Для эффективного использования данных в многомерном пространстве и решения проблемы влияния избыточных измерений на конечный результат, в данной статье предлагается метод выбора признаков для снижения измерений с использованием функции Copula и метода LU-декомпозиции. Функция Copula обеспечивает соответствующую модель корреляции для сравнения распределений многомерных данных, LU-декомпозиция быстро обеспечивает линейные комбинации коэффициентов корреляции, а затем проводится анализ корреляции и устранение нерелевантных или избыточных данных, а также других линейных комбинаций переменных, сохраняя целостность информации в данных, что позволяет их использовать для выбора признаков в многомерных данных. Метод, предложенный в данной статье, сравнивается с методами выбора признаков, такими как метод главных компонент (PCA), простой метод главных компонент (SPCA) и сингулярное разложение (SVD) при анализе и обработке большого количества данных турбины за три различных рабочих состояния в течение двух месяцев. Результаты показывают, что метод, предложенный в данной статье, более эффективно снижает измерения данных и повышает эффективность обнаружения неисправностей по сравнению с другими методами.

выбор признаков; многомерные данные; технологии снижения измерений; функция Copula; LU-декомпозиция; данные неисправностей; турбина