除焦狀態智能檢測技術研究

劉 霞，王利恒

（武漢工程大學 電氣信息學院，武漢 430074）

延遲焦化是以渣油或高黏度重質稠油為原料，在高溫下進行深度熱裂化的一種生產工藝，是作為重油深度加工的主要手段之一。焦化生產過程中的環境比較惡劣，尤其在使用高壓水進行除焦操作過程中，操作工要頻繁地進行觀測來判斷除焦的干凈程度，以作為控制鉆桿運動的依據[1]。本文研究一種通過檢測高壓切焦水打擊焦炭塔的振動來判斷切焦狀態，從而可以極大地減輕操作人員的勞動強度，同時除焦狀態自動檢測也為遠程智能除焦提供了信息支持。

1 檢測原理

在傳統的除焦過程中，有經驗的操作工可以通過聽高壓水打擊焦炭塔壁發出的聲音判斷出除焦的狀態，這是一種基于振動聲學的頻譜分析過程。下面建立系統模型進行分析其檢測原理。

1.1 焦炭塔模型

圖1 焦炭塔的簡化模型Fig.1 Simplified model of coke drum

1.2 高壓水沖擊力模型

由于水流擊打在塔壁上是連續的，但擊散后的水滴速度是雜亂的，所以沖擊力是一個連續但帶有隨機分布噪音的外部激勵。

1.3 激勵響應

在外部任意激勵F（t）作用下，焦炭塔系統的響應方程為

F（t）為高壓水擊打在塔壁的外部激勵。系統對F（t）的總響應可描述為

式（3）為杜哈梅積分，是系統對任意激勵的零初值響應函數。將F（t）代入式中，即可求得系統的響應輸出。

2 焦炭塔系統響應的仿真與實驗

2.1 仿真分析

為了找到不同狀態下焦炭塔的響應特性。使用上述焦炭塔的簡化模型在Matlab下進行仿真分析，得到滿焦炭和焦炭除凈后的響應曲線，如圖2所示。

圖2 焦炭塔系統響應仿真曲線Fig.2 Simulation response wave of coke drum

從上面分析可以看出，當外部激勵一定的情況下，系統的響應是由自身的固有頻率決定的。當焦炭塔內壁附著的焦炭量不同會改變其固有頻率特性，因此通過測量除焦操作時塔身的振動情況就可以判斷出焦炭塔壁附著焦炭量的多少，從而確定除焦的完成度。

2.2 實驗數據分析

燕山石化焦化單元采集的實際振動波形數據如圖 3 所示，圖 3（a）是除焦前的波形，圖 3（b）是除焦干凈后的波形。可以看出和仿真結果具有相一致的特征。在除焦前由于塔內滿焦狀態，相當于在金屬塔身上增加了阻尼環節，同時焦炭附著塔壁上，等效于增加了焦炭塔的自身質量，所以降低了焦炭塔的固有頻率。同時高壓水擊打在焦炭上，焦炭破碎時吸收了大量能量，所以振動波形的頻率較低，幅值也較小。焦炭除凈后，焦炭塔沒有了焦炭的附加質量，其固有頻率恢復為金屬塔身的自振頻率，而且高壓水直接擊打在金屬塔壁上，所以振動波形的頻率高、幅值較大。

圖3 焦炭塔實際激勵響應曲線Fig.3 Response wave excitated by high pressure water

3 智能檢測技術

根據仿真分析和實驗結果可知，焦炭塔在高壓水流沖擊下的響應輸出幅值和頻率是和焦炭塔內焦炭的多少相關的。因此可以提取焦炭塔的響應特征參數來判斷焦炭塔的除焦狀態。

根據實驗測得的數據，除焦過程中的功率譜線主要集中在500 Hz～8000 Hz，所以該頻率范圍作為分析頻率邊界。采用“頻譜功率譜算法”，以頻譜和功率譜的峰值頻率作為特征值，結合除焦高度信息，以及除焦潔凈程度φ（0%～100%），建立起各信息之間的映射關系。就可以根據振動波形中提取的特征值來推算出除焦的狀態。

式中：n 為振動測點數量；li，Hli，pi，Hpi分別為峰值振幅及其對應的頻率、峰值功率及其對應的頻率和除焦高度信息。

由于每個焦炭塔的結構尺寸以及焦炭的品種各有差異，因此上式的映射關系f是隨對象不同而變化的。但在同一個焦炭塔以及相對穩定的工藝條件下，其映射關系基本是穩定的。但這種映射關系具有復雜非線性特征，無法通過普通的數據擬合得到，在檢測系統中使用BP神經網絡來完成訓練學習，通過尋優權重wij來確定這種潛在的映射關系。

如圖4所示，檢測系統采用3層BP網絡，輸入層包含16個輸入節點，分別對應4個測點的峰值振幅及其對應的頻率、峰值功率及其對應的頻率[3-4]。隱含層取25個節點，傳遞函數使用tansig（）函數，輸出范圍［-1，1］。輸出層僅有1個節點，表示塔壁焦炭的潔凈程度，傳遞函數使用logsig（）函數，輸出范圍［0，1］，對應潔凈程度 0%～100%。

圖4 用于檢測的3層BP網絡模型Fig.4 Three layer BP network model for detection

當系統第一次使用，或經過大檢修重新開工，或是在使用過程中結果明顯偏離實際工況情況下，都需要對系統進行重新訓練學習[5]。

訓練一般在一個除焦過程中，取20～25個采樣點（空塔上下掃塔時，可以在掃到測點附近時多取幾個采樣點），分別采集記錄4個測點的振動聲學信息，并進行頻域變換得到一組輸入樣本值。將所有的樣本數據輸入到檢測系統中進行批處理學習，得到權重矩陣。該權重矩陣就是當前工況下的映射關系 f。

4 檢測系統組成

焦炭塔大小根據處理能力的不同會有所不同，但基本都有30 m以上的高度。因此實際的系統響應會比簡化模型復雜。為了能全面反應整個系統響應特征，將在塔身垂直方向布置多個振動傳感器，以獲取足夠的信息量，將傳感器輸出信號送到工控機采集卡進行統一采集和處理[6-7]。同時將切焦器位移傳感器的信號接入到除焦狀態檢測系統，作為焦炭高度的參考信號，用于對除焦情況的綜合判斷，系統組成如圖5所示。

圖5 狀態檢測系統組成Fig.5 Architecture of detection system

切焦器（鉆具）位置是通過檢測牽引導向輪上的接近開關產生的計數脈沖來進行換算得到的。單個脈沖無法判斷切焦器到底是上升還是下降，所以還要結合切焦器的上升和下降信號來判斷。通常切焦器位置處理在水力除焦系統中已經實現。因此可以將切焦器位置的信息通過通信傳給狀態檢測系統。

振動信號的處理流程如圖6所示。振動傳感器采集到振動信號后，經過前置放大，使用低噪屏蔽電纜接到數據采集卡上。工控機上的數據采集程序對各通道振動信號進行高速采集并分析，完成除焦狀態的判讀。判讀結果通過圖形控件直接顯示在監視器上。同時通過通信和模擬量2種方式提供給其他系統使用。

圖6 振動信號處理Fig.6 Block diagram of vibration signal processing

5 結語

經過實際系統的使用結果表明，文中的譜線特征提取和分析的方法，結合切焦器位置信息，可以有效地判斷焦炭塔的除焦狀態，可用于遠程除焦操作。但系統還存在如下問題：當系統的工藝條件發生變化、檢測結果誤差較大時，需要對系統進行重新自學習；對塔壁的一些殘留焦炭無法有效判斷，容易造成誤判。后期可以引入更多的除焦過程變量，通過信息融合的方式來增強智能檢測的魯棒性。

[1]王濤，高志，葉健敏，等.水力除焦監測系統的設計和研究[J].工程設計學報，2010，17（2）：146-150.

[2]倪振華.振動力學[M].西安：西安交通大學出版社，1989.

[3]Ra’ul Rojas.Neural Networks[M].Springer-Verlag，Berlin，1996.

[4]沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定[J].天津理工大學學報，2008，24（5）：13-15.

[5]朱凱，王正林.精通MATLAB神經網絡[M].北京：電子工業出版社，2010.

[6]林廣田，晉西潤，解學仕.延遲焦化裝置水力除焦系統自動控制技術[J].煉油技術與工程，2005，36（12）：46-50.

[7]馬雪勇，陳建新.延遲焦化智能除焦系統的研究與應用[J].知識經濟，2013（11）：110-112.