科氏流量计在工业上有相当广泛的应用,单相流已经达到0.01工业精度,但两相流下的精度提升一直存在瓶颈。基于自适应格型滤波器的信号增强算法,会在含气率过高时出现频率跟踪的延迟。为了加快收敛,增加其带宽,使得频率跟踪更加准确,质量误差从2.09%下降到1.49%。同时,尝试了一种基于经验模态分解(EMD)的信号增强算法,该算法能自适应地提取信号变化主要趋势,适合测量变化较大信号。分别使用改进的随机漫步模型和实测数据进行测试。EMD在较大含气率时仿真与实测结果均优于自适应滤波器。提出了滑窗算法对相位差优化。消除结果中的异常值,能有效减小相位差受噪声的影响,在单相流、多相流以及降采样情况下都进行了测试,均使得精度获得20%以上的提升,验证了其有效性。基于CCM2000型科氏流量计搭建了两相流实验平台。测量两相流时由于阻尼比变化,振动管会出现振幅降低,甚至停振现象。设计了一套数字驱动系统,仿真模型实验结果表明该驱动系统能有效稳定振幅。将上文的滤波及相位处理算法嵌入至DSP中,完成了一套针对两相流的信号处理系统。针对两相流模型误差,使用BP神经网络离线校正,并设计了三个新特征。新特征使得校正误差从2.29%下降至1.93%。使用卷积神经网络(CNN)进一步从原始数据中提取特征,将原特征从全连接层加入,使得平均误差降至1.82%。为了预测振动管中出现的大气泡,使用CNN预测仿真数据的含气率。