随着现在工业生产规模不断扩大,其生产过程越来越复杂,传统的基于规则或者单纯依赖机理建模的方式来监控生产过程安全及建立有效的故障报警机制变得越来越困难。另一方面,传感器成本的降低和存储也变得廉价的今天,工业生产过程中保存了海量设备工况数据。与此同时,人工智能技术质的提升已在多个通用领域显露锋芒。工业作为智能化程度的洼地及其潜在的巨大商业价值,受到的关注与日俱增。本文以发电风机叶片结冰故障诊断作为工业智能化应用的研究案例,目前该研究领域在国内仍处于发展阶段,现场采取的措施一般都是叶片结冰状态比较严重后进行停机除冰。如果能对结冰过程进行精确预测,以便能够尽早开启除冰系统,对于延长风机寿命,提高发电效率以及保证现场工作人员人身安全都具有重大的现实意义。本文通过风电厂SCADA系统产生的大量数据,结合机器学习算法对风机叶片结冰情况进行预测,首先阐述了工业大数据的特点,表明工业智能化并不是人工智能技术在工业场景中的简单复用。在数据预处理阶段,针对无效和奇异值数据进行剔除操作。对于正常和结冰样本严重不均衡现象,本文首先通过场景分析删去部分大样本数据,之后同时采取欠采样和过采样、SMOTE等方法进行平衡处理。在特征提取阶段,除了使用对结冰现象有重大相关性的显性特征外,结合机理分析,又构造出一系列隐形特征,从而大幅的提升了预测效果。在算法选择上,本文采用多个层面的人工智能算法对该案例进行分析。首先应用传统机器学习方法,比如支持向量机、K-邻近算法、BP全连接神经网络等。其次采用XGBoost算法,该算法基于机器学习中的提升理论,但对传统的梯度提升算法做了很多细节改进,包括损失函数、正则化、切分点查找算法优化等等,它可以很好的解决工业界规模的问题。最后,本文又采用深度学习理论,搭建CNN-LSTM自学习特征深度学习网络,对数据集进行训练和建模,同样取得了不错的预测结果。通过采用不同层次的数据驱动方法对风机叶片结冰数据进行分析和建模,初步掌握了工业大数据处理思路和方法,验证了人工智能技术在工业领域具有广阔的应用前景。