例如，風電機組完全健康時的健康值為100，除了環境各個維度的參數以外，還有A、B、C、D、E五個參數。假設其中A、B、C三個參數的特征值不符合所對應的平行空間A、B、C三個參數特征值的健康范圍，因此，該風電機組當前時刻的健康值為100-a×x1-b×x2-c×x3，其中a、b、c分別為A、B、C三個參數的權重值，x1、x2、x3分別為A、B、C三個參數不滿足健康范圍時需要扣除的健康值。
　　（2）同機型健康狀態評分
　　同機型風電機組的健康狀態能夠反映出該機型風電機組優勢以及普遍存在的問題，反饋給風電機組制造廠家，有助于廠家對該機型的優勢進行升級而對問題進行修復，提升企業產品質量、服務，同時也為企業拓展新產品提供新思路。
　　統計性健康狀態評分是由三部分組成：同風電場該機型風電機組的不合格率、優秀率、平均成績組成。自定義風電機組合格限值，不滿足限值的臺數與總臺數相比的百分數即為不合格率。同理，自定義優秀限值，超過限值的臺數與總臺數相比的百分數即為優秀率。而平均值，即為將優秀與不合格的風電機組去掉后，所剩的風電機組的平均值，這樣避免了部分優秀風電機組或不合格風電機組來影響風電場整體風電機組的健康值。同時，如果該平均值持續一段時間很低的話，說明該型號風電機組存在普遍的問題，需要及時與該型號風電機組的廠家聯系。
　　（3）風電機組綜合評分
　　風電機組綜合評分反饋的是該風電機組在整個風電場相同機型中的健康狀況。綜合評分的算法是通過持續一段時間的自身的健康狀況與同機型其他風電機組的橫向比較，來觀察該風電機組的健康狀態穩定程度和變化率。
　　（4）預測風電機組狀態
　　利用引入的環境預測數據，并根據ECMM模型檢索出相對應的空間，從而預測出風電機組未來的狀態。
　　綜上，基于ECMM模型的風電機組健康狀況評估的方法主要是根據實時檢測風電機組的各個參數值，利用環境參數找出ECMM模型中相應的平行空間，并利用空間中各個參數特征值的算法求出此時該風電機組各個參數的數值，并判斷是否在平行空間所給出的健康范圍內，不滿足進行健康值的減分計算。同時，對全風電場同機型所有風電機組健康值進行匯總計算，得出整個風電場該機型的健康狀況，并利用風功率預測中的環境預測值進行風電機組運行狀況的預測。對風電機組的健康情況進行了全面的檢測和評估。
　　結語
　　本文針對目前風電場不能夠有效地對風電機組的健康狀況進行評估，最終由于故障而導致風電機組停機帶來的經濟效益的損失提出了解決方案。首先提出的基于平行空間理論的設備狀態監測模型ECMM的理論模型和應用模型是以平行空間理論作為本模型理論支撐點，以大數據技術作為建模的技術手段進行創建的。并給出了基于ECMM模型的風電機組健康狀況評估的方法。由于本文僅從風電機組運行的健康角度考慮，忽略掉了風電機組發生故障時的狀態。結合平行空間思想筆者針對不同風電機組的不同故障分別建立了故障模型用以風電機組故障的預測和診斷，故障模型數量較多，范圍較廣。整體上健康模型與故障模型互相驗證，全方位地保證了風電機組的運行狀態。