叶片是风力发电机组获取风能的关键部件。由于长期运行在恶劣的外部环境下,叶片极易发生疲劳损伤、雷击、结冰等故障,造成重大的经济损失甚至人员伤亡。针对现有检测方法及监测系统存在的不足,本文综合利用声学故障诊断、机器学习以及软件工程等技术,研究设计风力发电机组叶片健康智能声学监测系统,具体研究内容与成果包括:(1)结合风力发电机组叶片健康监测的实际应用需求,研究设计了基于声学的智能监测系统总体架构。该系统以声学诊断为特色,采用模块化设计,由声学诊断节点、网络消息中间件、智能分析平台等模块构成,具备叶片故障在线诊断、诊断模型优化更新、故障趋势预测、节点远程监控等丰富功能。(2)针对初始SVDD训练模型识别新增样本时准确率下降问题,研究给出了基于疏密度约简的叶片故障诊断模型增量学习方法。首先,从增量样本集中筛选出违反KKT条件的样本子集,评价其整体聚集程度;然后,依据信息熵计算剩余样本子集的疏密度值,结合比例控制因子再次筛选剩余样本集;最后,以约简的增量样本子集、初始模型的支持向量及边界附近样本作为数据集,增量学习得到新的识别模型。实验结果表明:相比于CISVDD及Kmeans-SVDD算法,该方法在保持较高识别精度的同时大幅缩短了训练时间。(3)结合风机SCADA监测数据,引入深度学习技术,研究给出叶片故障趋势的深度学习模型。首先,分析多维监测特征之间的相关性,构造新的特征描述叶片的健康状态;然后,通过优化选取学习率、样本滑动步长、样本时间窗长等参数,建立基于长短期记忆网络(Long Short-Term Memory,LSTM)的故障趋势预测模型。最后,基于风机叶片结冰预测的公开数据集,验证了 LSTM故障趋势预测模型的有效性。实验结果表明:该方法优于RNN、SAE和XGBOOST算法。最后,集成增量SVDD诊断算法、LSTM故障趋势预测算法以及浅层数据分析算法等,设计实现了叶片健康智能声学监测系统,并基于实测的风场数据集整体验证了系统的性能,研究成果具有重要的工程应用价值。