安装在冬季湿冷地区的风电机组在低温天气条件下极易发生叶片覆冰的现象。目前,已有的风力机叶片覆冰状态检测与诊断方法与技术均具有一定的局限性,难以准确有效地检测和诊断出叶片实际覆冰状态。对此,本文采用理论分析和工程实际数据处理相结合的研究手段,开展风电机组叶片覆冰状态检测与诊断方法、技术研究,旨在为工程现场实时监测叶片的覆冰故障提供新的更有效的技术。首先,依据风力机工作原理和气象学原理,分析了叶片覆冰的影响因素及其变化特点,遴选出了能够反映叶片覆冰状态的风速、功率和桨距角作为状态表征参数。基于MATLAB软件平台,采用核密度一均值法对正常状态和覆冰状态下状态数据进行筛选,经归一和平均处理后得到了叶片在不同风速下的各状态基准值,并通过数据拟合得到了其定量表达式,并在此研究基础上,将叶片覆冰程度划分为四个类别,给出了这四个覆冰程度的定量指标区间,提出了叶片覆冰状态分级诊断标准,确立了分级诊断定量区间。然后,借助已有的研究成果和实际风力机的SCADA监测数据资料,提出了五个覆冰状态特征指标作为诊断叶片覆冰状态的特征指标。并基于MATLAB软件平台,构建了神经网络覆冰诊断模型,采用典型工况和实际工况下的覆冰状态数据作为数据样本集合,选取了四种不同覆冰状态下的数据,通过测试,该模型预测结果最大相对误差为 5.401%。最后,基于LabVIEW软件开发平台,设计开发了集数据显示、分析诊断和结果保存于一体的风力机叶片覆冰状态监测与诊断系统软件。并基于实际风电场的SCADA数据,对该系统进行了准确性验证。验证结果表明:本文所开发的风力机叶片覆冰状态监测与诊断系统能较为准确地诊断出叶片的覆冰状态,具有良好的工程应用价值。