风能因资源丰富、清洁与可再生性而被大力发展,风机作为风能利用设备,故障将降低发电效率甚至影响整个电网的稳定。常年低温环境造成的叶片结冰问题是引发风机故障的关键因素,人工巡检工作量大且效率低,亟需对叶片结冰故障进行智能诊断。基于结冰特性和目前研究现状存在的可解释性差、泛化性低、类不平衡性和样本标签不足的问题,展开如下三项研究工作:首先提出机理-数据融合的思想,探索模型泛化性低和可解释性差问题。分析结冰形成和风机性能影响相关因素,构建功率残差等结冰机理特征并可视化解释分析。实验验证了多种数据驱动方法在机理特征融合后的最好性能可提升11%,提高了模型的泛化性,并为后文深度学习模型提供了机理基础。然后提出空洞卷积注意力的结冰故障诊断方法,探索数据类不平衡和模型泛化性低问题。空洞卷积从多尺度捕获风机间共性提高模型泛化能力,注意力依次从通道空间维度进行全局和局部学习,以关注强分类特征并抑制不重要信息。实验验证了模型在新风机的高泛化性可提升10%左右,并同时改善了类不平衡问题。最后提出半监督图卷积自注意力的结冰故障诊断方法,探索样本标签不足和模型泛化性低问题。分为机理图构建、图卷积聚合节点和边信息、从全局角度自注意力训练三个阶段。实验表明仅用5%标签即可在新风机上达到很好的诊断效果,固化机理挖掘风机参数间的潜在关系,充分利用无标签数据改善泛化性低的问题。基于机理-数据融合思想,采用卷积和注意力结合的方法体系分别从监督与半监督两个场景出发,改善结冰故障诊断中四个主要问题,实现有效的智能诊断以避免损失,继而保障了风机的可靠性运行。