两相流的研究对动力工业、管道运输、核能利用等众多领域有重要意义,其流动机理研究与参数测量模型更是为流量计等工业设备研发提供了重要的理论依据。但是由于两相流复杂的相间界面效应,对于其内部流动特性的认识还相当有限,如何实现参数的在线精确测量仍是较大的难题。本文结合大量国内外文献,在因子分析的基础上分析了低干度气液两相流差压信号的影响因子,并根据相关性分析对因子命名,基于此分析提出了三种流量测量模型,在此基础上进一步基于贝叶斯网络进行模型间数据融合,提高了两相流参数估计精度。本文的主要工作与创新点如下:(1)本文根据两相流通过节流装置时的差压波动信号,分析了气相、液相对差压的不同影响,提出把差压信号划分成高差压区间与低差压区间两部分,并基于此分析,提取高、低区间差压测量值频数比以及高差压区间的方差作为特征值,通过建立函数拟合模型实现了两相流液相质量流量与空隙率的估计。实验结果表明,应用函数拟合模型对流量和空隙率估计的均方根误差分别为8.27%与1.98%。(2)基于因子分析方法研究了影响差压信号的重要因子。本文结合流体经过节流装置时的流动形态,采用因子分析方法计算出了因子得分与因子方差贡献。分析结果表明:主要存在三个因子影响两相流差压波动,其中因子1、因子2、因子3的方差贡献率分别为61.48%、23.11%、8.80%;其中,因子1与差压信号大部分特征值密切相关,反映了液相流量对差压的影响,因子2与高差压区间内测量均值与方差密切相关,反映了管道空隙率对差压的作用,因子3为相互作用因子,该因子与高差压区间内的熵值联系密切,反映了气液两相之间的复杂相互作用。(3)本文基于不同假设建立了多种流量测量模型,并基于贝叶斯网络实现了模型间数据融合。首先基于因子得分,建立了多元线性回归模型与支持向量机非线性回归模型,然后根据贝叶斯网络的参数学习方法实现了函数拟合、多元回归、支持向量机回归三种模型的决策级数据融合。实验结果表明,基于贝叶斯网络的数据融合方法综合考虑了多种模型的估计结果,有效提高了两相流流量、空隙率等参数的测量精度。