的融合技术已受到有关方面的高度重视，近年来也掀起研究热潮。相信不久的将来，随着国内外研究人员的不断努力，融合算法的不断完善，实践技术的不断更新，实际应用的不断扩展，多传感器数据融合技术也必将不断走向成熟。

参考文献

［1］曲晓慧，安钢.数据融合方法综述及展望［J］.舰船电子工程，2003，23(2): 2－4.

［2］Fabre S，Appriou A，Briottet X.Presentation and description of two classification methods using data fusion based on sensor management［J］.Information Fusion，2001，2(1): 49－71.

［3］熊凌，张凯.数据融合及其应用［J］.湖北工业大学学报，2005，20(3): 145－147.

［4］胡丹丹，肖书明，王燕清，等.基于多传感器的数据融合技术［J］.东北电力学院学报，2004，24(1): 62－67.

［5］范新南，苏丽媛，郭建甲.多传感器信息融合综述［J］.河海大学常州分校学报，2005，19(1): 1－4.

［6］Hall D L，Llinas J.An introduction to multisensor data fusion ［J］.Proceedings of the IEEE，1997，85(1): 6－23.

［7］孙辉，赵峰，张峰云.多传感器信息融合技术及其应用［J］.海洋测绘，2009，29(5): 77－81.

［8］严怀成，黄心汉，王敏.多传感器数据融合技术及其应用［J］.传感器技术，2006，24(10): 1－4.

［9］Sasiadek J Z.Sensor fusion［J］.Annual Reviews in Contro，2002，26(26): 203－228.

［10］吴艳.多传感器数据融合算法研究［D］.西安:西安电子科技大学，2003.

［11］朱泽君，黄涛，刘曦霞，等.多传感器数据融合技术研究现状及发展方向［J］.舰船电子工程，2009，29(2): 13－16.

［12］Vershinin Y A.A data fusion algorithm for multisensor systems［C］/ /Information Fusion，2002.Proceedings of the Fifth International Conference on.IEEE，2002，1: 341－345.

［13］王克明，肖军，徐心和.目标跟踪中基于自适应模糊控制的数据融合方法研究［J］.控制与决策，2002，17(1): 99－101.

［14］杜海莲，吕锋，辛涛，等.基于证据理论的优化集成分类器融合算法及应用［J］.化工学报，2012，63(9): 2877－2881.

［15］Buede D M，Girardi P.A target identification co MParison of Bayesian and Dempster－Shafer multisensor fusion［J］.Systems，Man and Cybernetics，Part A: Systems and Humans，IEEE Transactions on，1997，27(5): 569－577.

［16］Beynon M，Curry B，Morgan P.The Dempster–Shafer theory of evidence: an alternative approach to multicriteria decision modelling［J］.Omega，2000，28(1): 37－50.

［17］Wan W，Fraser D.Multisource data fusion with multiple selforganizing maps［J］.Geoscience and Remote Sensing，IEEETransactions on，1999，37(3): 1344－1349.

［18］Jimenez L O，Morales－Morell A，Creus A.Classification of hyperdimensional data based on feature and decision fusion approaches using projection pursuit，majority voting，and neural networks［J］.Geoscience and Remote Sensing，IEEE Transactions on，1999，37(3): 1360－1366.

［19］Li S T，Wang Y N.Multisensor image fusion using discrete multiwavelet transform［C］/ /Proc.3rd Internat.Conf.on Visual Computing.2000: 93－103.

［20］Challa C S，Palaniswami P M，Shilton S.Distributed data fusion using support vector machines［C］/ /Information Fusion，2002.Proceedings of the Fifth International Conference on.IEEE，2002，2: 881－885.

［21］纪军，刘涛，郭烈锦，等.重大项目“能源动力中多相流热物理基础理论与技术研究”取得重要进展［J］.中国科学基金，2005，19(1): 33－34.

［22］董峰，李峰，谭超.基于卡尔曼估计融合算法的油水两相流测量［J］.天津大学学报(自然科学与工程技术版)，2014，47(10): 903－908.

［23］谭超，董峰，徐遥远.用于气水两相流流型识别的ERT信息融合方法［J］.工程热物理学报，2010，31(5): 785－788.

［24］Toye D，L＇Homme G，Crine M，et al.Perspectives in data fusion between x－ray computed tomography and electrical capacitance tomography in an absorption column［C］/ /3rd World Congress on Industrial Process Tomography.Virtual Centre for Industrial Process Tomography，2003.

［25］Deinhammer C，Steiner G，Sommer M，et al.Electromechanical flow imaging using ultrasound and electrical capacitancedata［C］/ /Sensors，2008 IEEE.IEEE，2008: 160－163.

［26］Hjertaker B T，Tjugum S A，Hammer E，et al.Multimodality tomography for multiphase hydrocarbon flow measurements ［J］.Sensors Journal，IEEE，2005，5(2): 153－160.

［27］白博峰，张少军，赵亮，等.多相流流型在线识别理论研究［J］.中国科学(E辑)，2009，39(4): 655－660.

［28］刘文红，郭烈锦，张西民，等.水平管内油气水三相流分流型阻力特性实验研究［J］.工程热物理学报，2005，26(1): 80－83.

［29］杨钢，王玉涛，陆增喜，等.多传感器数据融合技术在多相流参数测量中的应用［J］.仪表技术与传感器，2006，(11): 51－53.

［30］王化祥，何永勃，张新廷.ERT/ECT双模态成像系统复合阵列传感器［P］.中国专利，CN2005101225574.

［31］邓湘，唐宇.电学过程成像的多传感器融合研究［J］.电子测量与仪器学报，2006，20(2): 63－66.

［32］Meribout M，Al－Rawahi N Z，Al－Naamany A M，et al.A multisensor intelligent device for real－time multiphase flow metering in oil fields［J］.Instrumentation and Measurement，IEEE Transactions on，2010，59(6): 1507－1519.

［33］Hjertaker B T.Static characterization of a dual sensor flow imaging system［J］.Flow Measurement and Instrumentation，1998，9(3): 183－191.

Research Progress of Multi－sensor Data Fusion Technology in Multi－phase Flow

LIU Xingbin1，LU Jing2，WANG Yanjun1，3，MA Xinming2
(1.Logging＆Testing Services Company Daqing Oilfield Limited Company，Daqing，Heilongjiang 163453，China; 2.College of Electronic Science，Northeast Petroleum University，Daqing，Heilongjiang 163318，China; 3.School of Electrical Engineering and Automation，Harbin Institute of Technology，Harbin，Heilongjiang 150001，China)

Abstract:As a new frontier technology of multi-sensor data fusion，it can process data which is from multiple sensors on multi-level，multigreed and multi-aspect，and then can extract more useful information which can not be obtained by single-sensor.The basic theory of multisensor data fusion was discussed，the performance characteristics of multi-sensor data fusion technology was analyzed in three kinds of fusion level.The main methods of data fusion and the application fields of multi-sensor data fusion were summarized，especially in the field of multiphase flow measurement applications.The results show that it has a theoretical research value to make every effort to avoid the study of the theory of the complex flow pattern transition mechanism，implement phase identification of multiphase flow pattern by multi-sensor data fusion method.

Key words:multi-sensor; data fusion; fusion method; multiphase flow

(收稿日期:2014－12－08编辑:韩德林)

第一作者简介:刘兴斌，男，1964年生，博士，教授级高级工程师，现在大庆油田有限责任公司测试技术服务分公司从事油井多相流测量研究。E-mail: lujing38182707@ sina.cn

基金项目:国家科技重大专项课题“油气田开发动态监测测井系列技术与装备”(课题编号: 2011ZX05020-006)

中图法分类号:TP247

文献标识码:A

文章编号:2096－0077(2016)01－0006－04