近年来,风电作为一种绿色能源受到世界各国的青睐,随着风电机组装机容量的增加,风电机组所暴露出的多种故障问题不容忽视,对于其中的叶片故障问题,如果不能及时发现、维修,不仅会降低风电机组的发电效率,还可能引发严重事故。本文针对风机叶片的故障诊断问题,主要研究内容如下:一、对基于声频信号和振动信号的故障诊断国内外研究现状进行总结分析,选取梅尔倒谱系数法（MFCC）和原型聚类作为本文研究风机叶片声音信号特征提取及故障诊断的基本算法,并分析MFCC窗函数与特征阶数设置对故障信号特征显著性的影响。二、提出一种基于熵权法和K-means聚类的MFCC特征维优选方法。基于熵权法辨识特征维的变异程度并将特征维按照权重进行降序排列,将不同数目的特征维子集进行K-means聚类,基于信号周期性建立评价指标,从而确定MFCC最优特征子集。三、提出一种基于相关性的K-means聚类优化方法。基于MFCC和K-means聚类进行叶片故障诊断时,类簇边界样本点极易混淆,针对该题,依据轮廓系数确定每次迭代中类簇边界的样本,将这些样本点依据皮尔逊相关系数进行重新分类,直至不存在重新分类的样本点,则迭代算法结束。基于该方法结合实测数据对模糊C均值聚类（FCM）和高斯混合聚类（GMM）进行优化,验证了其对原型聚类优化的有效性。四、以多个风电场风机叶片声音数据为算例,对基于MFCC、原型聚类的叶片故障诊断方法进行了验证和分析。本文研究,为风机叶片故障诊断方法提供了一种技术路线,具有一定的工程实践价值。