近年来随着能源危机和环境污染问题的恶化,作为一种良好的清洁能源,风电得到了急速发展,但是同时也面临着很多问题。作为风机的核心部件,风力发电机叶片价格昂贵,且长期承受巨大应力的作用,在恶劣环境中工作,极易发生裂纹、脱层等损伤。在损伤早期,维护较容易且成本较低,但是若不能及时发现损伤,损伤会不断扩大甚至导致叶片断裂,将会带给风场沉重的经济损失甚至会引发一些安全事故,因此对其健康状态的实时监测具有重大意义。针对现有监测方案和系统的不足,提出了一种基于声学特征分析的风力发电机叶片健康监测系统。主要的研究内容和成果如下:（1）针对风力发电机叶片监测面临的问题,开发了基于声信号智能识别的风力发电机叶片健康监测系统。该系统由声信号采集器和中心服务器两部分构成,声信号采集器采集风力发电机叶片声信号并实时上传至中心服务器,中心服务器同时接收存储各路信号并据此判断风力发电机叶片是否异常,最后为用户提供监控平台网站服务来帮助其查看结果。（2）针对系统远程采集多台风力发电机声信号的需求,在各风机下方部署一声信号采集器采集其声信号并通过网络统一上传至中心服务器。针对其多对一声信号的网络传输问题,提出了一种基于用户数据报协议的多对一实时网络通信解决方案,采用多线程处理各路上传信号,采用环形缓冲区解决传输协议中可能存在的数据包丢失问题。经过测试,实现了多路声信号的同时远程采集。（3）研究了一种结合声信号对数梅尔谱特征和深度神经网络的声信号分类算法。将采集的不同风机的声信号,经过预处理后提取其对数梅尔谱声学特征作为数据集,并进一步划分为训练集、验证集和测试集。基于Resnet50网络模型使用迁移学习的方法构建二分类网络模型来判断输入是否异常,进一步在原模型的卷积层后引入双向长短期记忆网络来学习声信号的时间周期特征,组成卷积循环神经网络模型。最终模型在验证集上的准确率达到95.22%,F1值达到96.47%。使用测试集进行最后的测试,准确率达到87.23%,F1值达到90.88%。（4）为方便用户查看系统的监测结果,开发部署了一监控平台网站,用户可随时随地通过此网站对各风力发电机叶片的健康状况进行监控。结合用户的实际使用需求,网站实现了结果查看、异常报警、音频回放、历史记录查看、用户管理、误判处理等丰富功能,且使用十分方便。