Um Daten im hochdimensionalen Raum effektiv nutzen zu können und den Einfluss redundanter Dimensionen auf die endgültigen Ergebnisse zu lösen, schlägt dieser Artikel eine Methode zur Merkmalsauswahl zur Dimensionenreduzierung unter Verwendung der Copula-Funktion und des LU-Zerlegungsverfahrens vor. Die Copula-Funktion liefert ein geeignetes Korrelationsmodell zum Vergleich von Multivariaten Datenverteilungen, die LU-Zerlegung kann schnell lineare Kombinationen von Korrelationskoeffizienten bereitstellen, dann wird eine Analyse der Korrelationskoeffizienten und die Eliminierung irrelevanter oder redundanter Daten sowie anderer linearer Variablenkombinationen durchgeführt, wobei die Integrität der Informationen gewahrt bleibt, sodass Merkmale in multidimensionalen Daten ausgewählt werden können. Die in diesem Artikel vorgeschlagene Methode wird mit Merkmalsauswahlmethoden wie der Hauptkomponentenanalyse (PCA), der einfachen Hauptkomponentenanalyse (SPCA) und der Singulärwertzerlegung (SVD) für die Verarbeitung und Analyse großer Datenmengen einer Turbine in drei verschiedenen Betriebszuständen innerhalb von zwei Monaten verglichen. Die Ergebnisse zeigen, dass die in diesem Artikel vorgeschlagene Methode effektiver ist, um die Dimensionen der Daten zu reduzieren und die Fehlererkennungseffizienz im Vergleich zu anderen Methoden zu verbessern.

Merkmalsauswahl; hochdimensionale Daten; Dimensionsreduktionstechniken; Copula-Funktion; LU-Zerlegung; Fehlerdaten; Turbine