海上风机叶片是风力发电机将风能转化为电能的重要部件,其故障会危及到海上风电机组的轴系,甚至可能造成风机塔筒的倒塌。海上风机的数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）能够在风机工作时收集大量的数据,通过对这些数据进行有效的挖掘,可以及时地对风机叶片进行故障检测与预警,提高风电机组的运行稳定性和可靠性。本课题对海上风机叶片结构健康监测进行了研究,主要内容如下:（1）针对传统的特征变量选择方法存在主观局限性,且故障检测容易忽略数据特征之间的相互关联的问题,提出了基于门控融合单元的Transformer深度模型。模型采用门控残差神经网络去除特征变量的冗余信息,强化关键特征的表达;利用特征融合模块的Channel-mixing MLP和Column-mixing MLP对同一特征变量的不同通道及不同特征变量的同一通道进行深层信息融合,提高了模型的检测性能;最后,利用Transformer对风机叶片数据施加注意力机制,增强模型的抗噪声能力。（2）针对风机叶片特征数据繁杂,现有故障检测方法效果不佳的问题,提出了基于门控融合单元Transformer深度模型的风机叶片开裂故障检测方法,具体包括对SCADA数据进行数据清洗、数据归一化、四折交叉验证划分数据集等预处理工作,并搭建基于门控融合单元的Transformer深度模型。选用XGBoost、Light GBM、Tab Transformer、SAINT、Tab Net等7种传统的故障检测模型与提出的模型进行对比,并采用F1-score、准确率、召回率以及精确率作为评价指标以验证模型的有效性。实验结果表明,模型各评价指标4次实验结果的均值都能达到0.99以上,且4次实验评价指标的方差能稳定在0.0045以内。相比于传统的检测模型,基于门控融合单元Transformer深度模型具有较好的准确性,稳定性以及泛化性能。（3）针对海上风机叶片结冰故障频发而常规预警方法无法充分挖掘早期结冰样本信息的问题,提出了一种基于深度学习的风机叶片结冰预警方法。首先,通过热力图和特征散点图进行数据分析帮助实现预处理工作,并使用四分位异常检测法来检测和清除异常值。采用改进的Mix-up数据增强方法解决风机SCADA数据类别不平衡的问题。接着,通过滑动窗口提取固定时间段的统计特征,从而更好地反映序列数据的演化规律和状态,从而尽早发现叶片结冰。实验结果表明,本研究结冰预测方法的各项评价指标结果均能达到0.95,能够实现对风机叶片结冰故障的早期预警。同时通过SMOTE算法与Mix-up数据增强算法进行对比,验证本课题研究的数据增强算法的有效性。