El análisis discriminante local de Fisher (LFDA) se ha aplicado ampliamente en los campos de reducción de dimensionalidad y clasificación de fallos. Sin embargo, a menudo sufre del problema de tamaño de muestra pequeña (SSS) e incorpora todas las variables del proceso sin enfatizar las clave que presentan fallos, lo que lleva a un rendimiento de diagnóstico de fallos degradado y a una mala interpretabilidad del modelo. Con este fin, este artículo desarrolla el modelo de análisis discriminante local de Fisher exponencial con selección de variables escasas (SELFDA), que puede superar las dos limitaciones del LFDA básico simultáneamente. Primero, las variables responsables de los fallos se identifican automáticamente a través del operador de selección y reducción absoluta mínima, y el problema de optimización actual se reformula como un problema de optimización convexa iterativa y se resuelve mediante el método de minimización-maximización. Después de eso, se implementa la estrategia de matriz exponencial en LFDA, lo que puede superar esencialmente el problema de SSS al garantizar que la matriz de dispersión dentro de la clase siempre sea de rango completo, siendo así más práctica en prácticas industriales reales, y el margen entre diferentes categorías se amplía debido al mapeo de difusión de distancia, lo que beneficia la mejora de la precisión de clasificación. Finalmente, se emplean el proceso de Tennessee Eastman y un proceso de trabajo de diésel del mundo real para validar el método propuesto SELFDA, los resultados experimentales demuestran que el marco SELFDA es más excelente que otros enfoques.