Pour une utilisation efficace des données dans l'espace multidimensionnel et pour résoudre l'impact des dimensions redondantes sur les résultats finaux, cet article propose une méthode de sélection des caractéristiques pour réduire les dimensions en utilisant la fonction Copula et la méthode de décomposition LU. La fonction Copula fournit un modèle de corrélation approprié pour comparer les distributions de données multivariées, la décomposition LU peut rapidement fournir des combinaisons linéaires de coefficients de corrélation, puis une analyse des coefficients de corrélation et l'élimination des données non pertinentes ou redondantes ainsi que d'autres combinaisons linéaires de variables, tout en préservant l'intégrité des informations, ce qui permet de sélectionner des caractéristiques dans des données multidimensionnelles. La méthode proposée dans cet article est comparée à des méthodes de sélection de caractéristiques telles que l'analyse en composantes principales (PCA), l'analyse en composantes principales simple (SPCA) et la décomposition en valeurs singulières (SVD) pour le traitement et l'analyse de grandes quantités de données de turbine pour trois états de fonctionnement différents au cours de deux mois. Les résultats montrent que la méthode proposée dans cet article permet de réduire plus efficacement les dimensions des données et d'améliorer l'efficacité de détection des défauts par rapport aux autres méthodes.

sélection des caractéristiques; données multidimensionnelles; techniques de réduction des dimensions; fonction Copula; décomposition LU; données de défauts; turbine