随着乙烯/聚乙烯行业的持续发展,气固流化床以其众多优势已成为工业聚乙烯的主流生产装置。然而在实际生产过程中,由于传热效率较低、静电累积等原因容易导致聚合物颗粒熔融、聚集形成结块,若发现及操作再不及时,结块会继续向更大结块状态发展,进而可能引发“熔床”现象,致使紧急的停车处理,最终装置无法安全且平稳生产运行。故研究流化床内聚合物结块故障的在线监测及预警技术具有重大意义,但同时也相当富有挑战性。至今已存在一些结块监测方法研究,而声发射法以无损设备装置、安装便捷、实时可靠的优势越来越备受关注。本文应用声发射检测技术,建立基于流化床冷模装置的实验平台及基于多传感器声纹特征提取的流化床结块监测系统。利用声发射检测技术采集流化床内部流化物料颗粒作用于床壁而产生的声波振动信号,并提取和分析不同物料(正常、微结块、结块)状态下声波振动信号的LP-MFCCs声纹特征参数;之后结合极限学习机建立相应结块监测模型,并对识别结果进行柔化处理使其以概率化形式输出,得到ELM网络柔化输出模型;最后运用模糊积分方法在决策层将三个传感器的识别结果进行融合,以建立多传感器结块监测模型,实现流化床内结块状态全面监测及识别。实验结果表明:不同聚乙烯物料(正常、微结块、结块)状态下的声波振动信号存在一定的差异性,能够较好的反映出物料粒径变化信息,且提取的信号LP-MFCCs声纹特征参数具有一定的稳定性及可区分性;ELM监测系统模型能够对系统不同状态进行有效及准确识别,且相应状态具有较高的识别率;通过融合多传感器的识别信息,在一定程度上有效降低了单传感器的不确定性与不可靠性,提高了状态识别的准确性及状态监测的全局性。