各类先进技术的广泛应用使重大装备愈发的集成化、精细化、大型化和自动化，但同时复杂的装备结构和极端的运行环境也显著增加了装备发生故障的概率。为精准评估重大装备的运行状态和故障类型，需要对装备进行大规模、多测点和长时间的监测，导致装备运行状态数据具有生成速度快、数据量大、数据类型多和价值密度低等特点，这对以信号处理和人工提取特征为主的传统故障诊断方法提出了重大挑战。

针对以上问题，必威蔡志强教授课题组通过特征选择的方式从海量原始数据中获取重大装备故障诊断有效信息，相关成果《A Hybrid Feature Selection Approach Based on ReliefF-FC-SS Algorithm for Multi-feature Data》被13th IEEE Global Reliability & Prognostics and Health Management Conference（PHM）国际顶级会议录用并荣获“Best Paper Award”。该会议由IEEE可靠性协会提供赞助和支持，致力于提高机械装备和产品的可靠性、可用性、系统安全性和维护性。会议涉及航空航天和军事系统、电子设备、制造工艺、云计算和核动力等各个研究领域，汇集学术、工程和管理学科的世界级专家，为学术思想交流提供了一个重要的跨学科交流平台。论文第一作者是我院韩思杰硕士研究生，通讯作者为我院蔡志强教授。该论文的研究成果由我院作为第一单位和通讯作者单位、西安航空发动机（集团）有限责任公司作为合作单位共同完成。该项研究工作受到国家自然科学基金重点项目、国家自然科学基金面上项目和陕西省重点研发项目支持。

“Best Paper Award”奖状

航空发动机是典型的资本密集型和技术密集型高科技产品，如果航空发动机试车时出现性能不达标、振动超限等实际工程问题，由于装配与质量检验试车之间缺乏清晰的映射关系，以目前的技术难以快速定位相关关键装配指标。挖掘航空发动机装配数据和试车数据之间的关联关系，对指导制造与装配环节，提高发动机出厂合格率具有重要意义。由于航空发动机结构复杂，装配指标繁多，如何通过特征选择的方式从高维装配指标空间中捕捉关键信息是航空发动机研究领域的一项难题，受到众多学者的高度重视。课题组通过将特征关联性分析方法引入传统的ReliefF特征选择算法，并结合逐步筛选的方式提出了ReliefF-FC-SS算法，定量研究了特征和特征之间、特征和类别之间的关联性，旨在尽可能从高维特征空间中提取高质量的低维特征子集。为了验证该算法的有效性，研究团队结合9个公开数据集展开分析。实验结果证明提出的ReliefF-FC-SS算法相较于其它的传统特征选择算法，能够从原始特征空间中捕捉到包含关键信息的最优特征子集，显著降低了特征子集的维度和噪声对模型产生的负面影响。

ReliefF-FC-SS算法与传统算法的性能对比

目前，研究团队的相关研究成果已成功应用于西安航空发动机（集团）有限责任公司的某型号航空涡扇发动机装配数据和试车数据关联关系分析，基于西航公司提供的发动机装配试车数据建立性能分析模型，结合ReliefF-FC-SS算法合理分析各项装配数据和试车数据之间的关联性程度，精准定位和试车指标高度相关的装配指标。试验结果表明，该项研究成果有效推动了因发动机结构复杂、装配指标繁多导致的无法快速且精准排除试车故障这一重大难题的研究进展。

文：韩思杰

审核：罗明，蔡志强