延迟焦化是一种热裂化工艺,其主要的目的就是把高残碳的残油转化为轻质油。焦化后生成的焦炭附着在塔壁上,在进入下一次生焦生产前,需要进行除焦操作。水力除焦是目前常用的一种除焦手段,其主要利用高压水不断冲击焦炭塔内的焦炭使其脱落并从塔底溜槽流出。在目前的除焦操作中,焦炭除尽程度完全依赖操作工的人为观测判断。其劳动强度大、工作环境恶劣,判断的主观性误差大。本文旨在通过对焦炭塔在高压水冲击下的振动信号采集并进行分析,建立模型,判读除焦洁净程度。通过对焦炭塔对象的分析,建立了焦炭塔在水力冲击下的动力学模型。基于该模型进行了仿真分析,找到附着焦炭层厚度与焦炭塔振动信号之间的依存关系。焦炭塔附着焦炭层越厚其振型参数中的振幅越小,频率越低。通过对特性参数的提取,可以使用模式识别的方式来建立除焦的状态和振型参数之间的关系。本文使用BP神经网络,将获取的振动信号样本进行傅里叶变换后,得到振动信号的幅频曲线。提取不同特征频段的幅值作为特征参数,进行样本学习训练,建立起除焦状态与焦炭塔振动特性之间的学习识别网络,并将训练后的网络用于除焦状态的检测中。水力除焦智能检测系统由振动信号采集系统,信号预处理和分析系统,神经网络识别系统和输出系统组成。其主要的的工作流程:在水力除焦的焦炭塔外壁安装数个振动传感器,由振动传感器来采集水力除焦焦炭塔塔壁的振动信号,但此时采集的信号为时域信号,故需要经过傅里叶变换将时域信号转变成为频域信号,再提取不同特征频段的幅值作为特征参数,进行样本学习训练,将提取的频率特征值作为输入,运用BP神经网络建立起特征值与焦炭塔除焦状态洁净程度之间的关系。实验研究结果表明,该系统能正确识别除焦的洁净程度,达到了预期的研究目标。