随着我国风电行业迅猛发展,风电机组的故障诊断问题日益受到关注。风机叶片覆冰作为寒冷地带风机频频发生的一类故障,通常会导致发电量降低、叶片断裂、冰体脱落砸伤工作人员等一系列危害,对其进行实时检测及故障预测研究具有十分重要的意义。本文从实际应用出发,研究了基于数据驱动的风机叶片覆冰故障理论与算法,提出了一套切实可行的叶片覆冰故障检测与预测方案。主要研究内容如下:（1）对沈阳某风场的SCADA（Supervisory Control And Data Acquistion）数据进行处理与挖掘,剔除数据集中的噪声数据并对空缺数据进行插补,调整叶片覆冰故障正负样本比例并对数据进行了归一化处理。结合机理模型与Relife算法筛选出待检测特征。针对原始SCADA特征在风机叶片覆冰故障检测中辨识度不足等问题,在已有特征基础上构建出辨识度更高的新特征,用于后续研究。（2）针对现有单模型分类器无法有效捕捉SCADA数据特征之间的关联性,导致在处理非线性分类故障时精度不足,且当模型边界存在较大误差时无法对自身进行修正等问题,提出了一种基于Stacking模型的风机叶片覆冰故障检测算法。该算法基于集成学习在处理复杂分类问题上的优势,通过Stacking模型对BP神经网络、随机森林、Xgboost、朴素贝叶斯等经典机器学习分类模型进行融合。子模型选择对比仿真实验表明,本文提出的选用随机森林、Xgboost作为Stacking模型的子模型对处理风机叶片覆冰故障具有更准确的分类效果。（3）为了有针对性地对风机叶片覆冰进行预防,本文以多元SCADA时间序列数据为研究对象,提出了基于PSO-LSTM的风机叶片覆冰状态预测方法。首先,基于LSTM（Long Short-Term Memory）网络对SCADA特征序列进行预测;然后,采用PSO（Particle Swarm Optimization）算法对LSTM的超参数进行寻优,对于构建出的PSO-LSTM特征序列预测模型利用ARIMA模型进行误差序列修正;最终,将PSO-LSTM与Stacking融合模型相结合,实现对风机未来覆冰状态的预测。实验结果表明,相较于传统的LSTM模型,本文模型能更为精确地捕捉出SCADA序列的变化趋势,并准确地预测出风机叶片未来10min的覆冰状态,预测精度为90.8%。（4）以实际应用为目标,基于Py QT5开发了面向风场应用场景的“风机覆冰故障监测平台”。经基于SCADA离线数据与在线数据的测试,达到了针对不同模式风场风机状态的监测效果,实现了可用于风场运维和安全管理的目标。