彭心怡，熊建斌

(1华南师范大学数学科学学院,广东 广州 510631;2广东技术师范大学自动化学院,广东 广州 510655)

乙烯裂解炉是乙烯生产装置的核心设备。在确保安全生产前提下，如何有效延长裂解炉的运行周期，对提升乙烯的产能效益十分重要。炉管作为裂解制乙烯的反应器，是乙烯裂解炉最关键的部件，但在以高温热裂解法制备乙烯的生产过程中，裂解原料总是不可避免地裂化分解生成焦炭颗粒并附着在炉管内壁[1]，并逐渐结焦。炉管结焦会造成炉管外壁温度升高、炉管内径变小，不仅会导致炉管堵塞，甚至会引发炉管爆炸，造成严重的安全事故[2-3]。因此，及时准确判断乙烯裂解炉炉管的结焦对于提升乙烯生产效益、减少乙烯生产安全隐患具有重要的意义。

目前，乙烯裂解炉炉管结焦诊断的主要方法有人工经验法[4]、红外热像技术法[5]、结焦机理模型法[6]和利用单一机器学习智能算法构建结焦诊断模型法[7]。上述炉管结焦诊断方法都存在一定的缺陷,其中，人工经验诊断法缺乏实时性和可靠性，红外热像诊断法存在设备成本高和安装运行维护难等问题，结焦机理模型诊断法存在因部分机理参数难以准确获取而使机理模型的精度无法得到保证的问题，利用单一的机器学习智能算法所构建的诊断模型存在泛化能力差的问题[8]。针对上述方法的不足，本文提出一种基于Stacking算法的智能诊断方法，通过利用实际采集于某国有特大型石化公司1#乙烯裂解装置的数据对该方法进行实验，验证了该方法的有效性。……