CN2695964Y - 基于电容层析成像系统的油气两相流测量装置 - Google Patents

Abstract

本实用新型公开了一种基于电容层析成像系统的油气两相流测量装置。它采用反投影算法重建出油气两相流介质分布图像，实时显示管道内流型，采用模糊模式识别进行流型的在线自动辨识，采用基于Tikhonov正则化原理和代数重建技术的组合型新型图像重建算法重建出反映油气两相流介质分布的图像，并经图像处理获得油气两相流的空隙率。该装置依次具有阵列式电容传感器，电容数据采集单元和用于图像重建、数据处理与显示的计算机。该装置可以对油气两相流进行非介入性测量，流型显示速度50帧/秒以上，对于均相流、层状流、波状流和环状流等典型流型，其辨识的准确率高于95％，判别一个流型时间小于0.3秒，对于塞状流的辨识准确率高于90％，空隙率测量误差小于5％。

Description

基于电容层析成像系统的油气两相流测量装置

                          技术领域

本实用新型涉及油气两相流测量，尤其涉及一种基于电容层析成像系统的油气两相流测量装置。

                          背景技术

两相流系统在石油、化工等众多工业领域有着十分广泛的应用。两相流参数如流型、空隙率等的测量，对工业生产具有重要的意义。由于两相流动系统的复杂性，这些参数的在线测量十分困难，目前，能够应用到实际工业中的两相流在线测量仪表为数很少。

在实际工业两相流系统中，两相流流型的不同，不但影响两相流的流动特性、传热和传质性能，而且影响系统运行的可靠性和效率。两相流流型的在线显示及辨识对生产过程的监控、故障诊断和管路系统的设计和运行等均具有重要意义。同时，对两相流其它参数的测量也有很大的帮助。因此，流型是两相流系统中具有重要工程意义的基本参数，流型的自动辨识有着重要的工业应用价值和学术价值。遗憾的是两相流动是一个复杂的系统，各相间存在随机可变的相界面，致使流型的种类多种多样，并且导致流型在流体流动过程中的变化带有随机性。两相流流型不仅受各相介质自身特性的影响，而且受工业系统工况(包括压力、各分相流量、各分相含率、管道的几何形状、壁面特性以及安装方式等)的影响，因此流型的在线自动辨识十分困难。目前，流型辨识方法有目测法、高速摄影法、射线衰减法，以及基于差压/压力、空隙率波动信号的信号分析技术等方法。但是现有的这些方法由于难以获取真正反映流型的管截面相分布信息，流型辨识准确率往往不够高，实际应用也十分有限。

气液两相流中的气相含率又称为空隙率，表征气体截面含率，该参数的获取对工业系统的工艺设计、运行状况监控，两相流系统的自动控制和计量以及进一步的两相流流量的测量等均具有重要的意义。目前的测量空隙率的方法主要有三大类：第一类是采用单相流测量仪表。这类方法需要经过大量的理论研究和实验验证，得到两相流测量模型，其应用范围往往局限于获得测量模型时所处工况。第二类是采用分离法，将两相流体的各相分离，测量各相含量。这类方法可以对两相流空隙率进行计量，但由于要对两相流体进行分离，系统复杂，可能影响工业过程的连续性，因此限制了其应用范围。第三类方法是采用各种新技术，研制特定的仪表直接测量两相流混合物。这类技术包括辐射线技术、核磁共振技术、电磁技术、超声波技术、光谱技术、激光多普勒技术以及过程层析成像技术等，但基于这类技术的两相流参数测量目前大多仍处于实验研究阶段。

电容层析成像(Electrical Capacitance Tomography，简记ECT)技术是近20年发展起来的一种新型检测技术，其技术原理源于医学CT，适用于非导电介质构成的两相流系统的参数测量，是目前广泛研究的一种过程成像技术，具有结构简单、非介入性、速度快、成本低和安全性能佳等特点。由于ECT技术可以在不干扰流场情况下非介入性地测得反映管截面内相分布局部的和微观的实时信息，因此它的出现为解决两相流流型辨识、空隙率测量等问题提供了一条有效途径。但基于该技术的两相流参数测量仪表仍处于实验室研究阶段，距离工业现场应用尚有一定距离。

油气两相流是一种常见的气液两相流动，广泛存在于石油(油气田的开采和油气输送)、化工、炼油、动力等领域，油气两相流的流型、空隙率等重要参数的测量对能源储备、管道输送、过程控制和计量核算均有着重要的意义，但目前尚未有很好的测量方法。随着生产过程计量、节能和控制要求的提高，这些参数的测量就变得越来越迫切。

                          发明内容

本实用新型的目的是提供一种基于电容层析成像系统的油气两相流测量装置。

装置依次具有阵列式电容传感器，电容数据采集单元和用于图像重建、数据处理与显示的计算机，所说的阵列式电容传感器以两端带有连接法兰的绝缘管作为传感管段，传感管段外侧轴向均匀粘贴有铜箔电极阵列，传感管段外侧设有固定支架、屏蔽罩、径向电极，在径向电极上设有电容/电压转换模块：

本实用新型可以实现管道内流型的实时显示、流型的在线自动辨识和空隙率测量。采用反投影算法进行流型显示的图像重建，流型显示速度50帧/秒以上。依据反投影算法重建出的两相流介质分布图像，采用模糊模式识别方法进行流型在线自动辨识，对于均相流、层状流、波状流和环状流等典型流型，其辨识的准确率高于95％，判别一个流型所用的时间小于0.3秒，对于塞状流的辨识准确率高于90％。采用基于Tikhonov正则化原理和代数重建技术的组合型新型图像重建算法，重建出油气两相流截面图像，并根据图像的灰度值计算出油气两相流的空隙率，空隙率误差小于5％。

                          附图说明

图1是油气两相流测量框图；

图2是水平管气液两相流的典型流型图；

图3a～e是一组典型的流型图

图4是图像重建场域剖分图；

图5是流型辨识框图；

图6是组合型图像重建算法框图；

图7是空隙率测量结果图。

图8是基于电容层析成像系统油气两相流测量装置示意图；

图9是阵列式电容传感器结构图；

图10是电容测量电路和时序图；

图11是电容数据采集模块方框图

                        具体实施方式

利用电容层析成像技术可以测量由具有不同介电常数的介质所组成的两相流体的特征参数。对于具有不同介电常数的两相流体，当各相组分的空间分布或浓度(含率)发生变化时，将引起两相流体在管截面上的介电常数分布发生变化，从而使测量电极对间的电容发生变化。采用阵列式电容传感器，通过各电极之间相互组合，测量这些电容变化量，便可反映两相流体的浓度以及在管截面上的相分布情况。以这些电容变化量的测量值为投影数据，采用合适的图像重建算法，便可重建出某一时刻两相流体流经管道横截面上的相分布图像，实现流型的可视化。通过图像处理等技术对重建图像进一步进行分析，可以得出流型的判别结果和两相流体的空隙率。

图像重建是电容层析成像系统的核心环节，其实质是求解如下图像重建模型：

                                    P＝WF

其中，P＝[p₁，p₂，…，p_N]^T为测量电容投影数据向量，其元素p_i值由归一化处理后的测量电容值及其灵敏度分布确定。

$p_i=\left(\underset{D}{\∫\∫}{S}_i(x,y)\mathrm{dxdy}\right)\·{\mathrm{Cr}}_i$

式中，Cr_i归一化电容值，计算方法为：

${\mathrm{Cr}}_i=\frac{C_i-C_{\mathrm{oi}}}{C_m-C_{\mathrm{oi}}}$

C_i为混合流体电容测量值，C_oi为管中充满气相时的电容测量值，C_mi为管中充满油相时的电容测量值。S_i(x，y)为第i个测量电极对的灵敏度分布函数，该函数在各个像素点上的值通过电磁场的有限元分析得到。W为权重系数矩阵，其元素w_ij，i＝1，2，…，N，j＝1，2，…，M，由第i个测量电容的在第j个像素上的灵敏度和该像素的面积所决定。F＝[f₁，f₂，…，f_M]^T为待求图像灰度向量，其中的元素f_i∈[0，1]，0表示该像素点上的介质为气相，1表示该像素点上的介质为油相。N表示测量数据个数，M表示图像重建场域的像素剖分个数。

图像重建算法的选取对图像重建的实时性和图像质量有着重要的影响，依据各种应用场合的对图像重建速度和质量的不同要求，可以采用不同的图像重建算法。

如图1所示，针对流型的特点和应用要求，流型显示主要应用于两相流工业系统的监测，由此用于流型显示的图像需采用简单快捷的反投影图像重建算法(LBP)。流型辨识为一定性参数测量，因此仍旧采用反投影图像重建算法，经图像处理，利用模糊模式识别技术进行流型辨识。而空隙率是一个定量的参数，重建图像质量越高，越有益于提高测量精度，所以采用基于Tikhonov正则化和代数重建技术(ART)的组合型新型图像重建算法重建出质量较高的介质分布图像，再利用图像处理技术计算图像灰度，从而得到油气两相流的空隙率。

如图4a所示，在流型显示和流型辨识的图像重建过程中，采用有限元三角剖分将图像重建场域剖分成54个像素，采用反投影算法进行图像重建。重建完成后，为使介质分布图像与数字图像相对应，经过插值、平滑等技术处理，将图像转换成32×32的网格平面图像以表征管截面上的两相流体分布。同时，选取3秒钟内所有截面图像的纵向直径上的一组像素，依次显示，可以表征在这个时间段内沿流体流动方向上的介质分布图像。

反投影算法的特点在于计算量较小，速度快，重建出的图像也能够满足流型在线显示和定性流型辨识的应用要求，其计算公式如下式所示：

$f_j=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Cr}}_i\·w_{i,j}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{i,j}}$

式中，Cr_i归一化电容值。

根据重建的两相流介质分布图像，采用模糊模式识别的方法进行流型辨识，其思想方法描述如下：

1.定义论域U＝{A₁，A₂，A₃}，其中A₁＝{均相流}，A₂＝(层状流}，A₃＝{环状流}。如图2所示，油气两相流动系统中典型的流型包括：层状流、环状流、波状流、塞状流、泡状流以及管中充满油相(定义为满管)和管中充满气相(定义为空管)。泡状流、满管和空管可以归结为均相流；波状流可以认为是由不同层高的层状流组成；塞状流可以认为是由均相流和层状流组成。因此设定三个标准模式A₁＝{均相流}，A₂＝{层状流}，A₃＝{环状流}。

2.定义与U有关的特征量X＝{x}，根据流型的随机性和模糊特性，并且考虑到均相流、层状流、环状流等典型流型下介质在管道截面上的分布特点，把重建的介质分布图像的下述三个统计特征作为Fuzzy判别变量：(1)整个图像的平均灰度值x₁；(2)位于上半管道27个像素的平均灰度和位于下半管道27个像素的平均灰度之差的绝对值x₂；(3)靠近管壁一圈30个像素的平均灰度和位于管中心24个像素的平均灰度之差的绝对值x₃。

3.选取正态Fuzzy分布函数为隶属度函数的结构形式，则流型判别问题归结为一个多因素模糊模式识别问题。此时，每个标准模式与三个Fuzzy特征量相对应的隶属度函数集为：

$A_1:{\mathrm{\μ}}_1=({\mathrm{\μ}}_1^1,{\mathrm{\μ}}_1^2,{\mathrm{\μ}}_1^3)=(e^{-{\left(\frac{x_1-{\mathrm{\β}}_{11}}{{\mathrm{\σ}}_{11}}\right)}^2},e^{-{\left(\frac{x_2-{\mathrm{\β}}_{12}}{{\mathrm{\σ}}_{12}}\right)}^2},e^{-{\left(\frac{x_3-{\mathrm{\β}}_{13}}{{\mathrm{\σ}}_{13}}\right)}^2})$

$A_2:{\mathrm{\μ}}_2=({\mathrm{\μ}}_2^1,{\mathrm{\μ}}_2^2,{\mathrm{\μ}}_2^3)=(e^{-{\left(\frac{x_1-{\mathrm{\β}}_{21}}{{\mathrm{\σ}}_{21}}\right)}^2},e^{-{\left(\frac{x_2-{\mathrm{\β}}_{22}}{{\mathrm{\σ}}_{22}}\right)}^2},e^{-{\left(\frac{x_3-{\mathrm{\β}}_{23}}{{\mathrm{\σ}}_{23}}\right)}^2})$

$A_3:{\mathrm{\μ}}_3=({\mathrm{\μ}}_3^1,{\mathrm{\μ}}_3^2,{\mathrm{\μ}}_3^3)=(e^{-{\left(\frac{x_1-{\mathrm{\β}}_{31}}{{\mathrm{\σ}}_{31}}\right)}^2},e^{-{\left(\frac{x_2-{\mathrm{\β}}_{32}}{{\mathrm{\σ}}_{32}}\right)}^2},e^{-{\left(\frac{x_3-{\mathrm{\β}}_{33}}{{\mathrm{\σ}}_{33}}\right)}^2})$

其中参数β_ij，σ_ij由人工经验设定；i＝1，2，3；j＝1，2，3。通过大量的实验研究获得用于流型辨识的参数β_ij、σ_ij如下：

$\mathrm{\β}=\left[\begin{array}{ccc}1.59& 0.0& 0.0\\ 0.0& 0.96& 0.0\\ 0.0& 0.0& 0.95\end{array}\right]$ $\mathrm{\σ}=\left[\begin{array}{ccc}0.48& 0.08& 0.08\\ 0.08& 1.0& 0.08\\ 0.08& 0.08& 1.0\end{array}\right]$

待识别模式μ相对于标准模式A₁，A₂，A₃的隶属度函数为：

${\mathrm{\μ}}_{A_i}=M_m[{\mathrm{\μ}}_i^1\left(x_1\right),{\mathrm{\μ}}_i^2\left(x_2\right),{\mathrm{\μ}}_i^3\left(x_3\right)]----i=\mathrm{1,2,3}$

其中M_m称为综合函数，其含义是综合三个Fuzzy特征给出一个总体的评价。取综合函数M_m为映射∑的形式，则待识别模式相对于A₁，A₂，A₃的隶属度分别为：

${\mathrm{\μ}}_{A_1}=\frac{1}{3}(e^{-{\left(\frac{x_1-{\mathrm{\β}}_{11}}{{\mathrm{\σ}}_{11}}\right)}^2}+e^{-{\left(\frac{x_2-{\mathrm{\β}}_{12}}{{\mathrm{\σ}}_{12}}\right)}^2}+e^{-{\left(\frac{x_3-{\mathrm{\β}}_{13}}{{\mathrm{\σ}}_{13}}\right)}^2})$

${\mathrm{\μ}}_{A_2}=\frac{1}{3}(e^{-{\left(\frac{x_1-{\mathrm{\β}}_{21}}{{\mathrm{\σ}}_{21}}\right)}^2}+e^{-{\left(\frac{x_2-{\mathrm{\β}}_{22}}{{\mathrm{\σ}}_{22}}\right)}^2}+e^{-{\left(\frac{x_3-{\mathrm{\β}}_{23}}{{\mathrm{\σ}}_{23}}\right)}^2})$

${\mathrm{\μ}}_{A_3}=\frac{1}{3}(e^{-{\left(\frac{x_1-{\mathrm{\β}}_{31}}{{\mathrm{\σ}}_{31}}\right)}^2}+e^{-{\left(\frac{x_2-{\mathrm{\β}}_{32}}{{\mathrm{\σ}}_{32}}\right)}^2}+e^{-{\left(\frac{x_3-{\mathrm{\β}}_{33}}{{\mathrm{\σ}}_{33}}\right)}^2})$

4.根据Fuzzy判别变量求出隶属度值μ_A1、μ_A2、μ_A3，并依据最大隶属度准则判别当前管截面图像表征何种流型。

图5示出了流型辨识框图，具体的流型辨识的流程和步骤如下：

(1)采集电容值，对于12电极电容层析成像系统，共有66个独立测量电容值；

(2)图像重建，得到截面各像素灰度值；

(3)根据重建图像像素灰度值计算三个统计特征值x₁、x₂、x₃；

(4)利用模糊模式识别的方法进行模式识别求得三个隶属度值μ_A1、μ_A2、μ_A3；

(5)根据最大隶属度准则判别流型，若μ_A1最大则是均相流，若μ_A2最大则是层状流。若μ_A3最大则是环状流。环状流、层状流通过一次辨识便可以得到。

(6)若辨识结果为均相流，可根据管截面液相含率进一步辨识当前两相流是满管、空管还是泡状流。如果图像的灰度接近1(大于0.98)，则认为是满管；如果图像灰度接近0(小于0.02)，则认为是空管；如果图像灰度介于0.02和0.98之间，则认为是泡状流。

(7)波状流可以认为是由不同层高的层状流组成，因此在判别结果为层状流的前提下，分析图像灰度的波动，如果波动达到一定的幅度，则认为是波状流。

(8)塞状流可以认为是由层状流和均相流组成，因此当辨识结果是层状流或均相流(空管、满管、泡状流)时便需要进一步辨识当前流型是否为塞状流。其策略是考察本次辨识的流型和前几次辨识的结果，如果是层状流与均相流交替出现且有一定的时间间隔(由于工况不同，段塞长度有所不同，所以设置的时间间隔根据工况而定)，则认为当前流型为塞状流，否则维持原来的流型辨识结果。最后是流型辨识结果的显示并返回进行下一次流型辨识。

流型显示的实验表明，该电容层析成像系统流型显示的速度50帧/秒以上，显示的图像与实际的图像相符。图3a～e给出了该气液两相流测量装置显示的一组水平管中典型流型。流型在线自动辨识实验表明，对于均相流、层状流、波状流和环状流等流型，其辨识的准确率高于95％，判别一个流型所用的时间小于0.3秒，对于塞状流的辨识准确率高于90％；依据计算机内的时钟，可以计算出段塞的时间跨度(连续均相流所持续的时间)。

空隙率为一量化参数，简单的反投影算法不能满足要求，因此本系统在测量空隙率时，采用了组合型新型图像重建算法，该算法利用Tikhonov正则化克服求解图像重建模型的逆问题时遇到的不适定性并求出初始图像灰度值，在此初始图像的基础上进一步应用代数重建技术进行迭代改善，得到高质量的重建图像，通过计算图像灰度获得油气两相流的空隙率。

图6示出了该组合型图像重建算法。该算法分两步进行：第一步，图像重建场域剖分成54个像素(如图4a所示)，采用Tikhonov正则化求解初始截面图像的灰度值；第二步，将图像重建场域剖分成216个像素(如图4b所示)，以初始图像的灰度值为迭代初值，应用ART算法进行迭代改善以重建出获得高质量的介质分布图像。

在第一步的图像重建中，投影数据(电容测量值)有66个，用有限元三角剖分将管截面剖分成54个像素，图像重建是在数据完备的情况下进行。由于电容层析成像的图像重建问题是一不适定逆问题。不适定性主要表现为解的不稳定，即测量数据的微小变化会导致解的很大波动。克服不适定问题的不适定性的方法是正则化，因此采用Tikhonov正则化，通过构造正则化广义逆图像重建算法可以克服图像重建中的不适定问题，获得初始截面图像的灰度值。引入正则化参数λ＞0，图像重建模型的求解可归结为如下最优化问题：

定义辅助函数J(F)：

                  J(F)＝‖WF-P‖²+λ‖F‖²→min

由 $\frac{\∂J}{\∂F}=0,$ 从而极小化J，经推导可得图像重建模型的正则解，即初始截面图像的灰度向量估计值

$\hat{F}={(W^{T}W+\mathrm{\λI})}^{-1}{W}^{T}P$

λ是根据经验预设，一般取值为0.1左右。

在此基础上进行第二步图像重建，对管截面进行细分，剖分成216个像素，将54个像素的灰度值作为迭代的初始值，采用ART图像重建算法，以获得高质量的图像。

ART算法的主迭代公式为：

$f_j^{\left[i\right]}=f_j^{[i-1]}+[(p_i-q_i)/\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ik}}^2]w_{\mathrm{ij}}.$

其中

$q_i=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{f}_k^{[i-1]}{w}_{\mathrm{ik}}$

在迭代过程中，引入 $f_j^{\left[i\right]}\∈\left[\mathrm{0,1}\right]$ 的先验知识，对迭代结果进行滤波：

对重建图像作进一步处理，可以算得气液两相流体的空隙率，由于重建的图像各像素的灰度值对应于该像素区域内液相含率，则根据最终所获的图像，可得空隙率α为：

$\mathrm{\α}=1-\left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{f}_j\frac{A_j}{A}\right)\×100\%$

式中：A_j为第j个像素的面积，A为测量管道的截面面积。

以柴油和空气为介质进行了空隙率测量实验，静态标定实验结果表明，空隙率的测量误差可小于5％(注：目前尚无空隙率的动态标定方法，只能对其进行静态标定)。一组典型的空隙率测量结果如图7所示，图中横坐标为空隙率设定值，纵坐标为采用电容层析成像系统测量出的空隙率值。空隙率值测量的实时性也比较好，测量获得空隙率值所需的时间小于0.1秒。

测量系统的硬件组成如图8、图9所示，装置依次具有阵列式电容传感器1，电容数据采集单元2和用于图像重建、数据处理与显示的计算机3，所说阵列式电容传感器以两端带有连接法兰5的绝缘管4作为传感管段，传感管段外侧轴向均匀粘贴有铜箔电极9阵列，传感管段外侧设有固定支架6、屏蔽罩7、径向电极8，在径向电极8上设有电容/电压转换模块10。

传感管段采用的材料为聚乙烯管(PE管)长500～1000mm，管材规格为PE63，SDR11，公称直径25mm～160mm，公称压力1.0～2.0MPa。外壳为屏蔽罩，由半圆型两片不锈钢片组成，两端各有2个螺丝开孔，可固定在支架上。电极片为12片，均匀粘贴在传感管段的外壁。电极所采用的材料为铜片，电极张角为26°，电极片长度为管道内径的1.2倍。电极之间设有径向电极，电容/电压转换模块安装在径向电极上，共有12个模块，每个电极对应一个模块。

图10示出了电容/电压模块进行微弱电容测量电路和测量时序。V_i为充放电的激励电压源，运放U₁，电容C_f和开关S₁构成电荷放大器；开关S₂和S₃，运放U₂和U₃构成两个采样保持器(S/H)；U₄为仪表放大器。电路的工作过程分为两步。第一步是测量开关S₁的电荷注入效应：在电路开始工作之前，V_i电压为高，开关S₁闭合，两个采样保持器都处于采样模式。由于S₁闭合，U₁输出为0V。在t₁时刻将S₁断开，在理想情况下，V₁将保持为0V，但由于开关S₁的电荷注入效应，有电荷Q_c被注入C_f，导致V₁被拉低至V_L。在t₂时刻，U₁的输出趋于稳定，将S₃断开使采样保持器U₃进入保持模式，则U₁的输出值由采样保持器U₃保持，即U₃的输出V₃等于V_L。第2步是测量激励源引起的C_x中的电荷变化量：在t₃时刻，激励源V_i产生由高到低的跳变，跳变幅度为ΔV，则在测量电极上得到感应电荷为：

                  Q＝-ΔV_iC_x

U₁的输出为：

$V_H=V_L+\frac{Q}{C_f}$

在t₄时刻，S₂断开使采样保持器U₂进入保持模式，即U₂的输出V₂等于V_H。以采样保持器U₂的输出V_H和采样保持器U₃的输出V_L作为仪表放大器U₄的输入，则仪表放大器的输出为：

$V_4=V_H-V_L=\frac{-\mathrm{\Δ}{V}_i{C}_x}{C_f}$

该值与被测电容成正比关系，可以表征被测电容的大小。

图11示出的是电容数据采集模块的方框图，在一个测量周期中，首先是微处理器发出通道控制信号，用于控制某一电极处于激励状态而其余电极处于检测状态，其激励与检测机制为：选择电极1为激励电极，电极2～电极12为检测电极，依次测量电极1与电极2，电极1与电极3，……，电极1与电极12之间的电容值；然后选择电极2为激励电极，电极3～电极12为检测电极，依次测量电极2与电极3，电极2与电极4，……，电极2与电极12之间的电容值；以此类推，最后测量电极11与电极12之间的电容值，完成一次测量。传感器测出的电容值经C/V模块(电容/电压转换模块)后转换为电压值，减掉空管时电容所对应的电压值(这些值在系统初始化的时候得到并存于微处理器中)，得到表征管道内电容变化量的电压增量，再经增益可编程放大器(其增益根据不同的电极对由微处理器配置)对信号进行放大后，送给模/数转换器进行模数转换，再由微处理器经通讯单元传送至图像重建和流型显示的计算机。通过通讯单元，仪表可以采用RS-232或RS-485与计算机进行通讯。如果采用RS-232进行通讯，需要将仪表和计算机的串行口连接起来，此方式下的传输距离为15米，最大数据传输速率为115.2KBps。如果采用RS-485进行通讯，要求计算机配有RS-232/RS-485转换器，此方式下的传输距离为1200米，最大数据传输速率为921.6KBps。

基于12电极电容层析成像系统的油气两相流测量装置的图像重建、数据处理和显示的计算机采用PC-104总线计算机，其处理器为奔腾MMX300MHz，内存128MByte，主板型号为PCM3350，显示器采用9英寸的TFT显示屏。

Claims (4)

1.一种基于电容层析成像系统的油气两相流测量装置，其特征在于它依次具有阵列式电容传感器(1)，电容数据采集单元(2)和用于图像重建、数据处理与显示的计算机(3)，所说的阵列式电容传感器以两端带有连接法兰(5)的绝缘管(4)作为传感管段，传感管段外侧轴向均匀粘贴有铜箔电极(9)阵列，传感管段外侧设有固定支架(6)、屏蔽罩(7)、径向电极(8)，在径向电极(8)上设有电容/电压转换模块(10)。

2.根据权利要求1所述的一种基于电容层析成像系统的油气两相流测量装置，其特征在于所说的传感管段采用聚乙烯管，聚乙烯管长度为500～1000mm，公称直径25mm～160mm，公称压力1.0～2.0MPa。

3.根据权利要求1所述的一种基于电容层析成像系统的油气两相流测量装置，其特征在于所说的铜箔电极为12片，材料为铜片，电极张角为26°，电极片长度为管道内径的1.2倍。

4.根据权利要求1所述的一种基于电容层析成像系统的油气两相流测量装置，其特征在于所说的电容数据采集单元采用RS-232或RS-485进行通讯。

Images