二、基于平行空间理论的设备状态监测模型ECMM的应用模型
图2基于平行空间理论的设备状态监测模型ECMM的应用模型
上一小节给出了ECMM模型的理论模型的构建方法。但是，由于理论模型需要大量同型号风电机组全生命周期的数据作为理论支撑，且最终的平行空间数量不可评估，以目前集控中心所收集的数据是达不到的。因此，本小节将给出基于平行空间理论的设备状态监测模型ECMM的应用模型，如图2所示，主要分为两个阶段，风电机组健康状态生成和风电机组健康状态间的转换。
（1）风电机组健康状态
首先，数据预处理。此过程与ECMM理论模型相同。
其次，健康时间段的提取与划分。健康时间段的提取过程与理论模型健康时间段的提取过程相同，扣除风电机组运行不健康的时间段，所剩的时间段即为健康的时间段。由于风电机组在进入某环境空间的初始N分钟内处于过渡期和N分钟后参数运行状态差异变化较大，因此在风电机组全生命周期上将分为稳定期状态与过渡期状态，并根据实际统计将不同的稳定状态间切换时所需的不稳定时间长度值作为分割点。将相同机型全部风电机组在全生命周期健康时间段上，所有被分隔好的不同状态切换的过渡期时间段和稳定期时间段的数据分别收集。
最后，健康状态的生成。以收集好的稳定期健康时间段为例，同样将环境条件按照风速、温度、大气压力、空气密度等多个维度，并对各个维度进行步长的划分，此处忽略理论模型中的生命时间。按照步长所切割好的维度组合在一起，就是一个空间，而所有的空间就组成了平行空间。在收集好的时间段中，会有很多数据属于同一个空间，因此我们对属于同一个空间的数据进行计算分析得出不同空间中的数据范围及特征叫做该条件环境下的状态。
（2）风电机组健康状态转换
在风电机组运行时，随着时间的推移，周围环境的变化，风电机组会在健康模型上找到属于当前环境下的空间即健康运行的状态。由于收集的数据有限，也会出现没有对应的空间，因此需要对此风电机组当前状态进行判断，如果满足上述的健康时间段的运行状态，平行空间可以扩展，即可以通过自学习的方式弥补之前由于数据收集不足造成的缺少部分对应空间的现象。
综上所述，ECMM应用模型在创建时并不是按照风电机组全生命周期的时间轴顺序发生的过程创建的，而是依赖于环境因素的变化创建的。在风电机组实时运行时，会自动检索此时对应的空间，并通过计算能够知道此时的健康状态的值与空间里计算好的健康状态的值的差异性。而ECMM理论模型的建立是需要大量相同机型风电机组全生命周期的数据作为支撑的，在数据量达不到的情况下，ECMM应用模型具有明显的优势和实用性。
基于ECMM模型的风电机组健康状况评估方法
前文描述了如何构建ECMM模型，本节将主要描述基于ECMM应用模型对风电机组的健康状况进行评估的方法，如图3所示。
图3基于ECMM模型的风电机组健康状况评估方法图
基于ECMM模型的风电机组健康状况评估方法主要分四个阶段：风电机组自身健康状态评分、同机型健康状态评分、风电机组综合评分、健康状态预测。其中风电机组实时数据作为模型的输入数据，利用模型对比算法得到同机型健康状态评分、自身健康状态评分，最后需要综合评分算法计算出风电机组综合评分。利用环境预测的算法来预测风电机组的状态。
（1）风电机组自身健康状态评分
通过对风电机组实时数据进行监测、采集，利用ECMM模型的对比算法，求出同机型健康状态评分。下面将给出模型对比算法的流程进行描述，如图4所示。
图4健康状态评分流程图