手机浏览网
通过对风机实时数据进行监测、采集，利用健康模型的对比算法，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3所示。
图3健康状态评分流程图
利用风机的实时监控系统对风机全参数进行监测。并根据此时环境各维度的值以及当前风机在当前环境中运行时长来检索相应的模型中的平行空间。并根据平行空间中风机参数计算特征值的方式，求出此时风机相应的各个参数的特征值。每当有一个参数的特征值不满足平行空间中所给出该参数特征值的健康范围，则健康值需要减去该参数的权重值以及相应每个参数所需要减掉的参数值，剩余的健康值即为该时刻风机运行的健康值。例如，风机完全健康时的健康值为100，除了环境各个维度的参数以外，还有A、B、C、D、E五个参数。假设其中A、B、C三个参数的特征值不符合所对应的平行空间A、B、C三个参数特征值的健康范围，因此，该风机当前时刻的健康值为100-a*x1-b*x2-c*x3，其中a、b、c分别为A、B、C三个参数的权重值，x1、x2、x3分别为A、B、C三个参数不满足健康范围时需要扣除的健康值。（2）预测风机状态
利用引入的环境预测数据，并根据健康模型检索出相对应的空间，从而预测出风机未来的状态。
综上，健康状况评估的方法主要是根据实时检测风机的各个参数值，利用环境参数找出模型中相应的平行空间，并利用空间中各个参数特征值的算法求出此时该风机各个参数的数值，并判断是否在平行空间所给出的健康范围内，不满足进行健康值的减分计算。利用风功率预测中的环境预测值进行风机运行状况的预测。对风机的健康情况进行了全面的检测和评估。
4结束语
本文针对目前风场不能够有效的对风机的健康状况进行评估，最终由于故障而导致风机停机带来的经济效益的损失提出了解决方案。首先提出的基于平行空间理论的设备状态监测模型是以平行空间理论作为本模型理论支撑点，以大数据技术作为建模的技术手段进行创建的。并给出了基于该模型的风机健康状况评估的方法。由于本文仅从风机运行的健康角度考虑，忽略掉了风机发生故障时的状态。结合平行空间思想，笔者针对不同风机的不同故障分别建立了故障模型用以风机故障的预测和诊断，由于故障模型数量较多、范围较广，希望广大读者批评指正。
总之，本文整体上健康模型与故障模型互相验证，全方面的保证了风机的运行状态。
