Para poder utilizar de manera efectiva los datos en el espacio de alta dimensión y resolver el impacto de las dimensiones redundantes en los resultados finales, este artículo propone un método de selección de características para reducir la dimensión utilizando la función Copula y el método de descomposición LU. La función Copula proporciona un modelo de correlación adecuado para comparar las distribuciones de datos multivariados, la descomposición LU puede obtener rápidamente combinaciones lineales de coeficientes de correlación, luego se realiza un análisis de los coeficientes de correlación y la eliminación de datos irrelevantes o redundantes, así como otras combinaciones lineales de variables, preservando la integridad de la información, lo que permite realizar la selección de características en datos multidimensionales. El método propuesto en este artículo se compara con métodos de selección de características como el análisis de componentes principales (PCA), el análisis de componentes principales simples (SPCA) y la descomposición de valores singulares (SVD) para el procesamiento y análisis de grandes cantidades de datos de una turbina en tres condiciones de funcionamiento diferentes durante dos meses. Los resultados muestran que el método propuesto en este artículo es más eficaz para reducir la dimensión de los datos y mejorar la eficiencia de detección de fallos en comparación con otros métodos.

selección de características; datos de alta dimensión; técnicas de reducción de dimensiones; función Copula; descomposición LU; datos de fallos; turbina