(1>原始的數(shù)據(jù)是具有較大噪聲。

      (2)相關(guān)的狀態(tài)參數(shù)數(shù)據(jù)具有一定的相關(guān)，但是原始數(shù)據(jù)的相關(guān)被掩蓋了。

    為了提取狀態(tài)參數(shù)數(shù)據(jù)的相關(guān)，運用了以下數(shù)據(jù)預(yù)處理算法?？紤]的發(fā)電機(jī)所捕獲的與風(fēng)速有關(guān)，所以把風(fēng)速作為所要處理發(fā)電機(jī)狀態(tài)參數(shù)數(shù)據(jù)的參考參數(shù)。數(shù)據(jù)預(yù)處理算法的步驟如下:

    對于發(fā)電機(jī)的正常模型建立，特征選擇是十分重要的。特征選擇就是從原始特征中根據(jù)一定的評判標(biāo)準(zhǔn)剔除不相關(guān)的特征和選取有效的特征的過程，且在特征選擇過后回歸或者分類模型具有更高的精度和正確率。初步選擇的18個發(fā)電機(jī)的特征，分析其機(jī)理，發(fā)電機(jī)的功率和轉(zhuǎn)子轉(zhuǎn)速可以較好的反應(yīng)發(fā)電機(jī)的狀態(tài)，所以把發(fā)電機(jī)的功率和轉(zhuǎn)子轉(zhuǎn)速作為輸出，剩下的16個發(fā)電機(jī)的特征作為輸入的話，還是具有較多的特征，所以需要從高維數(shù)據(jù)中提取或者選擇出有用的特征信息和規(guī)律，剔除其中冗余的特征。Davies證明了篩選優(yōu)特征子集是一個NP完全問題。