叶片是风力发电机组获取风能的关键零部件。由于长期运行在恶劣的环境中,叶片表面极易产生裂纹、砂眼、腐蚀等故障,造成重大的经济损失,因此,开展叶片健康诊断方法研究对延长机组工作寿命、减少维修成本等具有重要意义。针对现有的振动、声发射、光纤光栅等诊断技术存在的不足,本文提出研究一种基于支持向量数据描述(Support Vector Data Description,SVDD)的非接触式叶片健康声学诊断方法,具体研究内容与成果如下:首先,通过对风电机组叶片故障机理和声信号特性分析,研究提出一种基于小波分解的叶片故障声学特征提取方法。以分解子频带的能量比作为特征,刻画故障叶片声信号的频谱变化特性;引入主成分分析法(Principal Component Analysis,PCA)剔除原始特征向量中的冗余信息,从而降低算法的时间复杂度。仿真结果表明,该方法提取的特征能够区分叶片的健康状态。其次,针对叶片诊断中存在的故障样本分布不均衡问题,研究建立了基于SVDD的单值分类器模型。依据SVDD基本原理,利用正常类样本集构建初始分类模型;以测试样本集的识别准确率构造适应度函数,采用改进的粒子群算法(Particle Swarm Optimization,PSO)寻找最优核参数。仿真结果表明,在有限样本的情况下,该方法能够实现叶片健康诊断。最后,针对初始SVDD诊断模型不完备问题,提出一种基于Karush-Kuhn-Tucker条件(KKT)和超球坐标映射的增量学习方法。利用原有模型的KKT条件从增量样本集中筛选关键样本,依据霍普金斯统计量评估筛选样本集的聚集程度;对于数量多且分布不规则的样本集,提出一种多中心超球坐标映射的边界提取算法,进一步优化增量样本集。仿真结果表明,该方法在保证较高识别准确率的条件下有效降低了算法的训练时间。