最后，健康狀態的生成。以收集好的穩定期健康時間段為例，同樣將環境條件按照風速、溫度、大氣壓力、空氣密度等多個維度，并對各個維度進行步長的劃分，此處忽略理論模型中的生命時間。按照步長所切割好的維度組合在一起，就是一個空間，而所有的空間就組成了平行空間。在收集好的時間段中，會有很多數據屬于同一個空間，因此我們對屬于同一個空間的數據進行計算分析得出不同空間中的數據范圍及特征叫做該條件環境下的狀態。
　?。?）風電機組健康狀態轉換
　　在風電機組運行時，隨著時間的推移，周圍環境的變化，風電機組會在健康模型上找到屬于當前環境下的空間即健康運行的狀態。由于收集的數據有限，也會出現沒有對應的空間，因此需要對此風電機組當前狀態進行判斷，如果滿足上述的健康時間段的運行狀態，平行空間可以擴展，即可以通過自學習的方式彌補之前由于數據收集不足造成的缺少部分對應空間的現象。
　　綜上所述，ECMM應用模型在創建時并不是按照風電機組全生命周期的時間軸順序發生的過程創建的，而是依賴于環境因素的變化創建的。在風電機組實時運行時，會自動檢索此時對應的空間，并通過計算能夠知道此時的健康狀態的值與空間里計算好的健康狀態的值的差異性。而ECMM理論模型的建立是需要大量相同機型風電機組全生命周期的數據作為支撐的，在數據量達不到的情況下，ECMM應用模型具有明顯的優勢和實用性。
　　基于ECMM模型的風電機組健康狀況評估方法
　　前文描述了如何構建ECMM模型，本節將主要描述基于ECMM應用模型對風電機組的健康狀況進行評估的方法，如圖3所示。 　　基于ECMM模型的風電機組健康狀況評估方法主要分四個階段：風電機組自身健康狀態評分、同機型健康狀態評分、風電機組綜合評分、健康狀態預測。其中風電機組實時數據作為模型的輸入數據，利用模型對比算法得到同機型健康狀態評分、自身健康狀態評分，最后需要綜合評分算法計算出風電機組綜合評分。利用環境預測的算法來預測風電機組的狀態。
　　（1）風電機組自身健康狀態評分
　　通過對風電機組實時數據進行監測、采集，利用ECMM模型的對比算法，求出同機型健康狀態評分。下面將給出模型對比算法的流程進行描述，如圖4所示。 　　利用風電機組的實時監控系統對風電機組全參數進行監測。并根據此時環境各維度的值以及風電機組在當前環境中運行時長來檢索相應的ECMM模型中的平行空間。并根據平行空間中風電機組參數計算特征值的方式，求出此時風電機組相應的各個參數的特征值。每當有一個參數的特征值不滿足平行空間中所給出該參數特征值的健康范圍，則健康值需要減去該參數的權重值以及相應每個參數所需要減掉的參數值，剩余的健康值即為該時刻風電機組運行的健康值。