旨在通过综合利用监测控制和数据采集（SCADA）数据的时空变化信息准确识别风力发电机组的健康状态，提出一种基于SCADA时空特征融合的风力发电机状态监测新方法本文提出了卷积神经网络（CNN）和门控递归单元（GRU）的数据。首先，应用Pearson prod-moment相关系数的缺失值补充和变量选择来提高SCADA数据的有效性。其次，CNN和GRU的结构构建了深度学习模型。 SCN数据的空间特征由CNN在每一步提取，空间特征序列的时间特征由GRU提取和融合。第三，历史健康的SCADA数据用于训练正常行为模型。最后，训练后的模型接收测量数据并输出预测值。计算实际数据和预测输出之间的全部残差，以将其置于指数加权移动平均控制图中，以识别风力涡轮机的状况。在测量的SCADA数据实验中证明了所提方法的有效性和可用性。
